检索结果-维普期刊中文期刊服务平台

一种自适应残差卷积自编码网络及其故障诊断应用: 1; 作者潘天成陈龙 +1 位作者蒲春雷陈志强《机电工程》北大核心 2025年第3期529-538,共10页; 针对传统卷积自编码器(CAE)会将不同故障产生的相似信号进行相同的非线性变换,导致故障诊断准确率下降的问题,提出了一种自适应残差卷积自编码网络(ARCAE),并将其应用于滚动轴承故障诊断中。首先,在残差模块的基础上,引入了自适应参数... 展开更多; 关键词滚动轴承自适应残差卷积自编码网络自适应参数化修正线性单元自适应残差模块无监督故障诊断特征提取; 在线阅读下载PDF 职称材料

基于SimAM注意力机制的轴承故障迁移诊断模型被引量：5: 2; 作者包从望朱广勇 +1 位作者邹旺郭灏《机电工程》 CAS 北大核心 2024年第5期862-869,893,共9页; 针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行... 展开更多; 关键词轴承故障诊断迁移学习无参数注意力机制自适应批量归一化参数化修正线性单元均方对数误差卷积神经网络; 在线阅读下载PDF 职称材料

基于改进YOLOv2模型的驾驶辅助系统实时行人检测被引量：8: 3; 作者白中浩李智强 +1 位作者蒋彬辉王鹏辉《汽车工程》 EI CSCD 北大核心 2019年第12期1416-1423,共8页; 为解决驾驶辅助系统(ADAS)对复杂背景行人和小尺寸行人检测精度较低的问题,基于深度神经网络模型YOLOv2建立了ADAS实时行人检测模型YOLOv2-P。首先在特征提取网络中采用参数化修正线性单元激活函数,以从训练数据中自适应地学习参数,并... 展开更多; 关键词行人检测驾驶辅助系统参数化修正线性单元交叉熵损失函数迭代自组织数据分析算法; 在线阅读下载PDF 职称材料

面向驾驶场景的多尺度特征融合目标检测方法被引量：4: 4; 作者黄仝宇胡斌杰 +1 位作者朱婷婷黄哲文《计算机工程与应用》 CSCD 北大核心 2021年第14期134-141,共8页; 针对驾驶场景中目标检测卷积神经网络模型检测精度较低的问题,提出一种基于改进RefineDet网络结构的多尺度特征融合目标检测方法。在RefineDet网络结构中嵌入LFIP(Light-weightFeaturizedImagePyramid,轻量级特征化的图像金字塔)网络,将... 展开更多; 关键词深度学习卷积神经网络目标检测 RefineDet算法感受野模块(RFB) 轻量级特征化的图像金字塔(LFIP) 参数化修正线性单元(prelu) 损失函数遮挡目标; 在线阅读下载PDF 职称材料

题名一种自适应残差卷积自编码网络及其故障诊断应用: 1; 作者潘天成陈龙蒲春雷陈志强; 机构中冶华天工程技术有限公司; 出处《机电工程》北大核心 2025年第3期529-538,共10页; 基金安徽省高校自然科学研究重点项目(2022AH050315)。; 文摘针对传统卷积自编码器(CAE)会将不同故障产生的相似信号进行相同的非线性变换,导致故障诊断准确率下降的问题,提出了一种自适应残差卷积自编码网络(ARCAE),并将其应用于滚动轴承故障诊断中。首先,在残差模块的基础上,引入了自适应参数化修正线性单元(APReLU),建立了自适应残差模块(ARM),ARM可以对相似的输入特征进行自适应非线性变换,避免了特征的错误识别;其次,在CAE中嵌入多级ARM,构建了ARCAE,增加了CAE的深度,提取了更具鉴别性的深层次特征,同时有效防止了网络加深而造成的性能退化;最后,基于ARCAE建立了针对一维信号的故障诊断新方法,将其应用于无监督滚动轴承故障诊断中,并通过两个不同类型的实验,对上述方法的有效性进行了验证。研究结果表明:在恒定转速工况下,ARCAE的诊断准确率最高,平均准确率达到了97.05%,且标准差仅为0.007,远低于其他几种传统CAE网络;在变转速工况下,ARCAE模型诊断准确率仍然是最高的,平均准确率达到了93.25%,由此说明ARCAE具有较高的特征提取能力和分类准确率;此外,变转速工况下,由于转速变化导致不同状态的振动信号特征差异变大,诊断难度加大,但与其他几种传统CAE网络相比,ARCAE诊断准确率下降最少,仅为5.37%,说明ARCAE具有更强的鲁棒性和稳定性。; 关键词滚动轴承自适应残差卷积自编码网络自适应参数化修正线性单元自适应残差模块无监督故障诊断特征提取; Keywords rolling bearing adaptively residual convolutional auto-encoder(ARCAE)network adaptive parametric rectifier linear unit(Aprelu) adaptive residual module(ARM) unsupervised fault diagnosis feature extraction; 分类号 TH133.3 [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SimAM注意力机制的轴承故障迁移诊断模型被引量：5: 2; 作者包从望朱广勇邹旺郭灏; 机构六盘水师范学院矿业与机械工程学院中国矿业大学机电工程学院; 出处《机电工程》 CAS 北大核心 2024年第5期862-869,893,共9页; 基金贵州省教育厅基金资助项目(黔教合KY字〔2020〕117) 六盘水市科技计划项目(52020-2022-PT-02,52020-2019-05-12) 六盘水师范学院基金资助项目(LPSSYylzy2205)。; 文摘针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明:基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。; 关键词轴承故障诊断迁移学习无参数注意力机制自适应批量归一化参数化修正线性单元均方对数误差卷积神经网络; Keywords bearing fault diagnosis transfer learning simple parameter-free attention module(SimAM) adaptive batch normalization(AdaBN) parametric rectified linear unit(prelu) mean squared logarithmic error(MSLE) convolutional neural network; 分类号 TH133.3 [机械工程—机械制造及自动化] TP277 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于改进YOLOv2模型的驾驶辅助系统实时行人检测被引量：8: 3; 作者白中浩李智强蒋彬辉王鹏辉; 机构湖南大学汽车车身先进设计制造国家重点实验室; 出处《汽车工程》 EI CSCD 北大核心 2019年第12期1416-1423,共8页; 基金国家自然科学基金(51621004,51475153) 福建省汽车电子与电驱动重点实验室开放基金(KF-X18001)资助; 文摘为解决驾驶辅助系统(ADAS)对复杂背景行人和小尺寸行人检测精度较低的问题,基于深度神经网络模型YOLOv2建立了ADAS实时行人检测模型YOLOv2-P。首先在特征提取网络中采用参数化修正线性单元激活函数,以从训练数据中自适应地学习参数,并在行人检测网络中采用多层特征图融合方法,将低层特征图信息与高层特征图信息进行融合;然后使用交叉熵损失函数替代YOLOv2模型中的sigmoid激活函数,并对宽度、高度损失函数进行归一化处理;最后采用迭代自组织数据分析算法对行人数据集中行人边界框尺寸进行聚类。试验结果表明:相比于YOLOv2,YOLOv2-P对复杂背景行人及小尺寸行人的检测精度有明显提升,能够满足ADAS行人检测准确性和实时性需要。; 关键词行人检测驾驶辅助系统参数化修正线性单元交叉熵损失函数迭代自组织数据分析算法; Keywords pedestrian detection advanced driver assistance system parametric rectified linear unit cross entropy loss function iterative self-organizing data analysis algorithm; 分类号 TP3 [自动化与计算机技术—计算机科学与技术]; 在线阅读下载PDF 职称材料

