基于改进EfficientNetB0模型的葡萄叶部病害识别方法 被引量：3

1

作者 胡施威 邓建新 +1 位作者 王浩宇 邱林 《现代电子技术》 北大核心 2024年第15期73-80,共8页

为了高效、准确地识别葡萄叶部病害,文中提出了LE-EfficientNet模型,在EfficientNetB0模型基础上,采用大核注意力(LKA)机制替换原模型部分MBConv模块中的压缩激励网络(SENet),接着利用跳跃连接在最后一层卷积层后面融入高效通道注意力机... 为了高效、准确地识别葡萄叶部病害,文中提出了LE-EfficientNet模型,在EfficientNetB0模型基础上,采用大核注意力(LKA)机制替换原模型部分MBConv模块中的压缩激励网络(SENet),接着利用跳跃连接在最后一层卷积层后面融入高效通道注意力机制(ECA),结合三种注意力机制让网络更高效地提取葡萄叶部病害的局部重要信息,并引用Adam优化器替换原模型的SGD优化器,提升了分类模型的泛化能力。在PlantVillage葡萄叶部病害数据集上训练,结果表明,LE-EfficientNet模型相比原模型准确率提升了1.58%,总体精度提升了1.62%,召回率提升了1.46%,F_(1)分数提升了1.53%,并且参数量仅有10.18 MB,比原模型参数量降低2.7 MB,与其他经典网络模型相比,性能评估指标均有不同程度的提升,该研究为葡萄叶部病害识别提供了新的参考与借鉴。 展开更多

关键词 葡萄叶部病害 卷积神经网络 图像分类 大核注意力机制 高效通道注意力机制 efficientNetB0

在线阅读 下载PDF 职称材料

基于ECA-TCN的数据中心磁盘故障预测 被引量：1

2

作者 张铭泉 王宝兴 《智能系统学报》 北大核心 2025年第2期389-399,共11页

随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-tem... 随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-temporal convolutional network,ECA-TCN)模型,通过结合传统卷积神经网络一维卷积的优势,融入扩张卷积和残差结构,并引入注意力机制,该模型能够提高磁盘故障预测的准确性和稳定性。在实验中,将ECA-TCN模型与其他经典深度学习方法进行了比较,实验结果表明,ECA-TCN模型在磁盘故障预测任务上具有较高的准确性和稳定性。 展开更多

关键词 磁盘故障预测 长短时记忆网络 循环神经网络 扩张卷积 高效通道注意力机制 神经网络模型 时间序列预测 深度学习优化

在线阅读 下载PDF 职称材料

基于不对称非局部高效信道注意时空网络面部表情识别

3

作者 闫静杰 孙雯静 +2 位作者 顾晓娜 周晓阳 魏金生 《南京邮电大学学报(自然科学版)》 北大核心 2025年第3期77-86,共10页

为了从信道域、时间域、空间域多维度进行表情特征提取和学习,提出了一种新的不对称非局部高效信道注意时空网络(Asymmetric Non‑local Efficient Channel Attention Spatial‑temporal Net‑work,ANECASN)并应用于面部表情识别。ANECASN... 为了从信道域、时间域、空间域多维度进行表情特征提取和学习,提出了一种新的不对称非局部高效信道注意时空网络(Asymmetric Non‑local Efficient Channel Attention Spatial‑temporal Net‑work,ANECASN)并应用于面部表情识别。ANECASN主要包含3个模块:第一个模块为轻量型的不对称非局部模块,用于捕获长序列依赖关系,并在该模块中使用金字塔汇集优化特征选择机制以获得较好的局部情感特征,改善深度卷积运算在长序列上计算效率低且情感识别率低的问题;第二个模块为高效信道注意模块,给有利于情感识别的通道以高权重,可在不降维的同时实现局部跨信道交互,降低模型复杂度并增强情感的非线性表达能力以实现性能提优;第三个模块为时空LSTM模块,可通过学习情感特征的空间相关性以及情感特征序列的时间相关性,促进时空之间的信息交互。选择Multimodal和RAMAS数据库进行实验,结果表明,ANECASN在Multimodal Data‑base上达到了61.54%的识别率,在RAMAS上达到了42.49%的识别率,相较于基线ResNet‑50提高了至少5%。 展开更多

