期刊文献+
共找到2,301篇文章
< 1 2 116 >
每页显示 20 50 100
Real-time object segmentation based on convolutional neural network with saliency optimization for picking 被引量:1
1
作者 CHEN Jinbo WANG Zhiheng LI Hengyu 《Journal of Systems Engineering and Electronics》 SCIE EI CSCD 2018年第6期1300-1307,共8页
This paper concerns the problem of object segmentation in real-time for picking system. A region proposal method inspired by human glance based on the convolutional neural network is proposed to select promising regio... This paper concerns the problem of object segmentation in real-time for picking system. A region proposal method inspired by human glance based on the convolutional neural network is proposed to select promising regions, allowing more processing is reserved only for these regions. The speed of object segmentation is significantly improved by the region proposal method.By the combination of the region proposal method based on the convolutional neural network and superpixel method, the category and location information can be used to segment objects and image redundancy is significantly reduced. The processing time is reduced considerably by this to achieve the real time. Experiments show that the proposed method can segment the interested target object in real time on an ordinary laptop. 展开更多
关键词 convolutional neural network object detection object segmentation superpixel saliency optimization
在线阅读 下载PDF
基于MSCNN-GRU神经网络补全测井曲线和可解释性的智能岩性识别 被引量:1
2
作者 王婷婷 王振豪 +2 位作者 赵万春 蔡萌 史晓东 《石油地球物理勘探》 北大核心 2025年第1期1-11,共11页
针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问... 针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问题,引入了基于多尺度卷积神经网络(MSCNN)与门控循环单元(GRU)神经网络相结合的曲线重构方法,为后续的岩性识别提供了准确的数据基础;其次,利用小波包自适应阈值方法对数据进行去噪和归一化处理,以减少噪声对岩性识别的影响;然后,采用Optuna框架确定XGBoost算法的超参数,建立了高效的岩性识别模型;最后,利用SHAP可解释性方法对XGBoost模型进行归因分析,揭示了不同特征对于岩性识别的贡献度,提升了模型的可解释性。结果表明,Optuna-XGBoost模型综合岩性识别准确率为79.91%,分别高于支持向量机(SVM)、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性,能够更好地满足实际生产需要。 展开更多
关键词 岩性识别 多尺度卷积神经网络 门控循环单元神经网络 XGBoost 超参数优化 可解释性
在线阅读 下载PDF
基于CNN模型的地震数据噪声压制性能对比研究 被引量:1
3
作者 张光德 张怀榜 +3 位作者 赵金泉 尤加春 魏俊廷 杨德宽 《石油物探》 北大核心 2025年第2期232-246,共15页