题名面向驾驶场景的多尺度特征融合目标检测方法被引量：4: 4; 作者黄仝宇胡斌杰朱婷婷黄哲文; 机构华南理工大学电子与信息学院广东白云学院大数据与计算机学院广州市生发科技服务有限公司技术部; 出处《计算机工程与应用》 CSCD 北大核心 2021年第14期134-141,共8页; 基金国家自然科学基金(61871193) 广东省自然科学基金重点项目(2018B030311049) 广东省重点科技领域研发计划(2019B090912001)。; 文摘针对驾驶场景中目标检测卷积神经网络模型检测精度较低的问题,提出一种基于改进RefineDet网络结构的多尺度特征融合目标检测方法。在RefineDet网络结构中嵌入LFIP(Light-weightFeaturizedImagePyramid,轻量级特征化的图像金字塔)网络,将LFIP网络生成的多尺度特征图与RefineDet中的ARM(AnchorRefinement Module,锚点框修正模块)输出的主特征图相融合,提升特征层中锚点框初步分类和回归的输出效果,为ODM(ObjectDetectionModule,目标检测模块)模块提供修正的锚点框以便于进一步回归和多类别预测;在RefineDet网络结构中的ODM之后嵌入多分支结构RFB(ReceptiveFieldBlock,感受野模块),在检测任务中获得不同尺度的感受野以改善主干网络中提取的特征。将模型中的激活函数替换为带有可学习参数的非线性激活函数PReLU(Parametric RectifiedLinearUnit,参数化修正线性单元),加快网络模型的收敛速度;将RefineDet的边界框回归损失函数替换为排斥力损失函数RepulsionLoss,使目标检测中的某预测框更靠近其对应的目标框,并使该预测框远离附近的目标框及预测框,可以提升遮挡情况下目标检测的精度;构建驾驶视觉下的目标检测数据集,共计48260张,其中38608张作为训练集,9652张作为测试集,并在主流的GPU硬件平台进行验证。该方法的mAP为85.59%,优于RefineDet及其他改进算法;FPS为41.7 frame/s,满足驾驶场景目标检测的应用要求。实验结果表明,该方法在检测速度略微下降的情况,能够较好地提升驾驶视觉下的目标检测的精确度,并能够一定程度上解决驾驶视觉下的遮挡目标检测和小目标检测的问题。; 关键词深度学习卷积神经网络目标检测 RefineDet算法感受野模块(RFB) 轻量级特征化的图像金字塔(LFIP) 参数化修正线性单元(prelu) 损失函数遮挡目标; Keywords deep learning convolutional neural network object detection RefineDet algorithm Receptive Field Block(RFB) Light-weight Featured Image Pyramid(LFIP) parametric rectified linear unit(prelu) loss function occlusion object; 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	一种自适应残差卷积自编码网络及其故障诊断应用	潘天成陈龙蒲春雷陈志强	《机电工程》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于SimAM注意力机制的轴承故障迁移诊断模型	包从望朱广勇邹旺郭灏	《机电工程》 CAS 北大核心	2024	5	在线阅读下载PDF 职称材料
3	基于改进YOLOv2模型的驾驶辅助系统实时行人检测	白中浩李智强蒋彬辉王鹏辉	《汽车工程》 EI CSCD 北大核心	2019	8	在线阅读下载PDF 职称材料
4	面向驾驶场景的多尺度特征融合目标检测方法	黄仝宇胡斌杰朱婷婷黄哲文	《计算机工程与应用》 CSCD 北大核心	2021	4	在线阅读下载PDF 职称材料