关键词 人脸表情 不对称非局部高效信道注意时空网络 不对称非局部 高效注意信道 时空LSTM

在线阅读 下载PDF 职称材料

基于自适应ECA的串联故障电弧检测

4

作者 袁建华 黄淘 卢云 《燕山大学学报》 北大核心 2025年第2期137-145,共9页

在用户侧负载不断增加和复杂的情况下,串联故障电弧变得更加难以有效识别,威胁到了线路的安全和系统的运行。以往的检测方法多采用二维或三维模型,相比于一维模型通常需要更大的计算量,且较少关注特征通道间的信息。由此提出一种基于自... 在用户侧负载不断增加和复杂的情况下,串联故障电弧变得更加难以有效识别,威胁到了线路的安全和系统的运行。以往的检测方法多采用二维或三维模型,相比于一维模型通常需要更大的计算量,且较少关注特征通道间的信息。由此提出一种基于自适应高效通道注意力的串联故障电弧检测方法,自适应地提取电流信号中的有效特征。首先,使用高效通道注意力及残差结构对一维的卷积网络进行改进,构建出网络模型结构。然后,通过搭建的故障电弧实验平台,采集正常工况和故障电弧情况下的各类负载电流数据,建立相应的数据库。最后,利用构建的一维网络模型对数据样本进行训练和分类,使其能够有效地识别故障电弧。结果表明,该模型对故障电弧的平均识别准确率为98.68%,具有良好的识别效果。 展开更多

关键词 串联故障电弧 高效通道注意力 残差结构 卷积神经网络 电弧检测

在线阅读 下载PDF 职称材料

采用多尺度特征增强的路面病害检测模型 被引量：1

5

作者 胡鹏 夏晓华 +3 位作者 钟预全 段智威 姚运仕 成高立 《西安交通大学学报》 北大核心 2025年第2期156-169,共14页

针对现有网络多尺度特征提取能力不足造成路面病害因尺寸差异难以完全识别的问题,提出了一种多尺度特征增强的路面病害检测模型。构建基于混合空洞卷积的快速空间金字塔池化模块,通过堆叠不同膨胀系数的空洞卷积进一步扩大网络感受野,... 针对现有网络多尺度特征提取能力不足造成路面病害因尺寸差异难以完全识别的问题,提出了一种多尺度特征增强的路面病害检测模型。构建基于混合空洞卷积的快速空间金字塔池化模块,通过堆叠不同膨胀系数的空洞卷积进一步扩大网络感受野,以实现更大范围上下文信息的捕捉,并保留更多的空间信息;设计多路径特征融合网络,通过多分支和跳跃连接实现跨层级的特征捕捉,并减少特征融合过程中的信息丢失;采用K-means聚类算法结合交叉比获得合理的瞄点框;在损失函数中,设计一种面积惩罚项并设置下降梯度,提高预测框回归精度与效率;通过引入跨通道交互的高效注意力实现模型重要通道间的交互。实验结果表明:所提模型的检测精度比原模型YOLOv5s提高了4.0%;与Faster R-CNN、CenterNet等经典模型和YOLOv8s、YOLOv7n-tiny等先进模型相比,检测精度提高了1.0%~17.9%。模型经TensorRT加速引擎优化加速后,在NVIDIA Jetson TX2与NVIDIA Jetson Nano平台上的检测速率提高近1倍,同时不影响检测精度。 展开更多

