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207篇文章
< 1 2 … 11 >
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UMS-YOLO v7的面向样本不均衡的水下生物多尺度目标检测方法 被引量：3
1
作者 张明华 黄基萍 +2 位作者 宋巍 肖启华 赵丹枫 《农业机械学报》 北大核心 2025年第1期388-396,409,共10页
针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野... 针对水下目标检测面临着生物尺度变化大以及样本不均衡的问题,本文提出一种水下生物多尺度目标检测方法(Underwater multi-scale-YOLO v7,UMS-YOLO v7)。首先,设计一种由可切换空洞卷积组成的特征提取模块,该模块可在不同大小的感受野上捕获多尺度目标特征,使得提取的特征信息更加全面;其次,使用轻量级的上采样算子融合上下文信息,提高模型对目标的特征学习能力;最后,通过结合Wise-IoU和归一化Wasserstein距离两种相似性度量,提高了不同尺度目标的定位精度,同时降低了多尺度样本分布不均衡对模型的影响。实验结果表明,该模型相较于当前其他模型在检测精度方面表现出明显的提升,在RUOD和DUO数据集上平均精度均值分别达到64.5%和68.9%。与YOLO v7模型相比,UMS-YOLO v7提高了多种尺度目标检测精度,在DUO数据集上,针对大、中、小3种尺度目标平均精度均值分别提升8.3、4.8、12.5个百分点,其中小目标提升效果最为显著。与现有的其他模型相比,改进的模型具有更高的检测精度,更适用于水下生物多尺度目标检测任务,并且针对不同数据分布的样本具有泛化性和鲁棒性。 展开更多
关键词 水下生物 多尺度目标检测 YOLO v7 空洞卷积 上采样算子 相似性度量
在线阅读 下载PDF
基于改进SK-BiLSTM的自适应多尺度暂态电压稳定评估
2
作者 徐艳春 左豪杰 +2 位作者 张涛 席磊 吕密 《电力自动化设备》 北大核心 2025年第9期208-215,共8页
为评估电力系统暂态电压稳定性,提高电压失稳状态下失稳节点/区域的划分能力,提出一种基于改进选择性核卷积神经网络与双向长短期记忆网络(SK-BiLSTM)的自适应多尺度暂态电压稳定评估策略。深入分析暂态电压时空特性,揭示电力系统拓扑... 为评估电力系统暂态电压稳定性,提高电压失稳状态下失稳节点/区域的划分能力,提出一种基于改进选择性核卷积神经网络与双向长短期记忆网络(SK-BiLSTM)的自适应多尺度暂态电压稳定评估策略。深入分析暂态电压时空特性,揭示电力系统拓扑结构信息与动态时序电气量测数据信息在暂态电压稳定评估中的重要性;利用图注意力网络将拓扑结构信息与动态时序电气量测数据信息有效融合,基于此,构建基于改进SK-BiLSTM的自适应多尺度暂态电压稳定评估模型,通过在选择性核卷积神经网络中引入渐进式分组卷积机制高效提取局部和全局信息,并借助BiLSTM进一步增强时序电气量测数据信息的表征能力,在含有风电机组的IEEE 39、IEEE 118节点系统和河北省某区域电网中进行验证。结果表明,该评估模型具有较高的暂态电压稳定性评估精度,显著提升了电压失稳状态下的失稳节点/区域划分能力,并且有良好的泛化能力。 展开更多
关键词 暂态电压稳定 电压失稳节点/区域 多尺度卷积操作 深度学习 图注意力网络
在线阅读 下载PDF
高算力光学张量卷积运算芯片基础研究
3
作者 张文甲 《电子学报》 北大核心 2025年第4期1361-1364,共4页
