检索结果-维普期刊中文期刊服务平台

改进黑翅鸢算法的1D-2D-GAF-PCNN-GRU-MSA弓网电弧检测应用: 1; 作者李斌舒嘉辉 +1 位作者严灵潇田浩《电子测量与仪器学报》 CSCD 北大核心 2024年第10期201-211,共11页; 针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PC... 展开更多; 关键词高速气流场改进黑翅鸢算法特征融合格拉姆角场故障检测; 在线阅读下载PDF 职称材料

一种GAF-CNN行星齿轮箱故障诊断方法被引量：27: 2; 作者庞新宇仝钰魏子涵《北京理工大学学报》 EI CAS CSCD 北大核心 2020年第11期1161-1167,共7页; 为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后... 展开更多; 关键词行星齿轮箱故障诊断图像编码格拉姆角场卷积神经网络; 在线阅读下载PDF 职称材料

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法被引量：2: 3; 作者刘蔚黄永明 +2 位作者卢永刘高川章国宝《地震学报》 CSCD 北大核心 2024年第1期69-80,共12页; 以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行... 展开更多; 关键词地震分类格拉姆角场(gaf) 深度学习多尺度残差网络; 在线阅读下载PDF 职称材料

基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断: 4; 作者王翰伟许昕 +1 位作者潘宏侠荀小伟《电子测量技术》北大核心 2024年第21期100-110,共11页; 针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制... 展开更多; 关键词弧齿锥齿轮格拉姆角场鲸鱼优化算法注意力机制残差网络; 在线阅读下载PDF 职称材料

基于ResNeXt网络和迁移学习的非侵入式负荷监测被引量：11: 5; 作者鲍光海黄逸欣《电力系统自动化》 EI CSCD 北大核心 2023年第13期110-120,共11页; 为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和... 展开更多; 关键词非侵入式负荷监测图像编码格拉姆角场算法迁移学习残差神经网络; 在线阅读下载PDF 职称材料

基于长-短时序特征融合的资源负载预测模型被引量：9: 6; 作者王艺霏于雷 +2 位作者滕飞宋佳玉袁玥《计算机应用》 CSCD 北大核心 2022年第5期1508-1515,共8页; 高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源... 展开更多; 关键词资源负载预测卷积神经网络长短期记忆网络格拉姆角场双通道时间序列预测; 在线阅读下载PDF 职称材料

题名改进黑翅鸢算法的1D-2D-GAF-PCNN-GRU-MSA弓网电弧检测应用: 1; 作者李斌舒嘉辉严灵潇田浩; 机构辽宁工程技术大学电气与控制工程学院; 出处《电子测量与仪器学报》 CSCD 北大核心 2024年第10期201-211,共11页; 基金国家自然科学基金(51674136) 2024年辽宁省教育厅基本科研项目(LJ232410147055)资助。; 文摘针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PCNN-GRU-MSA故障检测模型。应用格拉姆角场(GAF)将一维接触电压信号时序图象化转换为二维图像并通过双通道卷积神经网络(PCNN)进行特征识别。另将一维时序信号通过门控循环单元(GRU)捕捉时序信号特征。将一维时序信号特征与二维图像特征进行特征融合,弥补各自局限性。针对模型中的难以确定的学习率、门控循环单元网络层神经元个数等参数,融入改进黑翅鸢算法(IBKA)对参数寻优使模型更加合理。最后,融合多头自注意力机制提高模型准确率。将提出的模型与其他3种模型分别对3组不同实验条件的弓网电弧模型进行检测,验证提出的模型具有较强的鲁棒性和较高的准确性。; 关键词高速气流场改进黑翅鸢算法特征融合格拉姆角场故障检测; Keywords high-velocity airflow field improved black-winged kite algorithm feature fusion gram-angle field fault diagnosis; 分类号 TM501.2 [电气工程—电器] TN06 [电子电信—物理电子学]; 在线阅读下载PDF 职称材料

题名一种GAF-CNN行星齿轮箱故障诊断方法被引量：27: 2; 作者庞新宇仝钰魏子涵; 机构太原理工大学机械与运载工程学院煤矿综采装备山西省重点实验室; 出处《北京理工大学学报》 EI CAS CSCD 北大核心 2020年第11期1161-1167,共7页; 基金国家青年科学基金资助项目(51805352) 山西省自然科学基金资助项目(201901D111062)。; 文摘为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.; 关键词行星齿轮箱故障诊断图像编码格拉姆角场卷积神经网络; Keywords planetary gearbox fault diagnosis image encoding gram angle field(gaf) convolutional neural network(CNN); 分类号 TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于格拉姆角场和多尺度残差神经网络的地震事件分类方法被引量：2: 3; 作者刘蔚黄永明卢永刘高川章国宝; 机构东南大学自动化学院江苏省地震局中国地震台网中心; 出处《地震学报》 CSCD 北大核心 2024年第1期69-80,共12页; 基金江苏省重点研发项目(BE2022154,BE2020116)资助。; 文摘以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。; 关键词地震分类格拉姆角场(gaf) 深度学习多尺度残差网络; Keywords seismic events classification gram’s angle field(gaf) deep learning multi-scale residual network; 分类号 P315.63 [天文地球—地震学]; 在线阅读下载PDF 职称材料