关键词 路面病害检测 多尺度特征增强 混合空洞卷积 特征融合网络 高效通道注意力 嵌入式平台

在线阅读 下载PDF 职称材料

基于Res-DCGAN和改进AlexNet的稻谷病害识别方法

6

作者 余子怡 李正权 邢松 《传感器与微系统》 北大核心 2025年第6期38-42,共5页

针对稻谷病害之间差别细微、难以实现精确识别的问题,提出一种基于Res-DCGAN和改进AlexNet的稻谷病害识别方法。首先,针对数据集多样性不足的问题,使用基于残差优化的深度卷积生成对抗网络(Res-DCGAN)联合非生成式方法对数据集进行扩充... 针对稻谷病害之间差别细微、难以实现精确识别的问题,提出一种基于Res-DCGAN和改进AlexNet的稻谷病害识别方法。首先,针对数据集多样性不足的问题,使用基于残差优化的深度卷积生成对抗网络(Res-DCGAN)联合非生成式方法对数据集进行扩充;其次,设计基于高效通道注意力机制的多分支特征提取结构的AlexNet,使不同尺度特征相融合,同时聚焦图像关键信息,且引入批量归一化方法和全局平均池化层,防止过拟合,减少参数量;最后,引入联合损失函数,使模型同时专注于难分类的样本。本文采用的扩充数据集的方式相较于仅使用非生成式方式,精确率提高了2.2%,且改进后的模型准确率达99.05%。相较于传统的AlexNet,VGG16和Inception v3模型分别提高了3.67,2.84和1.97个百分点,其模型收敛更快,泛化能力更好。 展开更多

关键词 计算机视觉 卷积神经网络 高效通道注意力机制 生成对抗网络

在线阅读 下载PDF 职称材料

基于改进MobileNetV3的笼养蛋鸡声音分类识别方法

7

作者 衡一帆 盛哲雅 +3 位作者 严煜 谷月 周昊博 王树才 《农业机械学报》 北大核心 2025年第4期427-435,共9页

为实现笼养蛋鸡声音的准确分类,实现蛋鸡健康、情绪、生产状态等信息的智能化、非接触式检测,提出了一种基于改进MobileNetV3的笼养蛋鸡声音分类识别方法。以欣华二号蛋鸡为研究对象,采集蛋鸡在笼养条件下发出的热应激声、惊吓声、产蛋... 为实现笼养蛋鸡声音的准确分类,实现蛋鸡健康、情绪、生产状态等信息的智能化、非接触式检测,提出了一种基于改进MobileNetV3的笼养蛋鸡声音分类识别方法。以欣华二号蛋鸡为研究对象,采集蛋鸡在笼养条件下发出的热应激声、惊吓声、产蛋声以及鸣唱声,经过声音预处理将一维声音信号转化为三维梅尔频谱图,建立了包括8541幅梅尔频谱图的蛋鸡声音数据集。通过在MobileNetV3中引入高效通道注意力(Efficient channel attention,ECA)模块,提高了笼养蛋鸡声音分类准确率。试验结果表明,MobileNetV3-ECA模型准确率、召回率、精确率以及F1分数分别达到95.25%、95.16%、95.02%、95.08%,相比原始模型分别提高1.99、2.08、2.00、2.04个百分点。通过与分别引入坐标注意力(Coordinate attention,CA)、卷积块注意力模块(Convolutional block attention module,CBAM)的模型对比,引入ECA模块后模型准确率分别提高2.11、2.03个百分点,其他指标同样有更明显的提高。与ShuffleNetV2、DesNet121和EfficientNetV2模型相比,MobileNetV3-ECA准确率分别提高1.99、2.03、2.50个百分点。本文提出的基于MobileNetV3-ECA的蛋鸡声音分类识别方法,能够有效且准确地实现对包括热应激声在内的不同种类蛋鸡声音分类识别,为蛋鸡规模化养殖中的自动化、智能化声音检测提供了算法支持,为禽舍巡检机器人功能优化提供了参考,同时为规模化笼养蛋鸡热应激预警开辟了思路。 展开更多