卷积神经网络是计算机视觉和目标检测等领域应用最成功的算法之一.随着高清图像和视频等数据爆发式增长,智能处理芯片需要更强的算力和更小的功耗.光子技术的多维特征和波动物理模型为高算力张量卷积运算提供了物理基础,有望从根本上突... 卷积神经网络是计算机视觉和目标检测等领域应用最成功的算法之一.随着高清图像和视频等数据爆发式增长,智能处理芯片需要更强的算力和更小的功耗.光子技术的多维特征和波动物理模型为高算力张量卷积运算提供了物理基础,有望从根本上突破电芯片在提升算力和降低功耗上不可逾越的物理限制.本文介绍高算力光学张量卷积运算芯片基础研究的研究动机、主要研究挑战与解决思路及未来展望,探讨限制光学张量卷积运算应用的主要因素,推动光学张量卷积计算从基础研究走向大规模应用. 展开更多
关键词 光学卷积神经网络 光学张量卷积 张量计算 光学神经网络
在线阅读 下载PDF
全息环纹噪声的空频协同智能抑制
4
作者 陈本永 熊壮 +2 位作者 黄柳 张艳超 傅霞萍 《光学精密工程》 北大核心 2025年第15期2342-2353,共12页
数字全息成像中,由微观散射体衍射产生的环纹噪声在数值重建中被非线性放大为结构化相位误差,制约了定量相位成像与三维重建精度。针对环纹噪声理论模型及抑制方法,提出一种新型空域与频域协同的卷积神经网络模型FUResNet,建立多颗粒衍... 数字全息成像中,由微观散射体衍射产生的环纹噪声在数值重建中被非线性放大为结构化相位误差,制约了定量相位成像与三维重建精度。针对环纹噪声理论模型及抑制方法,提出一种新型空域与频域协同的卷积神经网络模型FUResNet,建立多颗粒衍射场叠加模型精确模拟环纹噪声,结合傅里叶神经算子、残差学习框架和注意力机制,以实现环纹噪声的高效抑制与全息图关键特征的精准保留。FUResNet在仿真及实测全息图中均优于现有方法,其中,背景噪声标准差降低73.9%,峰值信噪比提升13.46 dB,仿真中结构相似性提高13.9%,在噪声抑制、图像保真和结构保护三个关键维度上取得实质性改进,为高精度定量相位成像提供有效解决方案。 展开更多
关键词 数字全息 环纹噪声 相位成像 傅里叶神经算子 卷积神经网络
在线阅读 下载PDF
基于小波包分解重构的变工况行星齿轮箱故障诊断
5
作者 史丽晨 周星宇 杨超 《制造技术与机床》 北大核心 2025年第7期50-57,共8页
针对在变工况环境下齿轮箱故障振动数据复杂程度高和故障特征难以提取的问题,提出一种基于小波包分解的三通道数据融合和多尺度残差网络的变工况齿轮箱故障诊断方法。该方法利用小波包分解重构将齿轮箱三通道振动信号进行融合,并利用格... 针对在变工况环境下齿轮箱故障振动数据复杂程度高和故障特征难以提取的问题,提出一种基于小波包分解的三通道数据融合和多尺度残差网络的变工况齿轮箱故障诊断方法。该方法利用小波包分解重构将齿轮箱三通道振动信号进行融合,并利用格拉姆角和图像编码方法转化为二维图像;使用多尺度卷积结构与残差结构相结合的网络结构对变工况齿轮箱故障进行诊断;引入高效通道注意力机制,增强不同尺度卷积下提取到不同特征的敏感性,从而提高模型的表征能力和分类性能。实验结果表明,所提方法在定转速、变负载故障数据下诊断准确率可达到99.59%,定负载、变转速故障数据下诊断准确率可达到98.58%,证明该方法可以有效地弱化运行中变转速和变负载对故障特征的影响。 展开更多
关键词 小波包分解 多尺度卷积 变工况 故障诊断 齿轮箱
在线阅读 下载PDF
基于CoordEF−YOLOv9t的煤矿井下人员行为识别
6
作者 潘红光 卫泽尘 +3 位作者 雷心宇 姚超修 蒋泽 张立斌 《工矿自动化》 北大核心 2025年第8期59-66,共8页
