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8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：
融合Transformer和MSCNN双分支架构的工控网络入侵检测研究 被引量：10
1
作者 李井龙 刘胜全 +2 位作者 马宇航 陈洋洋 刘博 《东北师大学报（自然科学版）》 CAS 北大核心 2024年第3期70-78,共9页
针对现有的工控网络入侵检测方法中存在对工控流量的多空间特征和长距离时序特征的提取能力不足等问题,提出了一种融合Transformer和MSCNN双分支架构的工控网络入侵检测模型.该模型利用多尺度卷积(MSCNN)中多个不同大小卷积核,对工控流... 针对现有的工控网络入侵检测方法中存在对工控流量的多空间特征和长距离时序特征的提取能力不足等问题,提出了一种融合Transformer和MSCNN双分支架构的工控网络入侵检测模型.该模型利用多尺度卷积(MSCNN)中多个不同大小卷积核,对工控流量中多个空间特征进行抽取,扩大了对工控流量特征范围的学习.同时引入Transformer增强了模型对工控流量中长距离时序特征的提取能力,进一步提高了模型的性能.通过UNSW-NB15和NSL-KDD数据集进行了实验,结果表明:该模型与其他方法相比能够提取更加全面有效的特征,具有很好的检测性能和泛化能力. 展开更多
关键词 工控网络 入侵检测 空间特征 长距离时序特征 mscnn TRANSFORMER
在线阅读 下载PDF
基于MSCNN-LSTM的注意力机制U型管道缺陷识别模型 被引量：6
2
作者 朱雪峰 冯早 +1 位作者 马军 范玉刚 《振动与冲击》 EI CSCD 北大核心 2023年第22期293-302,共10页
对于承担缓震功能的特异U型管道,其结构复杂使管内和管壁缺陷具有时延性和多源多征兆等特点。针对U型管道缺陷难以有效识别的问题,提出一种基于多尺度卷积神经网络–长短期记忆(multi-scale convolution neural network-long short-term... 对于承担缓震功能的特异U型管道,其结构复杂使管内和管壁缺陷具有时延性和多源多征兆等特点。针对U型管道缺陷难以有效识别的问题,提出一种基于多尺度卷积神经网络–长短期记忆(multi-scale convolution neural network-long short-term memory,MSCNN-LSTM)的注意力机制U型管道缺陷识别方法。采用主动声学检测方法获取管道声学响应信号,将原始声学信号作为模型输入,训练多尺度卷积神经网络提取重要细粒度局部特征。然后,多尺度局部特征融合为一个特征向量输入至LSTM网络中抽取潜藏在时序规律的粗粒度上下文特征。下一步引入注意力机制,对提取的特征赋予不同的权重,使模型更关注于最具类别区分度的特征,滤除冗余特征,提高模型缺陷识别能力。最后,在输出端通过Softmax分类器实现U型管道缺陷识别。试验结果表明,与其他常用的分类方法相比,该方法拥有更快的收敛速度,可实现98.44%的缺陷识别准确率。此外,采用Grad-CAM类激活可视化方法对所提模型的特征学习和缺陷分类机理实现了过程分析和展示。 展开更多
关键词 U型管道 缺陷识别 多尺度卷积神经网络(mscnn) 长短期记忆(LSTM) 注意力机制
在线阅读 下载PDF
基于BFD和MSCNN的风电滚动轴承智能故障诊断 被引量：7
3
作者 邓敏强 邓艾东 +2 位作者 朱静 史曜炜 马天霆 《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第3期521-528,共8页
针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(BMF);然后,通过希尔伯特阶次变换(HOT)计算... 针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(BMF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的有效分量.最后,通过MSCNN学习有效分量的包络阶次谱与故障类别之间的映射关系以实现滚动轴承健康状态的自动识别.实验结果表明,所提方法采用BFD分解结果的包络阶次谱作为故障识别的特征量,能有效提高模型在不同工况下的泛化能力,其测试准确率达到97%以上,可应用于变工况条件下风电滚动轴承的智能故障诊断. 展开更多
关键词 风电 滚动轴承 故障诊断 带宽傅里叶分解 多尺度卷积神经网络
在线阅读 下载PDF
基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究 被引量：13
4
作者 安文杰 陈长征 +2 位作者 田淼 金毓林 孙鲜明 《机电工程》 CAS 北大核心 2022年第8期1096-1103,共8页
