期刊文献+
共找到10篇文章
< 1 >
每页显示 20 50 100
Reconstruction of pile-up events using a one-dimensional convolutional autoencoder for the NEDA detector array
1
作者 J.M.Deltoro G.Jaworski +15 位作者 A.Goasduff V.González A.Gadea M.Palacz J.J.Valiente-Dobón J.Nyberg S.Casans A.E.Navarro-Antón E.Sanchis G.de Angelis A.Boujrad S.Coudert T.Dupasquier S.Ertürk O.Stezowski R.Wadsworth 《Nuclear Science and Techniques》 2025年第2期62-70,共9页
Pulse pile-up is a problem in nuclear spectroscopy and nuclear reaction studies that occurs when two pulses overlap and distort each other,degrading the quality of energy and timing information.Different methods have ... Pulse pile-up is a problem in nuclear spectroscopy and nuclear reaction studies that occurs when two pulses overlap and distort each other,degrading the quality of energy and timing information.Different methods have been used for pile-up rejection,both digital and analogue,but some pile-up events may contain pulses of interest and need to be reconstructed.The paper proposes a new method for reconstructing pile-up events acquired with a neutron detector array(NEDA)using an one-dimensional convolutional autoencoder(1D-CAE).The datasets for training and testing the 1D-CAE are created from data acquired from the NEDA.The new pile-up signal reconstruction method is evaluated from the point of view of how similar the reconstructed signals are to the original ones.Furthermore,it is analysed considering the result of the neutron-gamma discrimination based on charge comparison,comparing the result obtained from original and reconstructed signals. 展开更多
关键词 1D-cae Autoencoder cae convolutional neural network(CNN) Neutron detector Neutron-gamma discrimination(NGD) Machine learning Pulse shape discrimination Pile-up pulse
在线阅读 下载PDF
基于FCNN和ICAE的SAR图像目标识别方法 被引量:10
2
作者 喻玲娟 王亚东 +2 位作者 谢晓春 林赟 洪文 《雷达学报(中英文)》 CSCD 北大核心 2018年第5期622-631,共10页
近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得... 近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。 展开更多
关键词 合成孔径雷达 自动目标识别 全卷积神经网络 卷积自编码器 改进的卷积自编码器
在线阅读 下载PDF
CAEFi:基于卷积自编码器降维的信道状态信息指纹室内定位方法 被引量:4
3
作者 王旭东 刘帅 吴楠 《电子与信息学报》 EI CSCD 北大核心 2022年第8期2757-2766,共10页
针对提高Wi-Fi指纹室内定位技术性能,该文首先提出一种基于卷积神经网络(CNN)的信道状态信息(CSI)指纹室内定位方法。该方法在离线阶段联合CSI幅度差和相位差信息对CNN模型进行训练。在廊厅和实验室两种不同室内定位场景进行了定位实验... 针对提高Wi-Fi指纹室内定位技术性能,该文首先提出一种基于卷积神经网络(CNN)的信道状态信息(CSI)指纹室内定位方法。该方法在离线阶段联合CSI幅度差和相位差信息对CNN模型进行训练。在廊厅和实验室两种不同室内定位场景进行了定位实验,分别获得了25 cm和48 cm的平均定位误差;然后,在此基础上重点针对提高基于CNN的CSI室内定位时效性,引入卷积自编码器(CAE)实现CSI的降维处理,在保证原始定位方法精度的前提下,定位时间提高了40%,同时将内存消耗降低到原算法的1/15,实验结果验证了所提算法的有效性。 展开更多
关键词 室内指纹定位 信道状态信息 卷积神经网络 卷积自编码器
在线阅读 下载PDF
基于CAE和AGRU的滚动轴承退化趋势预测 被引量:3
4
作者 焦玲玲 陈捷 刘连华 《振动与冲击》 EI CSCD 北大核心 2023年第12期109-117,共9页
针对旋转机械中滚动轴承退化趋势预测存在健康指标构建依赖先验知识、预测精度低等问题,提出了基于卷积自编码器(convolutional auto-encodes,CAE)和融合注意力机制的门控循环单元(attention gated recurrent unit,AGRU)的滚动轴承退化... 针对旋转机械中滚动轴承退化趋势预测存在健康指标构建依赖先验知识、预测精度低等问题,提出了基于卷积自编码器(convolutional auto-encodes,CAE)和融合注意力机制的门控循环单元(attention gated recurrent unit,AGRU)的滚动轴承退化趋势预测方法。首先,该方法通过快速傅里叶变换(fast Fourier transform,FFT)将滚动轴承时域信号转换为频域信号,卷积自编码器从频域信号中自适应提取特征,编码特征通过评估选择构建健康指标(health indicators,HI),在此基础上,将健康指标输入融入注意力的门控循环单元网络(gate recurrent unit,GRU)模型,剪枝算法对模型参数进行优化,完成了滚动轴承性能退化趋势预测。结果表明,所提的方法能获得更准确的滚动轴承退化趋势预测。 展开更多
关键词 滚动轴承 退化趋势预测 卷积自编码器(cae) 门控循环单元(GRU) 注意力机制
在线阅读 下载PDF
基于性能衰退评估的轴承寿命状态识别方法研究 被引量:8
5
作者 董绍江 吴文亮 +4 位作者 贺坤 潘雪娇 蒙志强 汤宝平 赵兴新 《振动与冲击》 EI CSCD 北大核心 2021年第5期186-192,210,共8页
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能... 针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。 展开更多
关键词 寿命状态识别 性能衰退指标 卷积自编码器 MDS算法 改进卷积神经网络
在线阅读 下载PDF