基于深度学习的人员行为识别方法在煤矿井下应用存在对多类别行为识别缺乏系统性分类架构、光线昏暗和低清晰度图像导致细节丢失、矿工姿态和视角差异引发特征形变等问题。提出一种煤矿井下人员行为识别模型CoordEF−YOLOv9t。该模型分... 基于深度学习的人员行为识别方法在煤矿井下应用存在对多类别行为识别缺乏系统性分类架构、光线昏暗和低清晰度图像导致细节丢失、矿工姿态和视角差异引发特征形变等问题。提出一种煤矿井下人员行为识别模型CoordEF−YOLOv9t。该模型分别从边缘细节与空间位置特征提取2个方面对YOLOv9t进行改进:YOLOv9t中RepNCSPELAN4模块的卷积操作在捕捉细微或模糊边缘时易导致细节模糊,针对该问题,设计了融合Sobel算子的边缘特征提取模块(EFEM),在RepNCSPELAN4模块中嵌入EFEM,增强主干网络与颈部网络对人体边缘细节的感知能力。传统卷积神经网络难以感知位置信息并充分学习人员位置与动作的空间特征,针对该问题,在颈部网络末端引入坐标卷积,提升模型对人员行为位置信息的感知能力。实验结果表明,CoordEF−YOLOv9t精确率P为73.4%,召回率R为73.7%,mAP@0.5为74.8%,mAP@0.5:0.95为61.1%,相较于YOLOv9t分别提升1.2%,3.2%,1.0%,2.1%;与RT−DETR,YOLOv11,YOLOv12等主流模型相比,CoordEF−YOLOv9t综合性能更优,能更精准地识别煤矿井下人员行为。 展开更多
关键词 井下人员行为识别 YOLOv9t 边缘特征提取 空间位置特征提取 SOBEL算子 坐标卷积
在线阅读 下载PDF
Winograd异构采样窗口卷积加速算子
7
作者 彭允 王玉冰 +7 位作者 梁磊 宋悦 邱橙 雷宇鑫 贾鹏 缪国庆 秦莉 王立军 《计算机工程》 北大核心 2025年第9期71-79,共9页
近年来,人工智能在大模型、自动驾驶、机器人等领域得到广泛应用。神经网络作为人工智能的核心,具备大数据处理、学习适应复杂模式和完成各种任务的功能。神经网络通常利用卷积运算提取输入数据的局部特征,帮助其学习并理解图像、声音... 近年来,人工智能在大模型、自动驾驶、机器人等领域得到广泛应用。神经网络作为人工智能的核心,具备大数据处理、学习适应复杂模式和完成各种任务的功能。神经网络通常利用卷积运算提取输入数据的局部特征,帮助其学习并理解图像、声音等数据的结构和模式。然而,在一次卷积运算过程中涉及密集的乘累加运算,占据了绝大部分的卷积运算时间,成为了神经网络实时部署的技术瓶颈。从硬件层面加速卷积运算,提出一种Winograd异构采样窗口卷积加速算子,采用异构4×2采样窗口提升数据利用率,采用流水线、定点化等手段设计Winograd硬件加速模块,提出基于池化融合的ReLU模块。在现场可编辑逻辑门阵列(FPGA)上进行原型验证实验,实验结果表明,所提算子对比单路原始滑窗卷积共获得86.4倍的加速比,对比三路滑窗卷积获得28.8倍的加速比,读写数据量减少为原来的11.07%,资源消耗比同类型Winograd卷积加速算子低,对比快速傅里叶变换(FFT)有明显优势,具备大规模集成和构建卷积神经网络的能力。 展开更多
关键词 Winograd 卷积加速算子 硬件加速 异构采样 现场可编辑逻辑门阵列
在线阅读 下载PDF
基于机器视觉的露地甘蓝无人化采收作业质量检测模型
8
作者 李晓锁 郭旺 +3 位作者 朱华吉 顾静秋 李庆学 吴华瑞 《河南农业科学》 北大核心 2025年第10期150-158,共9页
采收后甘蓝质量精准识别是实现露地甘蓝无人化采收作业质量检测的前提,为解决采收甘蓝质量识别过程中存在的采收背景环境复杂、运输装置运行速度快导致甘蓝特征难以获取、对小目标识别精度不足的问题,提出一种基于YOLOv8s的轻量化采收... 采收后甘蓝质量精准识别是实现露地甘蓝无人化采收作业质量检测的前提,为解决采收甘蓝质量识别过程中存在的采收背景环境复杂、运输装置运行速度快导致甘蓝特征难以获取、对小目标识别精度不足的问题,提出一种基于YOLOv8s的轻量化采收作业质量检测方法。