题名基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断: 4; 作者王翰伟许昕潘宏侠荀小伟; 机构中北大学机械工程学院中北大学系统辨识与诊断技术研究所; 出处《电子测量技术》北大核心 2024年第21期100-110,共11页; 基金内燃机可靠性国家重点实验室基金(skler-201911)项目资助。; 文摘针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制残差网络的智能故障诊断方法。首先,对采集到的一维振动信号进行重叠采样以获得足够的信号样本,然后通过格拉姆角差场编码技术将一维数据转换为二维图像数据,构建不同故障下的二维图像数据集,并通过人为添加噪声的方式以扩大样本数量并验证噪声对诊断方法的影响;然后,在传统ResNet网络中加入CBAM注意力机制模块以增强有用特征、抑制无关特征,从而提升模型的表示能力,将图像数据集输入到混合鲸鱼粒子群优化算法优化的CBAM-ResNet模型中进行训练;最后,使用训练好的CBAM-ResNet模型对弧齿锥齿轮箱故障数据集进行分类,输出诊断结果。实验结果表明,该方法在不进行人为降噪的情况下确识别弧齿锥齿轮箱故障准确率达到100%,且在复杂噪声背景下依然可以达到95.38%,相较其他方法具有更高的准确率、更快的网络收敛速度和更好的鲁棒性。; 关键词弧齿锥齿轮格拉姆角场鲸鱼优化算法注意力机制残差网络; Keywords spiral bevel gears gram angle field whale optimization algorithm attention mechanism residual network; 分类号 TN06 [电子电信—物理电子学]; 在线阅读下载PDF 职称材料

题名基于ResNeXt网络和迁移学习的非侵入式负荷监测被引量：11: 5; 作者鲍光海黄逸欣; 机构福州大学电气工程与自动化学院福建省新能源发电与电能变换重点实验室; 出处《电力系统自动化》 EI CSCD 北大核心 2023年第13期110-120,共11页; 基金福建省工业引导性资助项目(2021H0014)。; 文摘为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性。最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。; 关键词非侵入式负荷监测图像编码格拉姆角场算法迁移学习残差神经网络; Keywords non-intrusive load monitoring image encoding gram angle field(gaf)algorithm transfer learning residual neural network; 分类号 TM714 [电气工程—电力系统及自动化] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于长-短时序特征融合的资源负载预测模型被引量：9: 6; 作者王艺霏于雷滕飞宋佳玉袁玥; 机构西南交通大学信息科学与技术学院北京航空航天大学中法工程师学院北京航空航天大学杭州创新研究院(余杭); 出处《计算机应用》 CSCD 北大核心 2022年第5期1508-1515,共8页; 基金四川省科技项目(2019YJ0214) 北京市自然科学基金资助项目(4192030)。; 文摘高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场(GAF)将时间序列转变为图像格式数据,以便利用卷积神经网络(CNN)来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆(LSTM)网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差(MAE)为3.823,均方根误差(RMSE)为5.274,拟合度(R^(2))为0.8158,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。; 关键词资源负载预测卷积神经网络长短期记忆网络格拉姆角场双通道时间序列预测; Keywords resource load prediction Convolution Neural Network(CNN) Long Short-Term Memory(LSTM)network gram angle field(gaf) dual-channel time series prediction; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	改进黑翅鸢算法的1D-2D-GAF-PCNN-GRU-MSA弓网电弧检测应用	李斌舒嘉辉严灵潇田浩	《电子测量与仪器学报》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	一种GAF-CNN行星齿轮箱故障诊断方法	庞新宇仝钰魏子涵	《北京理工大学学报》 EI CAS CSCD 北大核心	2020	27	在线阅读下载PDF 职称材料
3	基于格拉姆角场和多尺度残差神经网络的地震事件分类方法	刘蔚黄永明卢永刘高川章国宝	《地震学报》 CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
4	基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断	王翰伟许昕潘宏侠荀小伟	《电子测量技术》北大核心	2024	0	在线阅读下载PDF 职称材料
5	基于ResNeXt网络和迁移学习的非侵入式负荷监测	鲍光海黄逸欣	《电力系统自动化》 EI CSCD 北大核心	2023	11	在线阅读下载PDF 职称材料
6	基于长-短时序特征融合的资源负载预测模型	王艺霏于雷滕飞宋佳玉袁玥	《计算机应用》 CSCD 北大核心	2022	9	在线阅读下载PDF 职称材料