风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(M... 风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU)。首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入self-attention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中。研究结果表明:变工况背景下轴承故障识别准确率为92.7%,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13%;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了“端到端”的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值。 展开更多
关键词 机械运行与维修 多尺度卷积神经网络 自注意力机制 双向门控循环单元 特征向量 故障分类
在线阅读 下载PDF
基于Transformer交叉集成特征的实体关系抽取 被引量：1
5
作者 陈金玉 王名扬 刘旭 《东北师大学报(自然科学版)》 北大核心 2025年第1期74-81,共8页
提出基于Transformer交叉集成特征的实体关系抽取模型ERonTCI,通过对不同层次特征信息的交叉集成来提升实体关系抽取的精度.ERonTCI模型将BERT预训练模型作为嵌入层,将BiGRU网络和MSCNN网络作为主干结构,分别提取文本中的全局特征和局... 提出基于Transformer交叉集成特征的实体关系抽取模型ERonTCI,通过对不同层次特征信息的交叉集成来提升实体关系抽取的精度.ERonTCI模型将BERT预训练模型作为嵌入层,将BiGRU网络和MSCNN网络作为主干结构,分别提取文本中的全局特征和局部特征;使用Transformer实现对全局和局部特征的集成,以避免信息损失,提升模型对文本特征信息的保留度;将集成后的特征信息输入线性层完成实体关系的抽取工作.在公开数据集上进行实验,结果表明,ERonTCI模型取得了比基线模型更好的实体关系抽取效果. 展开更多
关键词 实体关系抽取 TRANSFORMER BiGRU mscnn
在线阅读 下载PDF
基于注意力的多尺度残差卷积网络轴承故障诊断
6
作者 李强 马超 黄民 《电子测量技术》 北大核心 2025年第9期19-26,共8页
针对轴承故障信号中存在复杂特征的特点,提出了一种结合注意力机制与多尺度残差卷积网络轴承故障判定方法。该模型结合了卷积神经网络(CNN)的强大特征提取能力和注意力机制的自适应加权能力,能够有效地处理轴承故障信号中的复杂特征。... 针对轴承故障信号中存在复杂特征的特点,提出了一种结合注意力机制与多尺度残差卷积网络轴承故障判定方法。该模型结合了卷积神经网络(CNN)的强大特征提取能力和注意力机制的自适应加权能力,能够有效地处理轴承故障信号中的复杂特征。模型采用了多尺度卷积层,通过不同大小的卷积核捕获信号的多尺度特征,有助于识别不同类型和严重程度的故障。同时,引入残差结构,通过高维与低维特征的协同决策机制,有效整合多层卷积提取的特征,增强了模型对关键信息的感知能力,并降低了深度网络训练中的梯度消失和特征冗余问题,从而保证了模型的稳定性和准确性。注意力机制(如SEBlock和ECABlock)的融合,使模型能够自适应地关注更加重要的特征通道,进一步提升了诊断性能。实验结果表明,该模型在强噪声下能实现高精度的诊断,展示了其在智能维护和故障预警系统中的应用潜力。 展开更多
关键词 轴承故障诊断 ResNet-mscnn 注意力机制 深度学习
在线阅读 下载PDF
基于多尺度卷积神经网络的手机表面缺陷识别方法 被引量：4
7
作者 韩红桂 甄晓玲 +1 位作者 李方昱 杜永萍 《北京工业大学学报》 CAS CSCD 北大核心 2023年第11期1150-1158,共9页
针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于S... 针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于Sobel算子的邻域特征增强方法,排除了图像中光照、阴影等无关因素的干扰;其次,设计了一种基于MSCNN的缺陷识别方法,通过获得手机表面图像的多尺度信息,提高了手机表面缺陷的识别精度,同时,引入了LLF,通过降低梯度消失发生的概率加快训练的检测速度。实验结果表明:与其他手机表面缺陷识别方法相比,SL-MSCNN在准确率和效率方面具有更好的使用价值。 展开更多
关键词 手机表面缺陷 邻域特征增强 识别方法 识别精度 SOBEL算子 多尺度卷积神经网络(multi-scale convolutional neural networks mscnn) 逻辑损失函数(logistic loss function LLF)
在线阅读 下载PDF
采用多通道浅层CNN构建的多降噪器最优组合模型 被引量：1
8
作者 徐少平 林珍玉 +2 位作者 陈孝国 李芬 杨晓辉 《自动化学报》 EI CAS CSCD 北大核心 2022年第11期2797-2811,共15页
现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基... 现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers,OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像. 展开更多
关键词 多降噪器最优组合 一致性神经网络 多通道浅层卷积神经网络 降噪效果提升 执行效率
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