关键词 笼养蛋鸡 声音分类 MobileNetV3 高效通道注意力 梅尔频谱图 卷积神经网络

在线阅读 下载PDF 职称材料

基于混合注意力生成对抗网络的遥感图像去雾方法

8

作者 马六 毛克彪 郭中华 《智慧农业(中英文)》 2025年第2期172-182,共11页

[目的/意义]近年来,深度学习在遥感图像去雾领域取得了显著进展,尤其是在引入注意力机制以提升特征学习方面。然而,传统的注意力机制大多依赖全局平均池化,导致模型对特定影响点的敏感性过高,难以有效应对遥感图像中的去雾问题。为了提... [目的/意义]近年来,深度学习在遥感图像去雾领域取得了显著进展,尤其是在引入注意力机制以提升特征学习方面。然而,传统的注意力机制大多依赖全局平均池化,导致模型对特定影响点的敏感性过高,难以有效应对遥感图像中的去雾问题。为了提高去雾技术的效果,满足农业、城市规划等领域对图像质量日益增长的需求,现有方法亟需改进。[方法]本研究提出了一种混合注意力生成对抗网络(Hybrid Attention-Based Generative Adversarial Network,HAB-GAN)。该模型通过结合高效通道注意力模块与空间注意力模块,嵌入生成对抗网络架构中,实现了对遥感图像去雾效果的显著提升。高效通道注意力模块通过降低全局特征聚合中的冗余信息,既保留了性能,又减少了模型复杂度;空间注意力模块则从局部到全局对遥感图像中的雾化区域进行识别和聚焦,增强了对这些区域的恢复能力。这种方法能够更加有效地应对遥感图像中复杂多变的景观,尤其适用于农业等需要高质量遥感数据的领域。[结果与讨论]在RESISC(Remote Sensing Image Scene Classification)45数据集上,与现有的其他注意力机制去雾模型,如SpA GAN和HyA-GAN进行比较,HAB-GAN模型去雾效果更优,其中峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)分别增加了2.64和1.14 dB,结构相似度(Structural Similarity Index,SSIM)分别增加了0.0122和0.0019。此外,消融实验验证了混合注意力机制的有效性,去除HAB模块后,HAB-GAN模型的PSNR下降了3.87 dB,SSIM下降了0.0334。[结论]提出的HAB-GAN模型显著提升了遥感图像的去雾效果,使生成的图像更加接近无雾图像,特别是对于复杂的农业、环境监测等场景具有重要应用价值。HAB模块在提升模型性能方面发挥了关键作用,为未来的遥感图像处理和相关领域提供了有力的技术支持。 展开更多

关键词 遥感图像 深度学习 生成对抗网络 高效通道注意力模块 空间注意力模块 去雾

在线阅读 下载PDF 职称材料

基于HPO优化ECA-CNN-BiLSTM的变压器运行状态分类与识别方法

9

作者 邹德旭 毛雅婷 +5 位作者 权浩 周涛 彭庆军 洪志湖 代维菊 王山 《南京信息工程大学学报》 北大核心 2025年第3期301-314,共14页

变压器运行状态分类与准确识别对于变压器稳定运行和电力系统安全供电至关重要,此类研究目前还存在对变压器负荷数据的关注使用较少、机理模型复杂度高以及油温等数据和过负荷状态并不明确对应等问题.因此,本文提出一种改进的混合模型,... 变压器运行状态分类与准确识别对于变压器稳定运行和电力系统安全供电至关重要,此类研究目前还存在对变压器负荷数据的关注使用较少、机理模型复杂度高以及油温等数据和过负荷状态并不明确对应等问题.因此,本文提出一种改进的混合模型,结合了猎人猎物优化(Hunter-Prey Optimization,HPO)算法和高效通道注意力(Efficient Channel Attention,ECA)模块,应用于卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆(Bidirectional Long Short-Term Memory,BiLSTM)神经网络,用于变压器运行状态分类和过负荷故障识别.选取某主变包含9种变压器负荷相关特征的数据作为样本,通过K-Means++聚类和变压器正常周期性负荷分析选定负荷状态类别,基于HPO优化混合模型参数,提高模型的性能和泛化能力.通过对变压器负荷数据进行预处理和特征提取,使用优化后的模型进行负荷阶段的准确识别.实验结果表明,所提出方法的识别准确率可达99.24%,在变压器运行状态的分类和识别上取得了良好的效果. 展开更多