地震噪声的压制是地震勘探中地震数据处理的重要研究内容之一。准确地压制地震噪声和提取地震信号中的有效信息是地震勘探和地震监测的一项关键步骤。传统的地震噪声压制方法存在一些不足之处,如灵活性不足、难以处理复杂噪声、有效信... 地震噪声的压制是地震勘探中地震数据处理的重要研究内容之一。准确地压制地震噪声和提取地震信号中的有效信息是地震勘探和地震监测的一项关键步骤。传统的地震噪声压制方法存在一些不足之处,如灵活性不足、难以处理复杂噪声、有效信息损失以及依赖人工提取特征等局限性。为克服传统方法的不足,采用时频域变换并结合深度学习方法进行地震噪声压制,并验证其应用效果。通过构建5个神经网络模型(FCN、Unet、CBDNet、SwinUnet以及TransUnet)对经过时频变换的地震信号进行噪声压制。为了定量评估实验方法的去噪性能,引入了峰值信噪比(PSNR)、结构相似性指数(SSIM)和均方根误差(RMSE)3个指标,比较不同方法的噪声压制性能。数值实验结果表明,基于时频变换的卷积神经网络(CNN)方法对常见的地震噪声类型(包括随机噪声、海洋涌浪噪声、陆地面波噪声)具有较好的噪声压制效果,能够提高地震数据的信噪比。而Transformer模块的引入可进一步提高对上述3种常见地震数据噪声类型的压制效果,进一步提升CNN模型的去噪性能。尽管该方法在数值实验中取得了较好的应用效果,但仍有进一步优化的空间可供探索,比如改进网络结构以适应更复杂的地震信号,并探索与其他先进技术结合,以提升地震噪声压制性能。 展开更多
关键词 地震噪声压制 深度学习 卷积神经网络(cnn) 时频变换 TRANSFORMER
在线阅读 下载PDF
基于CNN和Transformer双流融合的人体姿态估计
4
作者 李鑫 张丹 +2 位作者 郭新 汪松 陈恩庆 《计算机工程与应用》 北大核心 2025年第5期187-199,共13页
卷积神经网络(CNN)和Transformer模型在人体姿态估计中有着广泛应用,然而Transformer更注重捕获图像的全局特征,忽视了局部特征对于人体姿态细节的重要性,而CNN则缺乏Transformer的全局建模能力。为了充分利用CNN处理局部信息和Transfor... 卷积神经网络(CNN)和Transformer模型在人体姿态估计中有着广泛应用,然而Transformer更注重捕获图像的全局特征,忽视了局部特征对于人体姿态细节的重要性,而CNN则缺乏Transformer的全局建模能力。为了充分利用CNN处理局部信息和Transformer处理全局信息的优势,构建一种CNN-Transformer双流的并行网络架构来聚合丰富的特征信息。由于传统Transformer的输入需要将图片展平为多个patch,不利于提取对位置敏感的人体结构信息,因此将其多头注意力结构进行改进,使模型输入能够保持原始2D特征图的结构;同时提出特征耦合模块融合两个分支不同分辨率下的特征,最大限度地保留局部特征与全局特征;最后引入改进后的坐标注意力模块(coordinate attention),进一步提升网络的特征提取能力。在COCO和MPII数据集上的实验结果表明所提模型相对目前主流模型具有更高的检测精度,从而说明所提模型能够充分捕获并融合人体姿态中的局部和全局特征。 展开更多
关键词 卷积神经网络 TRANSFORMER 局部特征 全局特征 2D特征图 特征耦合
在线阅读 下载PDF
基于改进BERT和轻量化CNN的业务流程合规性检查方法
5
作者 田银花 杨立飞 +1 位作者 韩咚 杜玉越 《计算机工程》 北大核心 2025年第7期199-209,共11页
业务流程合规性检查可以帮助企业及早发现潜在问题,保证业务流程的正常运行和安全性。提出一种基于改进BERT(Bidirectional Encoder Representations from Transformers)和轻量化卷积神经网络(CNN)的业务流程合规性检查方法。首先,根据... 业务流程合规性检查可以帮助企业及早发现潜在问题,保证业务流程的正常运行和安全性。提出一种基于改进BERT(Bidirectional Encoder Representations from Transformers)和轻量化卷积神经网络(CNN)的业务流程合规性检查方法。首先,根据历史事件日志中的轨迹提取轨迹前缀,构造带拟合情况标记的数据集;其次,使用融合相对上下文关系的BERT模型完成轨迹特征向量的表示;最后,使用轻量化CNN模型构建合规性检查分类器,完成在线业务流程合规性检查,有效提高合规性检查的准确率。在5个真实事件日志数据集上进行实验,结果表明,该方法相比Word2Vec+CNN模型、Transformer模型、BERT分类模型在准确率方面有较大提升,且与传统BERT+CNN相比,所提方法的准确率最高可提升2.61%。 展开更多
关键词 业务流程 合规性检查 表示学习 事件日志 卷积神经网络
在线阅读 下载PDF
基于WOA-CNN-BiGRU的PEMFC性能衰退预测
6
作者 陈贵升 刘强 许杨松 《电源技术》 北大核心 2025年第4期831-840,共10页