首先,采用RepVGG模块替换Backbone层中部分Conv模块,增强原始模型特征提取能力的同时减少模型参数量;其次,引入CBAM卷积注意力模块抑制复杂背景中的非关键特征信息,使模型更加关注采收的成熟甘蓝质量;最后,在Head层中增加下采样为4的小目标检测头P2,增强模型对多尺度甘蓝的检测能力。结果表明,改进的模型相较于原始YOLOv8s模型,准确率、召回率和mAP50:95(IoU在0.50~0.95阈值的平均精度)分别提高2.5、0.9、1.9百分点。与常见的目标检测模型相比,在甘蓝采收作业数据集上的检测结果也具有明显优势。改进的模型能够准确识别露地甘蓝无人化采收作业的质量,可为远程调控机具作业参数提供数据支撑,为露地蔬菜自主无人精准作业的研究和应用提供理论参考。 展开更多
关键词 露地甘蓝 采收质量检测 无人化作业 改进YOLOv8s 目标检测 卷积注意力机制
在线阅读 下载PDF
机器视觉下吊装作业吊物与吊钩实时监测方法
9
作者 张颖 刘洋 +2 位作者 赵鹏程 张珂 吴义蓉 《安全与环境学报》 北大核心 2025年第2期508-517,共10页
为解决吊装作业数据集获取困难与吊装作业过程中重要对象(吊物与吊钩)监管难题,提出虚实结合的方法构建数据集,基于SketchUp软件建立虚拟吊装作业场景获取虚拟吊装作业图片,同时从网络获取吊装作业图片及现场作业视频截图,将真实作业场... 为解决吊装作业数据集获取困难与吊装作业过程中重要对象(吊物与吊钩)监管难题,提出虚实结合的方法构建数据集,基于SketchUp软件建立虚拟吊装作业场景获取虚拟吊装作业图片,同时从网络获取吊装作业图片及现场作业视频截图,将真实作业场景的图片与虚拟作业场景的图片共同组成虚实结合的数据集。引入可改变核卷积(Arbitrary Kernel Convolution,AKConv)和鬼魅空洞可分离卷积(Concentrated-Comprehensive Convolution with GhostBottleneck,C3Ghost)改进目标检测算法模型YOLOv5(You Only Look Once version 5),改进后的模型比原始模型在精确率上高出2.6百分点,在推理速度上高出9.1帧/s,且模型所占存储容量降低1.9 MB。搭建可视化操作界面,与优化好的模型整合成吊装作业实时监测系统,实现对吊物和吊钩的安全状态识别和风险预警,及时进行风险管控。 展开更多
关键词 安全工程 机器视觉 深度学习 吊装作业 可改变核卷积
在线阅读 下载PDF
基于多尺度CNN与双阶段注意力机制的轴承工况域泛化故障诊断 被引量：5
10
作者 乔卉卉 赵二贤 +3 位作者 郝如江 刘婕 刘帅 王勇超 《振动与冲击》 北大核心 2025年第2期267-278,共12页
变工况条件下,基于深度学习的列车轮对轴承故障诊断模型的训练集与测试集通常来自不同的工况,不同工况振动信号数据分布差异引起的领域漂移问题导致模型准确率降低。基于域适应的变工况轴承故障诊断方法需要获取目标工况域的样本数据参... 变工况条件下,基于深度学习的列车轮对轴承故障诊断模型的训练集与测试集通常来自不同的工况,不同工况振动信号数据分布差异引起的领域漂移问题导致模型准确率降低。基于域适应的变工况轴承故障诊断方法需要获取目标工况域的样本数据参与训练,这在工程实际中难以实现,因此无法实现未知工况的轴承故障诊断。针对以上问题,提出了一种基于多尺度卷积神经网络与双阶段注意力机制网络(two-stage attention multiscale convolutional network model, TSAMCNN)模型的轴承工况域泛化故障诊断方法,其中多尺度特征提取模块从多个尺度上提取时域振动信号中更丰富的故障信息;然后,双阶段注意力模块从通道和空间两个维度自适应地增强故障敏感特征并抑制工况敏感特征和无用特征;最终,提取工况域不变故障特征,从而实现工况域泛化轴承故障诊断。通过变转速和变负载列车轮对轴承故障诊断试验,证明了TSAMCNN模型可提高变工况条件下轴承故障诊断的准确率、抗噪性能和工况域泛化能力。此外,对双阶段注意力机制的权重向量和模型各模块提取的特征进行可视化分析,提高了模型可解释性。 展开更多