关键词 电力变压器 状态分类识别 高效通道注意力 卷积神经网络 双向长短时记忆

在线阅读 下载PDF 职称材料

基于EAST与SVTR的芯片表面字符识别方法

10

作者 阮红进 刘强 +1 位作者 姚子锴 谢谦 《计算机工程与设计》 北大核心 2025年第1期166-173,共8页

为提高芯片表面字符识别的实时性和准确率,提出一种基于EAST与SVTR的字符识别算法。针对EAST文本检测算法,将主干特征提取网络替换为轻量化的深度神经网络FasterNet-T0,减少网络的计算量;添加通道注意力机制自适应学习不同通道的权重分... 为提高芯片表面字符识别的实时性和准确率,提出一种基于EAST与SVTR的字符识别算法。针对EAST文本检测算法,将主干特征提取网络替换为轻量化的深度神经网络FasterNet-T0,减少网络的计算量;添加通道注意力机制自适应学习不同通道的权重分配,加强对重要特征的筛选。改进获得文本区域得分的损失函数,采用Dice损失缓解因图像背景面积过大导致误检的问题。文本方向校正算法对图像中任意方向的文本进行水平校正。由单一视觉模型的文本识别算法SVTR完成对字符的识别。实验结果表明,改进后文本检测算法的精确率、召回率较原算法分别提升了2.43%和4.66%,单帧图片的检测速度提升了0.005 s;添加文本方向校正算法后,识别准确率提升了1.92%。与现有方法对比,验证了该算法的有效性。 展开更多

关键词 芯片表面字符识别 文本检测 文本方向校正 文本识别 轻量化深度神经网络 高效通道注意力机制 损失函数

在线阅读 下载PDF 职称材料

强噪声背景下基于CEEMDAN与BRECAN的船舶电机故障诊断

11

作者 朱仁杰 宋恩哲 +1 位作者 姚崇 柯赟 《中国舰船研究》 北大核心 2025年第2期20-29,共10页

[目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电... [目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电机故障信号分解为多个本征模态函数(IMF)分量,并基于去趋势波动分析(DFA)划分IMF中噪声和信息的主导信号,对于噪声主导信号使用经验小波变化(EWT)予以降噪;然后,构建BRECAN网络,基于变分贝叶斯理论,使用网络参数代替传统网络点估计的训练方式,使用参数建模,拟合噪声对模型训练的干扰,并通过残差高效通道注意力(RECA)模块引导网络提取故障差异特征;最后,通过电机故障模拟实验台,验证所提方法的有效性。[结果]结果表明,所提方法在强噪声下能够实现船舶电机故障的精确诊断,在信噪比为-12dB的条件下仍能保持90%以上的诊断精度。[结论]研究成果可为强噪声下船舶电机故障诊断提供参考。 展开更多

关键词 电动机 故障分析 故障诊断 人工智能 完全集合经验模态分解(CEEMDAN) 贝叶斯残差高效通道注意力网络(BRECAN)

在线阅读 下载PDF 职称材料

基于改进YOLOv8的煤矿输送带异物检测 被引量：4

12

作者 洪炎 汪磊 +2 位作者 苏静明 汪瀚涛 李木石 《工矿自动化》 CSCD 北大核心 2024年第6期61-69,共9页

现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8... 现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。 展开更多

关键词 输送带异物检测 YOLOv8 SE网络 高效通道注意力机制 轻量化 小目标检测 自适应平均池化 自适应最大池化

在线阅读 下载PDF 职称材料

基于特征组合的ECA-TCN光伏发电功率预测模型 被引量：1

13

作者 温廷新 郭晓赛 《太阳能学报》 CSCD 北大核心 2024年第12期94-100,共7页

为有效挖掘光伏发电功率数据中的有效时序信息,进一步提升光伏发电功率预测效果,提出一种基于多因素融合的高效通道注意力机制(ECA)-时间卷积网络(TCN)预测模型。首先,采用最大互信息系数(MIC)提取光伏发电功率相关特征;其次,使用多项... 为有效挖掘光伏发电功率数据中的有效时序信息,进一步提升光伏发电功率预测效果,提出一种基于多因素融合的高效通道注意力机制(ECA)-时间卷积网络(TCN)预测模型。首先,采用最大互信息系数(MIC)提取光伏发电功率相关特征;其次,使用多项式特征衍生方法融合各相关因素特征,衍生高维特征,进行特征组合;然后,将自适应选择一维卷积核大小的ECA模块与可有效捕捉光伏发电功率数据时序性信息的TCN相结合,搭建ECA-TCN预测模型;最后,采用多个模型进行对比实验。实验结果表明:该文提出的特征组合方法可高效的选择光伏发电功率数据特征,提升特征的表现能力。特征组合后的ECA-TCN预测模型的均方根误差(RMSE)为0.0828 kW,相较于LSTM、LSTM-TCN、ECA-LSTM,ECA-TCN的RMSE分别降低了0.29、0.23和0.13个百分点,并具有最优的拟合度(R2)90.74%。该模型可在保持高拟合度的同时有效提高光伏发电功率预测精度。 展开更多