针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影... 针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影响显著的特征,以降低计算复杂度。然后,结合CNN的特征提取能力和BiGRU在处理双向时间依赖性数据上的优势建立CNNBiGRU模型,并通过WOA优化其超参数进一步提升预测的准确性。最后,与传统预测模型进行对比,验证所建模型的优越性。实验结果表明:在训练集占比为60%时,模型在三种不同工况PEMFC老化数据集上的RMSE分别为0.0017、0.0014和0.0110,证明CNN-BiGRU模型具有较高的预测精度以及良好的泛化能力。 展开更多
关键词 PEMFC 性能衰退 鲸鱼优化算法 卷积神经网络 双向门控循环单元
在线阅读 下载PDF
基于MS1DCNN-BOA-SVM的智能液压系统故障诊断方法
7
作者 闫锋 肖成军 +2 位作者 孙一伟 孙有朝 谭忠睿 《机床与液压》 北大核心 2025年第8期174-181,共8页
针对液压系统故障特征提取困难、诊断准确率低等问题,提出一种基于多尺度一维卷积神经网络(MS1DCNN)和贝叶斯搜索优化支持向量机(SVM)的智能故障诊断模型。将多个传感器信号合并为单一输入信号;通过多尺度卷积处理提取关键故障特征,构... 针对液压系统故障特征提取困难、诊断准确率低等问题,提出一种基于多尺度一维卷积神经网络(MS1DCNN)和贝叶斯搜索优化支持向量机(SVM)的智能故障诊断模型。将多个传感器信号合并为单一输入信号;通过多尺度卷积处理提取关键故障特征,构建特征向量;然后,利用贝叶斯搜索优化SVM进行分类识别,构建故障诊断模型;最后,对模型进行训练。结果表明:该模型对柱塞泵和蓄能器的故障诊断准确率分别为99.63%、99.17%;与MS1DCNN、1DCNN、SVM模型相比,该模型在液压系统故障诊断方面具有高准确率、高可靠性和强泛化能力的优势。 展开更多
关键词 液压系统 多尺度卷积神经网络 支持向量机 贝叶斯搜索优化 故障诊断
在线阅读 下载PDF
基于IPOA-MSCNN-BiLSTM-Attention模型的刀具磨损状态识别
8
作者 杨焕峥 崔业梅 +1 位作者 薛洪惠 徐玲 《组合机床与自动化加工技术》 北大核心 2025年第7期158-163,共6页
刀具状态监测直接影响产品加工质量,为了提高刀具磨损状态识别的准确性,构建了IPOA-MSCNN-BiLSTM-Attention模型。首先,采用多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(BiLSTM)来学习数据的时空特征;其次,引入注意力机制(Attention... 刀具状态监测直接影响产品加工质量,为了提高刀具磨损状态识别的准确性,构建了IPOA-MSCNN-BiLSTM-Attention模型。首先,采用多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(BiLSTM)来学习数据的时空特征;其次,引入注意力机制(Attention)以增强对关键信息的关注度;再次,提出了一种改进的鹈鹕优化算法(IPOA),用于优化模型多尺度卷积神经网络的参数。该算法结合自适应惯性权重因子、柯西变异和麻雀警戒机制策略,在CEC2005至CEC2022的众多函数性能测试中综合表现优于传统POA等5种算法;最后,在工业控制计算机(IPC)上运行了模型。结果表明,该模型在刀具磨损状态识别方面表现出较高的识别精度,可提高加工安全与生产效率。 展开更多
关键词 刀具磨损 状态监测 改进的鹈鹕优化算法 多尺度卷积神经网络 双向长短时记忆网络
在线阅读 下载PDF
基于AirComp的分布式CNN推理资源调度研究
9
作者 刘乔寿 邓义锋 +1 位作者 胡昊南 杨振巍 《电子与信息学报》 北大核心 2025年第7期2263-2272,共10页
在传统AirComp系统中,汇聚节点接收到来自不同发送端的信号相位是否严格对齐将直接影响Air-Comp的计算精度,将AirComp引入分布式联邦学习和分布式推理系统中,由于相位对齐问题造成的计算误差则会导致模型训练精度和推理精度下降。目前,... 在传统AirComp系统中,汇聚节点接收到来自不同发送端的信号相位是否严格对齐将直接影响Air-Comp的计算精度,将AirComp引入分布式联邦学习和分布式推理系统中,由于相位对齐问题造成的计算误差则会导致模型训练精度和推理精度下降。目前,现有的AirComp分布式联邦学习和分布式推理系统,无论在训练还是推理过程中,基本上都未考虑信道对模型性能的影响,导致其推理精度远低于本地训练和推理的结果,这一点在低信噪比时表现得尤为突出。该文提出了一种MOSI-AirComp系统,其中同一轮参与计算的发射信号来自同一节点,因此可以忽略信号的相位对齐问题。此外,该文设计了一种双支路训练模型,上支路基于原始模型的基础上添加Loss层模拟信道干扰,而下支路保持原始的网络模型结构用于推理任务,以实现更好的抗衰落和抗噪声能力。该文还提出了一种基于权重的功率控制方案和路径选择算法,根据节点间距离和模型权重选择最优的传输回路,并将模型权重作为功率控制因子的一部分来调节传输功率,以此实现卷积过程中的乘法操作,同时利用Air-Comp的叠加特性完成加法操作,从而实现空中卷积。仿真结果证明了MOSI-AirComp系统的有效性。与传统模型相比,双支路训练模型在小尺度衰落场景下,MNIST数据集和CIFAR10数据集在不同信噪比下的推理精度分别提高了2%~18%和0.4%~11.2%。 展开更多