关键词 列车轮对轴承 工况域泛化故障诊断 卷积神经网络(CNN) 多尺度特征提取 注意力机制
在线阅读 下载PDF
基于张量化图卷积网络和对比学习的多源数据表示学习模型
11
作者 龙雨菲 牟宇辰 刘晔 《计算机应用》 北大核心 2025年第5期1372-1378,共7页
针对现有多源数据表示学习模型在处理大规模复杂高维数据时存在的容易遗漏数据源间高阶关联信息和易受到噪声干扰的问题,提出一种基于张量化图卷积网络(T-GCN)和对比学习的多源数据表示学习模型(MSTGC)。首先,利用K近邻(KNN)算法和图卷... 针对现有多源数据表示学习模型在处理大规模复杂高维数据时存在的容易遗漏数据源间高阶关联信息和易受到噪声干扰的问题,提出一种基于张量化图卷积网络(T-GCN)和对比学习的多源数据表示学习模型(MSTGC)。首先,利用K近邻(KNN)算法和图卷积网络(GCN)统一多源数据维度,拼接得到张量化多源数据;其次,利用定义的张量图卷积算子实现高维图卷积运算,同时学习数据源内部信息及数据源间关联信息;最后,构建多源数据对比学习范式,通过添加基于语义一致性与标签一致性的对比约束,提升MS-TGC在处理含噪声数据时的表示学习准确率,增强模型的鲁棒性。实验结果表明,当有标签样本率为0.3时,与CONMF(Co-consensus Orthogonal Non-negative Matrix Factorization)模型相比,MS-TGC在BDGP和20newsgroup数据集上的半监督分类准确率分别提升了1.36和5.53个百分点。可见MS-TGC能够更有效地捕捉数据源间关联信息,降低噪声干扰,得到高质量多源数据表示。 展开更多
关键词 多源数据表示学习 图卷积神经网络 张量图卷积算子 对比学习 半监督分类
在线阅读 下载PDF
基于卷积复运算和神经网络的调制识别方法
12
作者 李丽文 鲁进 刘浩 《计算机工程与设计》 北大核心 2025年第8期2211-2218,共8页
针对现有的调制识别研究存在的低信噪比下识别率低、算法的特征单一、缺乏互补信息等问题,提出了基于卷积复运算网络的多融合调制识别方法。提取幅度/相位的复数特征,与同相/正交的互补特征进行融合,送入多层残差网络中对融合特征进行... 针对现有的调制识别研究存在的低信噪比下识别率低、算法的特征单一、缺乏互补信息等问题,提出了基于卷积复运算网络的多融合调制识别方法。提取幅度/相位的复数特征,与同相/正交的互补特征进行融合,送入多层残差网络中对融合特征进行充分挖掘,再由双向长短期记忆网络聚合上下文信息,并设计了通道和空间注意力网络来捕捉关键特征。在RML2018.01a上的实验结果表明,所提方法在信噪比为6 dB时的平均识别率为90.35%,优于其它深度学习方法,改善了高阶QAM调制的混淆情况。 展开更多
关键词 调制识别 深度学习 卷积复运算网络 多融合 残差网络 双向长短期记忆网络 注意力机制
在线阅读 下载PDF
基于Zynq的卷积神经网络加速器设计
13
作者 孟凡开 张峰 +1 位作者 李淼 张多利 《合肥工业大学学报(自然科学版)》 北大核心 2025年第7期904-909,共6页