关键词 光伏发电 预测 时间卷积网络 最大互信息系数 高效通道注意力

在线阅读 下载PDF 职称材料

基于时频域融合和ECA-1DCNN的航空串联故障电弧检测 被引量：1

14

作者 闫锋 苏忠允 《科学技术与工程》 北大核心 2024年第5期1937-1945,共9页

为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。... 为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。首先,搭建航空交流电弧故障实验平台,负载选择多类型、多参数值进行电流信号的采集;其次,为了保留更多的故障信息,分析其特征频段,经过大量数据验证,航空串联电弧在发生时,1 000~4 000 Hz分量具有一定的占比,因此将原始信号与特征频段进行融合,融合后的一维数据作为模型输入;最后,搭建ECA-1DCNN检测模型,进行训练,并通过K折交叉验证模型的有效性,得到测试集平均准确率为97.96%。该方法网络层数较少,计算快速,避免了复杂时频域计算过程,较为智能,对航空串联电弧检测装置的研究提供了理论参考。 展开更多

关键词 串联电弧 高效注意力机制 特征频段 一维卷积神经网络 K折交叉验证

在线阅读 下载PDF 职称材料

噪声干扰环境下的深度强化学习故障诊断方法

15

作者 刘小峰 徐全桂 +1 位作者 金燕 柏林 《电子测量与仪器学报》 CSCD 北大核心 2024年第12期145-154,共10页

针对深度强化学习在噪声干扰环境下故障诊断鲁棒性差问题,提出了一种噪声干扰环境自适应的强化学习故障诊断方法。该方法以高效通道注意力机制-深度残差收缩网络为Q网络基本模型,避免Q网络结构复杂导致的梯度消失现象。采用高效通道注... 针对深度强化学习在噪声干扰环境下故障诊断鲁棒性差问题,提出了一种噪声干扰环境自适应的强化学习故障诊断方法。该方法以高效通道注意力机制-深度残差收缩网络为Q网络基本模型,避免Q网络结构复杂导致的梯度消失现象。采用高效通道注意力机制对深度残差收缩网络中软化阈值进行自适应调整,并在残差收缩单元的卷积层引入了膨胀卷积,以获取噪声环境下的不同尺度的故障特征信息,同时采用指数线性单元SELU作为激活函数,进一步提升网络对噪声的鲁棒性。设计了基于信噪比的量化奖励函数,结合双重Q网络竞争学习机制与优先经验回放机制方法,进行智能体的自主学习,生成智能体的最优诊断策略,并运用于干扰环境下的设备故障状态识别。实例分析结果表明,采用所提方法对轴承与齿轮箱故障的识别准确率分别能到达98.13%和93.45%,且对不同强度噪声具有较好的鲁棒性与环境自适应性。 展开更多

关键词 故障诊断 深度残差网络 阈值软化 深度Q学习 竞争网络 经验优先回放

在线阅读 下载PDF 职称材料

基于MSIF-ECACNN的液压系统故障诊断

16

作者 李仲兴 陈丽丽 《机床与液压》 北大核心 2024年第23期199-206,共8页

针对液压信号复杂且难以准确识别的特点,提出一种基于多传感器信息融合的有效通道注意力卷积神经网络模型,分别对液压系统中的液压泵和蓄能器进行故障诊断。该模型采用并行网络结构,针对流量和压力传感器在数量、采样频率上的差异,以及... 针对液压信号复杂且难以准确识别的特点,提出一种基于多传感器信息融合的有效通道注意力卷积神经网络模型,分别对液压系统中的液压泵和蓄能器进行故障诊断。该模型采用并行网络结构,针对流量和压力传感器在数量、采样频率上的差异,以及流量和压力信号故障时表现出的不同特点,将多个压力和流量传感器信号分别输入卷积核大小不同的一维多通道卷积神经网络,并利用有效通道注意力调整特征通道权重,在全连接层进行特征融合,最终经Softmax层实现分类。结果表明:有效通道注意力能有效提高故障识别准确率,该方法与目前该领域先进的研究方法相比有更好的故障诊断性能;蓄能器故障诊断精度可达99.52%,液压泵故障诊断精度可达99.88%。同时,该方法解决了因非同源传感器数量和采样频率差异而带来的故障难以准确识别的问题。 展开更多