关键词 空中计算(AirComp) 分布式推理 卷积神经网络(cnn) 功率控制
在线阅读 下载PDF
基于CNN-SLinformer算法的风电机组偏航系统故障预测
10
作者 火久元 谢东宸 +1 位作者 常琛 李昕 《湖南大学学报(自然科学版)》 北大核心 2025年第8期140-150,共11页
随着风电产业的快速发展,风电机组故障停机的比例也在上升,其中偏航系统故障尤为突出,占据了总停机时间的近三分之一(28.7%).为减少停机时间和运维费用,本文提出了一种基于SCADA数据的深度学习模型CNN-Smart_Linformer(CNN-SLinformer)... 随着风电产业的快速发展,风电机组故障停机的比例也在上升,其中偏航系统故障尤为突出,占据了总停机时间的近三分之一(28.7%).为减少停机时间和运维费用,本文提出了一种基于SCADA数据的深度学习模型CNN-Smart_Linformer(CNN-SLinformer),用于预测风电机组偏航系统的故障发生时间.该模型通过引入动态自注意力权重计算线性投影矩阵,自适应地捕捉输入序列的变化,显著增强了模型在不同运行环境下的泛化能力.它结合了卷积神经网络(CNN)在局部特征提取的优势与SLinformer在捕捉长期依赖关系的能力.实际风电场SCADA数据的实验结果表明,CNN-SLinformer模型在偏航故障预测任务中显著提高了预测精度,Score降低至144.50,同时模型运行时间更短,为风电场提供了有效的故障预测工具. 展开更多
关键词 风电机组 偏航系统 卷积神经网络(cnn) SLinformer 故障预测
在线阅读 下载PDF
具有注意力机制的CNN-GRU模型在风电机组异常状态预警中的应用
11
作者 马良玉 胡景琛 +1 位作者 段晓冲 黄日灏 《南京信息工程大学学报》 北大核心 2025年第3期374-383,共10页
针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗... 针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗,结合机理分析及极端梯度提升(XGBoost)算法对特征重要性的评估确定模型的输入输出参数,进而采用具有注意力机制的CNN-GRU模型建立风电机组正常运行工况的性能预测模型.以该预测模型为基础,利用时移滑动窗口构建风电机组状态评价指标,并结合统计学中的区间估计法确定预警阈值,最终实现机组异常工况预警.应用某风电机组真实历史故障数据进行实验,结果表明,本文所提方法能够准确地对异常状态进行提前识别和预警,有利于运维人员及时处理故障,保证机组安全稳定运行. 展开更多
关键词 风电机组 卷积神经网络 门控循环单元 注意力机制 故障预警
在线阅读 下载PDF
基于CNN-Swin Transformer Network的LPI雷达信号识别 被引量:1
12
作者 苏琮智 杨承志 +2 位作者 邴雨晨 吴宏超 邓力洪 《现代雷达》 CSCD 北大核心 2024年第3期59-65,共7页
针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transforme... 针对在低信噪比(SNR)条件下,低截获概率雷达信号调制方式识别准确率低的问题,提出一种基于Transformer和卷积神经网络(CNN)的雷达信号识别方法。首先,引入Swin Transformer模型并在模型前端设计CNN特征提取层构建了CNN+Swin Transformer网络(CSTN),然后利用时频分析获取雷达信号的时频特征,对图像进行预处理后输入CSTN模型进行训练,由网络的底部到顶部不断提取图像更丰富的语义信息,最后通过Softmax分类器对六类不同调制方式信号进行分类识别。仿真实验表明:在SNR为-18 dB时,该方法对六类典型雷达信号的平均识别率达到了94.26%,证明了所提方法的可行性。 展开更多
关键词 低截获概率雷达 信号调制方式识别 Swin Transformer网络 卷积神经网络 时频分析
在线阅读 下载PDF
基于多信息融合的INFO-VMD-CNN的齿轮箱故障诊断方法
13
作者 吴胜利 郑子润 邢文婷 《振动与冲击》 北大核心 2025年第13期309-316,共8页
针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD... 针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。 展开更多
