期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到9篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于GASF与MSCAM-DenseNet的小样本齿轮故障诊断方法
1
作者 史丽晨 张鹏 +1 位作者 王海涛 周星宇 《计算机集成制造系统》 北大核心 2025年第8期3033-3045,共13页
针对小样本条件下所得样本不足,特征未能有效提取导致诊断精度下降的问题,提出一种GASF与MSCAM-DenseNet相结合的小样本齿轮故障诊断方法。首先,运用格拉姆角和域(GASF)将多源振动信号变换为二维特征,采用二维离散小波变换(2D-DWT)重构... 针对小样本条件下所得样本不足,特征未能有效提取导致诊断精度下降的问题,提出一种GASF与MSCAM-DenseNet相结合的小样本齿轮故障诊断方法。首先,运用格拉姆角和域(GASF)将多源振动信号变换为二维特征,采用二维离散小波变换(2D-DWT)重构多源特征。其次,由于一般的密集连接卷积网络(DenseNet)不具备识别多尺度特征的能力,因而在DenseNet中引入多尺度通道注意力机制(MSCAM),提出一种改进网络模型,即MSCAM-DenseNet。最后,以重构后的GASF作为MSCAM-DenseNet的输入,待特征识别完成后,由网络分类器完成故障特征分类。采用实验室行星齿轮数据集和东南大学齿轮箱数据集对所提模型验证,并与其他诊断模型进行对比。实验结果证明,所提方法在小样本、变工况条件下具有较高的故障识别准确率,较强的泛化能力和抗噪能力。 展开更多
关键词 齿轮 小样本故障诊断 格拉姆角和域 二维离散小波变换 多尺度通道注意力机制
在线阅读 下载PDF
基于GASF多通道图像时序融合的高速列车横向减振器故障诊断
2
作者 李刚 秦永峰 齐金平 《振动与冲击》 北大核心 2025年第15期144-152,191,共10页
由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适... 由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适应性,提出了一种基于一维(1D)时序信号和二维(2D)格拉姆角和场(Gramian angular summation field,GASF)特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制(1D-2D-CNN-GRU-MSA)的故障诊断方法。首先,将一维的时序信号编码为二维的GASF图,再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中,其中:一路为图像输入经卷积神经网络(convolutional neural networks,CNN)提取GASF图像的特征;另一路将一维的故障波形直接输入经门控循环网络单元(gated recurrent unit,GRU)提取时序特征,通过多头自注意力机制(multi-head self-attention,MSA)将二维图像特征和一维时序特征进行特征重点强化并降维融合,最后通过Softmax层对高速列车横向减振器故障进行分类。仿真试验证明,不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。 展开更多
关键词 高速列车 格拉姆角和场(gasf) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU)
在线阅读 下载PDF
基于GASF-BMKELM的滚动轴承故障诊断方法
3
作者 杨锡发 王林军 +3 位作者 邹腾枭 吴振雄 李响 陈保家 《三峡大学学报(自然科学版)》 北大核心 2025年第4期96-103,共8页