针对卷积神经网络(convolutional neural network,CNN)嵌入式部署资源开销大、运行速度慢等问题,文章提出一种以Tiny-YOLOv3作为算法模型的CNN硬件加速器。首先,基于Tiny-YOLOv3网络各层的特性和要求设计CNN加速器实现方案,将权重系数... 针对卷积神经网络(convolutional neural network,CNN)嵌入式部署资源开销大、运行速度慢等问题,文章提出一种以Tiny-YOLOv3作为算法模型的CNN硬件加速器。首先,基于Tiny-YOLOv3网络各层的特性和要求设计CNN加速器实现方案,将权重系数按位分割,面向单bit权重设计卷积加速器,通过逐位实施达到处理速度和识别率的高效平衡;然后,采用查表选择法实现卷积算子的乘加运算,设计一款6×3×16的三维加速器计算阵列,可单周期完成288个卷积窗口计算;最后,在Xilinx Zynq UltraScale+MPSoC系列芯片上对设计的CNN加速器进行性能测试。实验结果表明,该CNN加速器在200 MHz频率下具有518.4 GOPS的算力,比现有的解决方案性能提高了约63%。 展开更多
关键词 卷积神经网络(CNN) Tiny-YOLOv3网络模型 硬件加速 流水阵列 并行运算
在线阅读 下载PDF
基于光照度适应与小波融合的水下图像增强
14
作者 张贵平 何志琴 《电子测量技术》 北大核心 2025年第12期146-155,共10页
水下成像由于光的被吸收和散射现象,导致水下图像往往存在细节丢失、颜色偏差和光照度损失、过曝等问题。针对上述问题,本文提出了一种基于光照度适应与小波融合的增强算法。利用优化对数变换提升图像整体亮度,并通过高斯核函数卷积运... 水下成像由于光的被吸收和散射现象,导致水下图像往往存在细节丢失、颜色偏差和光照度损失、过曝等问题。针对上述问题,本文提出了一种基于光照度适应与小波融合的增强算法。利用优化对数变换提升图像整体亮度,并通过高斯核函数卷积运算生成适应背景光照度的增强图像,再与水下图像通过小波多尺度融合以增强水下图像的低照度区域,同时压制过曝区域。其次,通过计算颜色通道的均值,以调整融合后图像的对比度和色彩饱和度。最后,通过小波迭代融合其Gamma矫正和锐化后的图像得到最终水下增强图像。实验结果表明,本文算法能够有效增强图像细节、恢复图像色差;图像的IE、UCIQE和UIQM的均值较原始图像分别提高了7.5%、36.6%和199.8%。 展开更多
关键词 水下图像增强 光照度适应 高斯核函数卷积运算 高斯滤波 小波迭代融合
在线阅读 下载PDF
基于N/N-1潮流内嵌图卷积神经网络的电网运行方式智能调整
15
作者 段师琪 余娟 +2 位作者 杨知方 陈涛 朱晟毅 《电工技术学报》 北大核心 2025年第19期6115-6130,共16页
运行方式调整是确保电力系统安全稳定运行的关键措施之一,目前工业界仍以人工调整为主。但随着大量新能源接入和电力电子设备应用,电网规模和复杂程度不断增加,导致依靠人工经验以试凑法进行反复调整的人工调整方法面临效率低下、理论... 运行方式调整是确保电力系统安全稳定运行的关键措施之一,目前工业界仍以人工调整为主。但随着大量新能源接入和电力电子设备应用,电网规模和复杂程度不断增加,导致依靠人工经验以试凑法进行反复调整的人工调整方法面临效率低下、理论指导欠缺的问题。对此,该文提出了基于N/N-1潮流内嵌图卷积神经网络的电网运行方式智能调整方法。首先,以N/N-1潮流物理模型推导设计图卷积模块前向传播表达式,提出了基于N/N-1潮流内嵌的图卷积前向传播策略,高效地提取了电力系统复杂拓扑特征和潮流物理特征;其次,以电力系统N/N-1状态下潮流特征作为输入/输出特征,构建了基于多层图卷积和卷积神经网络模块协同的运行方式N/N-1潮流耦合关系模型,表征N/N-1状态下的数据驱动潮流耦合关系;然后,针对N/N-1状态下潮流越限的运行方式,提出了基于N/N-1潮流耦合关系的运行方式智能对抗调整方法,以获得运行方式精准调整策略,确保其满足静态N-1安全校验;最后,在IEEE 30节点和某实际大电网341节点系统上进行算例分析,结果验证了所提方法可智能调整N/N-1状态下潮流越限的运行方式至满足静态N-1校验。 展开更多
关键词 运行方式调整 N-1安全校验 图卷积神经网络 潮流内嵌 对抗过程
在线阅读 下载PDF