关键词 行星齿轮箱故障诊断 向量加权平均算法(INFO) 奇异峭度差分谱 卷积神经网络(cnn) 评价指标 Shap值法
在线阅读 下载PDF
改进灰狼优化算法优化CNN-LSTM的PEMFC性能衰退预测
14
作者 高锋阳 刘庆寅 +2 位作者 赵丽丽 齐丰旭 刘嘉 《电力系统保护与控制》 北大核心 2025年第13期175-187,共13页
为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memo... 为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memory, CNN-LSTM)的车用PEMFC性能衰退预测方法。首先,通过稳定小波变换对数据集去噪重构,使用改进灰狼算法对实测PEMFC电堆衰退数据进行分析,获得CNN-LSTM最优超参数。其次,利用最优超参数训练CNN-LSTM网络模型进行PEMFC性能衰退预测,并计算PEMFC电堆剩余使用寿命。最后,在电堆静态和动态工况下,将所提方法与传统长短期记忆循环网络、门控循环单元循环网络和未经优化的CNN-LSTM等模型预测进行比较。结果表明:在静态工况中,当训练集占比为60%时,所提方法相比传统CNN-LSTM预测结果均方根误差缩小59.02%,当训练集占比为70%时,PEMFC剩余使用寿命预测与实际相差1.16 h;在动态工况中,当训练集占比为40%时,平均绝对误差缩小18.78%。 展开更多
关键词 质子交换膜燃料电池 改进灰狼优化算法 卷积神经网络-长短期记忆 衰退预测 剩余使用寿命
在线阅读 下载PDF
融合BiLSTM与CNN的推特黑灰产分类模型 被引量:2
15
作者 朱恩德 王威 高见 《计算机工程与应用》 北大核心 2025年第1期186-195,共10页
当前推特等国外社交平台,已成为从事网络黑灰产犯罪不可或缺的工具,对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memor... 当前推特等国外社交平台,已成为从事网络黑灰产犯罪不可或缺的工具,对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)可以学习推文的上下文信息,却无法学习局部关键信息,卷积神经网络(convolution neural network,CNN)模型可以学习推文的局部关键信息,却无法学习推文的上下文信息。结合BiLSTM与CNN两种模型的优势,提出了BiLSTM-CNN推文分类模型,该模型将推文进行向量化后,输入BiLSTM模型学习推文的上下文信息,再在BiLSTM模型后引入CNN层,进行局部特征的提取,最后使用全连接层将经过池化的特征连接在一起,并应用softmax函数进行四分类。模型在自主构建的中文推特黑灰产推文数据集上进行实验,并使用TextCNN、TextRNN、TextRCNN三种分类模型作为对比实验,实验结果显示,所提的BiLSTM-CNN推文分类模型在对四类推文进行分类的宏准确率为98.32%,明显高于TextCNN、TextRNN和TextRCNN三种模型的准确率。 展开更多
关键词 文本分类 双向长短期记忆网络(BiLSTM) 卷积神经网络(cnn) 黑灰产 推特
在线阅读 下载PDF
基于ALIF-VMD二次分解的NGO-CNN-LSTM电力负荷短期组合预测模型 被引量:1
16
作者 张琳 高胜强 +2 位作者 宋煜 卜帅羽 余伟 《科学技术与工程》 北大核心 2025年第11期4583-4597,共15页
针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍... 针对电力负荷预测过程中普遍存在的负荷波动变化趋势明显、随机性强,以及预测模型的参数取值不合理导致的精度偏低问题,提出了一种基于ALIF-VMD(adaptive local iterative filtering-variational mode decomposition)二次分解和北方苍鹰优化算法(northern goshawk optimization, NGO)优化CNN-LSTM(convolutional neural networks-long short-term memory)的电力负荷组合预测模型,在使用交叉映射收敛方法(convergent cross-mapping, CCM)准确识别电力负荷的关键影响因素的基础上,创新性地联合使用ALIF、基于NGO的VMD和模糊熵(fuzzy entropy, FE)对原始负荷序列进行组合分解和必要的重组;针对分解和重组后生成的模态分量,结合NGO确定的CNN-LSTM模型最优超参数组合,建立预测精度高、训练时间短、收敛速度快的NGO-CNN-LSTM日前电力负荷组合预测模型。与其他基准模型的对比结果表明,该模型具有更好的适应性和预测精度,可为电力系统的安全、可靠、经济运行提供重要的技术支撑。 展开更多
关键词 负荷预测 序列分解与重组 北方苍鹰算法 卷积神经网络-长短期记忆神经网络模型