基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断 被引量:6
6
作者 齐咏生 巩育瑞 +2 位作者 高胜利 刘利强 李永亭 《振动与冲击》 EI CSCD 北大核心 2023年第7期301-311,共11页
当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(c... 当前基于深度学习的旋转机械故障诊断技术,凭借其强大的逐层加工和内置特征变换功能受到广泛关注,然而传统用于故障诊断的深度网络需要大量标签数据,且诊断结果依赖于标签的数量和准确性。为此,提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图,细化故障特征表征;之后构建改进的卷积自编码器网络结构,并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合;之后在分类阶段,通过将中心损失(center loss)引入Softmax损失函数,构建联合损失函数,使故障特征实现类内距离更小,特征差异更大,进一步提高分类精度。最后,将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证,结果表明在少量标签样本情况下,均可实现有效的故障诊断,提升诊断准确率。 展开更多
关键词 滚动轴承 卷积自编码器 半监督 批量归一化(BN) 中心损失(CL)
在线阅读 下载PDF
基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测 被引量:3
7
作者 张典震 陈捷 +1 位作者 王华 杨启帆 《振动与冲击》 EI CSCD 北大核心 2021年第23期9-16,共8页
为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN)。该模型借鉴Dense-... 为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN)。该模型借鉴Dense-Net网络中的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders,CAE)与隐马尔可夫模型(hidden Markov model,HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory,LSTM)、门控循环单元网络(gated recurrent unit,GRU)等对比。结果表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务。 展开更多
关键词 回转支承 密集时间卷积网络(DTCN) 卷积自编码网络(cae) 退化趋势预测
在线阅读 下载PDF
Hformer:highly efficient vision transformer for low-dose CT denoising 被引量:1
8
作者 Shi-Yu Zhang Zhao-Xuan Wang +5 位作者 Hai-Bo Yang Yi-Lun Chen Yang Li Quan Pan Hong-Kai Wang Cheng-Xin Zhao 《Nuclear Science and Techniques》 SCIE EI CAS CSCD 2023年第4期161-174,共14页
In this paper,we propose Hformer,a novel supervised learning model for low-dose computer tomography(LDCT)denoising.Hformer combines the strengths of convolutional neural networks for local feature extraction and trans... In this paper,we propose Hformer,a novel supervised learning model for low-dose computer tomography(LDCT)denoising.Hformer combines the strengths of convolutional neural networks for local feature extraction and transformer models for global feature capture.The performance of Hformer was verified and evaluated based on the AAPM-Mayo Clinic LDCT Grand Challenge Dataset.Compared with the former representative state-of-the-art(SOTA)model designs under different architectures,Hformer achieved optimal metrics without requiring a large number of learning parameters,with metrics of33.4405 PSNR,8.6956 RMSE,and 0.9163 SSIM.The experiments demonstrated designed Hformer is a SOTA model for noise suppression,structure preservation,and lesion detection. 展开更多
关键词 Low-dose CT Deep learning Medical image Image denoising convolutional neural networks Selfattention Residual network auto-encoder
在线阅读 下载PDF
基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测 被引量:3
9
作者 刘渊博 陈相 刘妤 《振动与冲击》 EI CSCD 北大核心 2023年第13期214-225,共12页
针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutio... 针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。 展开更多
关键词 退化预测 特征提取 核主成分分析 健康指标 时间卷积网络(TCN) 卷积自编码器(cae)
在线阅读 下载PDF
多源数据约束性融合的传感器网络安全预测模型
10
作者 张金龙 孙国同 《通信电源技术》 2023年第16期178-181,248,共5页
针对单一传感器数据存在信息不全面而无法真实反映网络安全态势的问题,提出一种多源数据约束性融合的传感器网络安全预测方法。首先,该方法采用卷积自编码网络对不同模态的异构数据进行统一维度的特征表示,能够解决传感器之间的异构性... 针对单一传感器数据存在信息不全面而无法真实反映网络安全态势的问题,提出一种多源数据约束性融合的传感器网络安全预测方法。首先,该方法采用卷积自编码网络对不同模态的异构数据进行统一维度的特征表示,能够解决传感器之间的异构性问题。其次,采用无监督交叉模态哈希检索方法对卷积自编码网络(Convolutional Auto-Encode,CAE)的参数进行校正,提取多种传感器数据的全局特征和局部特征,解决编码-解码过程的前后特征损失问题。最后,将回归二进制码与多模态数据特征进行加权融合,实现安全类别预测。实验表明,与融合了卷积神经网络(Convolutional Neural Networks,CNN)的格拉姆角场(Gramian Angular Field,GAF)算法相比,所提方法具有较好的健壮性。 展开更多
关键词 多源数据 安全预测 卷积自编码网络(cae) 无监督交叉模态哈希检索
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部