期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多域信息融合与深度分离卷积的轴承故障诊断网络模型
被引量：
4
1
作者
王同
许昕
潘宏侠
《机电工程》
北大核心
2024年第1期22-32,共11页
针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了...
针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。
展开更多
关键词
深度分离卷积
信息融合
参数修剪
残差网络
卷积神经网络
自适应噪声的完全集合经验模态分解
本征模态函数
多域信息融合结合深度分离卷积
在线阅读
下载PDF
职称材料
基于Dual Dense U-Net的云南壁画破损区域预测
被引量：
2
2
作者
罗启明
吴昊
+1 位作者
夏信
袁国武
《图学学报》
CSCD
北大核心
2023年第2期304-312,共9页
壁画破损区域预测是壁画虚拟修复工作的重要环节,针对现有方法在预测云南少数民族壁画破损区域时容易出现破损区域预测不全、对纹理复杂区域的破损边界预测不准确等问题,提出了一种基于U-Net改进的Dual Dense U-Net分割模型,通过增强破...
壁画破损区域预测是壁画虚拟修复工作的重要环节,针对现有方法在预测云南少数民族壁画破损区域时容易出现破损区域预测不全、对纹理复杂区域的破损边界预测不准确等问题,提出了一种基于U-Net改进的Dual Dense U-Net分割模型,通过增强破损区域位置特征和纹理特征,获取更多的判别信息,以提高破损掩膜预测的准确度。为使模型能更有效地学习壁画特征,建立了一个包含5 000张云南少数民族壁画图像的分割数据集。Dual Dense U-Net模型利用融合模块去对壁画图像进行多尺度融合,减少壁画图像在前馈过程中的局部纹理信息和空间位置信息损失。首先,利用U-Net结构对输入的壁画图像进行信息提取,融合模块有多个深度可分离卷积,能够提高融合模块效率以及分割精度;其次,融合模块连接两个U-Net,进一步加强浅层特征与深层特征间的联系。实验结果表明,该模型在IoU与Dice评价指标较UNet++提高了3个百分点,模型预测得到的破损区域能显著改善壁画修复网络的修复效果,验证了该模型在壁画破损区域预测领域的有效性。
展开更多
关键词
壁画分割
病害提取
深度可分离卷积
多尺度信息融合
深度学习
在线阅读
下载PDF
职称材料
题名
基于多域信息融合与深度分离卷积的轴承故障诊断网络模型
被引量：
4
1
作者
王同
许昕
潘宏侠
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
《机电工程》
北大核心
2024年第1期22-32,共11页
基金
内燃机可靠性国家重点实验室基金资助项目(skler-201911)。
文摘
针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。
关键词
深度分离卷积
信息融合
参数修剪
残差网络
卷积神经网络
自适应噪声的完全集合经验模态分解
本征模态函数
多域信息融合结合深度分离卷积
Keywords
depth
separation
convolution
s
information
fusion
parameter pruning
residual network
convolution
al neural network(CNN)
complete ensemble empirical mode decomposition
with
adaptive noise(CEEMDAN)
intrinsic mode functions(IMF)
multi
domain
information
with
deep
separation
convolution
(
mdidsc
)
分类号
TH133.33 [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Dual Dense U-Net的云南壁画破损区域预测
被引量：
2
2
作者
罗启明
吴昊
夏信
袁国武
机构
云南大学信息学院
出处
《图学学报》
CSCD
北大核心
2023年第2期304-312,共9页
基金
国家自然科学基金项目(62061049)
云南省应用基础研究计划重点项目(202001BB050032)
云南省应用基础研究计划面上项目(2018FB100)。
文摘
壁画破损区域预测是壁画虚拟修复工作的重要环节,针对现有方法在预测云南少数民族壁画破损区域时容易出现破损区域预测不全、对纹理复杂区域的破损边界预测不准确等问题,提出了一种基于U-Net改进的Dual Dense U-Net分割模型,通过增强破损区域位置特征和纹理特征,获取更多的判别信息,以提高破损掩膜预测的准确度。为使模型能更有效地学习壁画特征,建立了一个包含5 000张云南少数民族壁画图像的分割数据集。Dual Dense U-Net模型利用融合模块去对壁画图像进行多尺度融合,减少壁画图像在前馈过程中的局部纹理信息和空间位置信息损失。首先,利用U-Net结构对输入的壁画图像进行信息提取,融合模块有多个深度可分离卷积,能够提高融合模块效率以及分割精度;其次,融合模块连接两个U-Net,进一步加强浅层特征与深层特征间的联系。实验结果表明,该模型在IoU与Dice评价指标较UNet++提高了3个百分点,模型预测得到的破损区域能显著改善壁画修复网络的修复效果,验证了该模型在壁画破损区域预测领域的有效性。
关键词
壁画分割
病害提取
深度可分离卷积
多尺度信息融合
深度学习
Keywords
mural segmentation
disease extraction
depthwise separable
convolution
multi
-scale
information
fusion
deep
learning
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
基于多域信息融合与深度分离卷积的轴承故障诊断网络模型
王同
许昕
潘宏侠
《机电工程》
北大核心
2024
4
在线阅读
下载PDF
职称材料
2
基于Dual Dense U-Net的云南壁画破损区域预测
罗启明
吴昊
夏信
袁国武
《图学学报》
CSCD
北大核心
2023
2
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