在线阅读 下载PDF
融合特征下的双流CNN的制动蠕动颤振评价 被引量:1
17
作者 李阳 靳畅 +1 位作者 李天舒 顾鼎元 《振动与冲击》 北大核心 2025年第1期134-142,189,共10页
针对车辆蠕动颤振主观评价方法效率低、耗时长、测试流程复杂的问题,研究了蠕动颤振信号的时序特征和时频域特征提取方法,将2D-CNN的空间处理能力与1D-CNN的时序处理能力相结合,提出一种融合特征下的双流卷积神经网络的蠕动颤振评价方... 针对车辆蠕动颤振主观评价方法效率低、耗时长、测试流程复杂的问题,研究了蠕动颤振信号的时序特征和时频域特征提取方法,将2D-CNN的空间处理能力与1D-CNN的时序处理能力相结合,提出一种融合特征下的双流卷积神经网络的蠕动颤振评价方法。一条支路的输入为经过变分模态分解提取的时间序列特征,另一条支路的输入为经过快速傅里叶变换提取的图像特征,将一维时序特征与高维图像特征融合,训练模型进行评分。该方法通过融合不同模态的信息,充分捕捉蠕动颤振的局部波形特征和空间纹理特征。结果表明,融合两种特征的评分模型的八分类准确率达87.13%,验证了特征融合方法在蠕动颤振评价上的有效性。 展开更多
关键词 卷积神经网络(cnn) 融合特征 变分模态分解(VMD) 蠕动颤振
在线阅读 下载PDF
GWO优化CNN-BiLSTM-Attenion的轴承剩余寿命预测方法 被引量:1
18
作者 李敬一 苏翔 《振动与冲击》 北大核心 2025年第2期321-332,共12页
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来... 滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。 展开更多
关键词 灰狼优化(GWO)算法 卷积神经网络(cnn) 双向长短期记忆(BiLSTM)网络 自注意力机制 剩余使用寿命预测
在线阅读 下载PDF
一种基于注意力机制的BERT-CNN-GRU检测方法 被引量:1
19
作者 郑雅洲 刘万平 黄东 《计算机工程》 北大核心 2025年第1期258-268,共11页
针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU... 针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU)提取域名深度特征。CNN使用n-gram排布的方式提取不同层次的域名信息,并采用批标准化(BN)对卷积结果进行优化。GRU能够更好地获取前后域名的组成差异,多头注意力机制在捕获域名内部的组成关系方面表现出色。将并行检测网络输出的结果进行拼接,最大限度地发挥两种网络的优势,并采用局部损失函数聚焦域名分类问题,提高分类性能。实验结果表明,该方法在二分类上达到了最优效果,在短域名多分类数据集上15分类的加权F1值达到了86.21%,比BiLSTM-Seq-Attention模型提高了0.88百分点,在UMUDGA数据集上50分类的加权F1值达到了85.51%,比BiLSTM-Seq-Attention模型提高了0.45百分点。此外,该模型对变体域名和单词域名生成算法(DGA)检测性能较好,具有处理域名数据分布不平衡的能力和更广泛的检测能力。 展开更多
关键词 恶意短域名 BERT预训练 批标准化 注意力机制 门控循环单元 并行卷积神经网络
在线阅读 下载PDF
图像处理中CNN与视觉Transformer混合模型研究综述 被引量:5
20
作者 郭佳霖 智敏 +1 位作者 殷雁君 葛湘巍 《计算机科学与探索》 北大核心 2025年第1期30-44,共15页
卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存... 卷积神经网络(CNN)与视觉Transformer是目前图像处理领域中两大重要的深度学习模型,两者经过多年来不断的研究与进步,已在该领域取得了非凡的成就。近些年来,CNN与视觉Transformer的混合模型正在逐步兴起,广泛的研究不断克服两种模型存在的弱项,高效地发挥出各自的亮点,在图像处理任务中表现出优异的效果。基于CNN与视觉Transformer混合模型进行深入阐述。总体概述了CNN与Vision Transformer模型的架构和优缺点,并总结混合模型的概念及优势。围绕串行结构融合方式、并行结构融合方式、层级交叉结构融合方式以及其他融合方式等四个方面全面回顾梳理了混合模型的研究现状和实际进展,并针对各种融合方式的主要代表模型进行总结与剖析,从多方面对典型混合模型进行评价对比。多角度叙述了混合模型在图像识别、图像分类、目标检测和图像分割等实际图像处理特定领域中应用研究,展现出混合模型在具体实践中的适用性和高效性。深入分析混合模型未来研究方向,并为后续该模型在图像处理中的研究与应用提出展望。 展开更多
关键词 卷积神经网络(cnn) 视觉Transformer 混合模型 图像处理 深度学习
在线阅读 下载PDF
上一页 1 2 116 下一页 到第
使用帮助 返回顶部