关键词 多传感器信息融合 卷积神经网络 有效通道注意力机制 液压系统 故障诊断

在线阅读 下载PDF 职称材料

基于DFT与ECA的滚动轴承故障诊断 被引量：3

17

作者 张顺 邓艾东 +1 位作者 徐硕 丁雪 《振动．测试与诊断》 EI CSCD 北大核心 2024年第4期754-760,830,共8页

针对滚动轴承故障诊断中传统卷积神经网络(convolutional neural networks,简称CNN)提取特征的感受野受限于卷积核大小的问题,提出了一种结合离散傅里叶变换(discrete Fourier transform,简称DFT)和高效通道注意力(efficient channel at... 针对滚动轴承故障诊断中传统卷积神经网络(convolutional neural networks,简称CNN)提取特征的感受野受限于卷积核大小的问题,提出了一种结合离散傅里叶变换(discrete Fourier transform,简称DFT)和高效通道注意力(efficient channel attention,简称ECA)的卷积神经网络模型(convolutional neural network combining discrete Fourier transform and efficient channel attention,简称DFT-ECANet)。首先,将原始振动信号通过DFT变换到频域,在频域上经卷积和离散傅里叶逆变换(inverse discrete Fourier transform,简称IDFT)转换到时域,使信号在时域上具有全局的感受野;其次,将该信号与经过卷积的数据在通道维度上进行拼接,通过ECA为各通道数据分配权重,并关注诊断性能高的特征;最后,通过多个卷积-池化层进一步提取模型深层特征,结合池化层和全连接层诊断轴承故障。实验结果表明:DFT-ECANet在原始振动数据集上具有较高的诊断精度和较好的泛化性能,通过T分布随机近邻嵌入(T-distributed stochastic neighbor embedding,简称T-SNE)可降维可视化模型的诊断过程;在强噪声干扰下仍能保持较高的精度,具备较强的鲁棒性和抗噪性能。 展开更多

关键词 滚动轴承 故障诊断 卷积神经网络 离散傅里叶变换 高效通道注意力

在线阅读 下载PDF 职称材料

基于多判别器辅助分类器生成对抗网络的故障诊断方法研究 被引量：2

18

作者 叶子汉 王中华 +2 位作者 姜潮 吕新 张哲 《工程设计学报》 CSCD 北大核心 2024年第2期137-150,159,共15页

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分... 在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。 展开更多

关键词 多判别器辅助分类器生成对抗网络 高效通道注意力机制 Lipschitz(利普希茨)约束 数据增强 故障诊断

在线阅读 下载PDF 职称材料

基于改进Res-UNet的昼夜地基云图分割网络 被引量：1

19

作者 王铂越 李英祥 钟剑丹 《计算机应用》 CSCD 北大核心 2024年第4期1310-1316,共7页

针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResN... 针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResNet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。 展开更多

关键词 地基云图 语义分割 深度学习 高效通道注意力网络 ResNet50 Res-UNet

在线阅读 下载PDF 职称材料

结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法

20

作者 杨俊杰 丁家辉 +2 位作者 杨柳 冯丽 杨超 《应用声学》 CSCD 北大核心 2024年第3期513-524,共12页

环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模... 环境声分类技术在家居安全监测、人机语声交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,该文提出一种基于多尺度通道注意力机制的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数(MGCC)挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出声频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%(iFLYTEK+Urbansound8k)的分类准确率。消融实验结果进一步表明:引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外,在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。 展开更多

关键词 环境声分类 梅尔Gammatone频率倒谱 多尺度核卷积 高效通道注意力 卷积神经网络

在线阅读 下载PDF 职称材料