针对传统故障诊断方法难以充分提取故障信息以及神经网络依赖初始参数选择的问题,提出一种基于格拉姆角和场(Gramian angular summation field,GASF)与贝叶斯优化多核极限学习机(Bayesian optimization multi-kernel extreme learning m... 针对传统故障诊断方法难以充分提取故障信息以及神经网络依赖初始参数选择的问题,提出一种基于格拉姆角和场(Gramian angular summation field,GASF)与贝叶斯优化多核极限学习机(Bayesian optimization multi-kernel extreme learning machine,BMKELM)的故障诊断方法.首先,应用小波包节点对数能量与格拉姆角和场(GASF)将原始振动信号变换为小波包对数能量图特征;其次,使用多项式核函数与径向基核函数加权组合构建多核极限学习机(multi-kernel extreme learning machine,MKELM),同时,利用贝叶斯优化算法优化多核极限学习机的参数来提升诊断模型的故障识别能力;最后,以小波包对数能量图特征作为输入,再使用BMKELM模型完成故障特征识别与分类.通过两个数据集进行验证分析,实验结果表明,所提方法的准确率分别为99.39%和98.89%,具有较高的故障识别率和稳定性. 展开更多
关键词 滚动轴承 格拉姆角和场 小波包对数能量图 多核极限学习机 贝叶斯优化算法 故障诊断
在线阅读 下载PDF
基于GASF变换和深度学习的柑橘内部品质分析
4
作者 陈浩宇 苗玉彬 《中国农机化学报》 北大核心 2025年第4期133-138,162,共7页
针对现有柑橘内部品质无损检测模型存在的光谱信息丢失、检测精度不高等问题,提出一种基于格拉姆角和场(GASF)变换和深度学习的内部品质无损定性分析方法。通过GASF变换将采集柑橘的可见—近红外慢透射一维光谱数据转换为二维图像,将移... 针对现有柑橘内部品质无损检测模型存在的光谱信息丢失、检测精度不高等问题,提出一种基于格拉姆角和场(GASF)变换和深度学习的内部品质无损定性分析方法。通过GASF变换将采集柑橘的可见—近红外慢透射一维光谱数据转换为二维图像,将移动平均平滑(MA)、标准正态变换(SNV)等预处理方法作为数据增强方法实现数据扩充。设计二维卷积神经网络(2D—CNN)模型并加入卷积注意力机制模块(CBAM)以提高模型对GASF图像的特征提取能力。结果表明,与传统机器学习模型支持向量机(SVM)、随机森林(RF)相比,神经网络模型对光谱信息提取能力更强,预测准确率更高。SVM和RF预测准确率分别为84.85%和81.82%,2D—CNN预测准确率为87.88%,加入CBAM后预测准确率提高至93.94%。GASF变换可将神经网络在图像处理中的优势引入可见—近红外光谱分析中,为水果内部品质无损检测提供新思路和理论参考。 展开更多
关键词 柑橘 格拉姆角和场 深度学习 可见—近红外光谱 卷积注意力机制
在线阅读 下载PDF
基于ECA-VGG16和迁移学习的砂轮磨损状态识别研究
5
作者 周思康 张明柱 +3 位作者 王宁宁 王一帆 史帅涛 邱明 《机床与液压》 北大核心 2025年第19期103-109,共7页
针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域... 针对轴承套圈磨削过程中砂轮磨损状态识别精度低的问题,提出一种基于ECA-VGG16和迁移学习的砂轮磨损状态识别方法。采集3种工况下砂轮全寿命周期磨削过程中的声发射信号,并使用格拉姆角和场(GASF)将声发射信号转换为二维图像,构建源域数据集和目标域数据集。分析不同砂轮进给速度下3种砂轮磨损迁移学习任务,并对所提方法进行验证。结果表明:所提模型在3种多源域数据集中的平均识别准确率达到97.61%,比单源域迁移识别准确率94.04%提高了3.80%,表明通过构建多源域数据集进行迁移学习,可以有效提高砂轮磨损状态的识别准确率;与残差神经网络ResNet、对抗神经网络GAN和域自适应网络DAN相比,所提方法在多源域迁移(A/B→C、A/C→B、B/C→A)中的识别准确率分别为97.00%、97.50%、98.32%,均比上述3种算法得到的识别结果优异。研究结果为当前轴承套圈砂轮磨损状态监测工程应用提供了参考。 展开更多
关键词 砂轮磨损状态识别 迁移学习 ECA-VGG16 格拉姆角和场(gasf) 声发射信号
在线阅读 下载PDF
基于格拉姆角和场和改进DenseNet的配电网故障选线方法
6
作者 方豪 魏业文 +1 位作者 张子洵 张轲钦 《电力系统及其自动化学报》 北大核心 2025年第9期109-118,共10页
配电网小电流接地系统发生单相接地故障时,故障特征微弱。针对现有故障选线方法准确率不高、泛化能力差的问题,提出一种基于格拉姆角和场和改进密集型卷积神经网络的故障选线方法。首先,利用格拉姆角和场将线路一维零序电流信号转换为... 配电网小电流接地系统发生单相接地故障时,故障特征微弱。针对现有故障选线方法准确率不高、泛化能力差的问题,提出一种基于格拉姆角和场和改进密集型卷积神经网络的故障选线方法。首先,利用格拉姆角和场将线路一维零序电流信号转换为二维图像;然后,用融合SENet注意力机制的密集型卷积神经网络提取图像中的故障特征信息,用随机森林算法判别故障线路;最后,采用随机搜索算法优化模型参数,得到最优故障选线融合模型。仿真结果表明,相比于其他故障选线方法,所提方法在选线准确率、抗噪性能、泛化能力等方面表现优秀,为小电流接地系统故障选线提供了一种新思路。 展开更多
关键词 小电流接地系统 故障选线 密集型卷积神经网络 格拉姆角和场 SENet注意力机制 随机森林
在线阅读 下载PDF
基于GAF和混合模型的运动想象分类研究
7
作者 吕仁杰 常文文 +3 位作者 闫光辉 聂文超 郑磊 郭斌 《电子科技大学学报》 EI CAS CSCD 北大核心 2024年第6期952-960,共9页
针对运动想象脑−机接口的分类识别问题,提出了一种结合格拉姆角场理论、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的新模型。首先,分别使用格拉姆角场中的格拉姆角和场与格拉姆... 针对运动想象脑−机接口的分类识别问题,提出了一种结合格拉姆角场理论、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的新模型。首先,分别使用格拉姆角场中的格拉姆角和场与格拉姆角差场算法将一维运动想象脑电信号表示为二维图像;然后,设计针对性的浅层CNN和LSTM相结合的模型来识别该图像特征,从而完成运动想象分类。在BCI Competition IV 2a公开数据集上就运动想象任务进行了四分类验证。实验结果表明,在单被试和多被试的情况下,GASF-CNN-LSTM模型和GADF-CNN-LSTM模型相比其他模型性能提升显著,准确率均达87.66%以上,最高准确率可达99.09%。且针对运动功能障碍患者数据也能表现出良好的性能。对运动想象脑电信号的时间依赖性和对应特征的图像生成表征方法进行了探讨,为运动想象脑电信号特征挖掘提供了新思路。 展开更多
关键词 脑−机接口 运动想象 格拉姆角和场 格拉姆角差场 卷积神经网络
在线阅读 下载PDF
基于图转换和混合卷积神经网络的窃电检测方法 被引量：10
8
作者 周赣 华济民 +2 位作者 李铭钧 付佳佳 黄莉 《电力系统自动化》 EI CSCD 北大核心 2022年第19期78-86,共9页
传统的窃电检测方法大多基于一维用电序列数据构建模型,同时单一的分类模型往往限制了电力用户行为规律的深层挖掘。为进一步提高窃电行为的检出率,提出一种基于图转换和混合卷积神经网络的窃电检测方法。首先,为了更好地捕捉用户窃电... 传统的窃电检测方法大多基于一维用电序列数据构建模型,同时单一的分类模型往往限制了电力用户行为规律的深层挖掘。为进一步提高窃电行为的检出率,提出一种基于图转换和混合卷积神经网络的窃电检测方法。首先,为了更好地捕捉用户窃电前后的用电周期性特征差异,引入基于格拉姆角和场的图转换方法,实现用电数据的二维化。然后,针对不同维度的输入形式,利用混合卷积神经网络同步提取原始一维序列数据的全局特征以及二维图像数据保留的时序相关性特征。实际算例结果表明,所提模型的受试者工作特性曲线下面积、查全率以及F1分数3项指标相比于随机森林、宽而深卷积神经网络等模型取得了有效的提升。 展开更多
关键词 窃电检测 用电 格拉姆角和场 混合输入 卷积神经网络
在线阅读 下载PDF
基于组合赋权与模型自优化的能力评价
9
作者 张睿 白晓露 +3 位作者 赵娜 李吉 潘理虎 陈立潮 《计算机工程与设计》 北大核心 2022年第8期2342-2351,共10页
综合考虑评价流程中的综合性、自适应性、可靠性等因素,提出基于组合赋权与模型自优化的能力评价方法,以多级评价指标组合赋权结合改进模糊算法构建评价数据集;利用格拉姆角和场空间域转换优化序列样本信息丰富度,将粒子群优化算法、迁... 综合考虑评价流程中的综合性、自适应性、可靠性等因素,提出基于组合赋权与模型自优化的能力评价方法,以多级评价指标组合赋权结合改进模糊算法构建评价数据集;利用格拉姆角和场空间域转换优化序列样本信息丰富度,将粒子群优化算法、迁移学习与神经网络模型有效结合,通过模型中10个参数自适应全局寻优,构建出适用于小样本、具备自学习能力的P-TMVGG评价模型。通过实例验证了所提方法的有效性,为相关领域构建综合评价、预测、诊断体系及方法设计提供新的思路。 展开更多
关键词 组合赋权 格拉姆角和场 粒子群优化算法 自适应 迁移学习 综合评价
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部