基于改进Res-UNet网络的电镀锌冲压钢板表面缺陷图像识别研究
16
作者 李瑾 高杰 《电镀与精饰》 北大核心 2025年第7期82-88,107,共8页
电镀锌冲压钢板表面缺陷类型多样、形态复杂以及受环境因素影响大,导致表面缺陷识别难度增加。Res-UNet结合了深度学习中ResNet的残差连接和U-Net的编解码结构,残差连接可以有效缓解深度网络的梯度消失问题,使得网络在训练过程中更容易... 电镀锌冲压钢板表面缺陷类型多样、形态复杂以及受环境因素影响大,导致表面缺陷识别难度增加。Res-UNet结合了深度学习中ResNet的残差连接和U-Net的编解码结构,残差连接可以有效缓解深度网络的梯度消失问题,使得网络在训练过程中更容易收敛,从而能够学习到更复杂的特征表示,这有利于识别电镀锌冲压钢板表面多样、复杂的缺陷类型,为此提出了一种基于改进Res-UNet网络的电镀锌冲压钢板表面缺陷图像识别方法。通过优化卷积层操作策略方式和引入混合损失函数的方式实现Res-UNet网络改进,将待识别的图像输入到改进后的Res-UNet网络,改进后的Res-UNet网络经过编码、解码等多项操作输出电镀锌冲压钢板表面缺陷图像识别结果。实验测试结果表明,在训练集和测试集下所提方法的Dice系数均呈上升趋势,且始终趋近于最大值1,准确识别出了弱光条件下的所有缺陷及对应类别,在强光干扰下也表现出了较高准度,以此证明该方法能够为类似电镀锌冲压钢板的工业品表面缺陷识别提供有价值的参考。 展开更多
关键词 电镀锌冲压钢板 Res-UNet网络 卷积操作 损失函数 表面缺陷识别
在线阅读 下载PDF
基于国产加速器的三维卷积前向算子优化
17
作者 姬晨晨 陈永青 韩孟之 《计算机工程》 北大核心 2025年第2期250-258,共9页
目前三维卷积神经网络(3D CNN)的应用场景越来越广泛,其能够从原始数据中提取更丰富、更具判别性的特征信息,在处理3D数据、特征提取和实际应用等方面具有重要意义。然而,从二维(2D)数据到3D数据的转变导致了卷积运算的数据量和计算量... 目前三维卷积神经网络(3D CNN)的应用场景越来越广泛,其能够从原始数据中提取更丰富、更具判别性的特征信息,在处理3D数据、特征提取和实际应用等方面具有重要意义。然而,从二维(2D)数据到3D数据的转变导致了卷积运算的数据量和计算量均呈指数级增长,对计算资源和时间的需求也相应增加,这会导致训练和推理过程更加耗时,特别是在处理大规模3D数据时尤为明显。针对以上问题,提出一种基于国产加速器的隐式卷积算法,对3D卷积的前向计算过程进行优化。首先,该算法结合了硬件特点和并行化思路,利用索引直接访问所需计算的数据地址,无须开辟新的内存空间,大幅节省内存开销;其次,考虑到国产加速器具有高度并行的计算结构和丰富的计算资源,适合处理大规模数据和复杂的计算任务,结合国产加速器的计算能力和架构特点,采用一系列特定的异构并行优化算法,加速3D卷积前向算子的计算过程,提高计算效率和性能。实验结果表明,自研算子性能远超国产计算平台现有算子的最优性能,在多数情况下与NVIDIA V100之间的能效比可以达到70%甚至更高。 展开更多
关键词 三维卷积 国产加速器 隐式卷积算法 索引机制 前向算子优化 并行优化算法
在线阅读 下载PDF
基于并行优化CBAM的轻量级故障诊断模型
18
作者 贾志洋 许兆 +2 位作者 冷艳梅 闻新 龚浩宇 《应用科学学报》 北大核心 2025年第1期94-109,共16页
在工程实践中,故障诊断模型的性能受到多种因素的影响,如强噪声干扰、小样本、模型参数规模较大等,对现有的数据驱动设备诊断智能模型的应用提出了挑战。本文提出一种基于并行优化卷积块注意力模块(convolutional block attention modul... 在工程实践中,故障诊断模型的性能受到多种因素的影响,如强噪声干扰、小样本、模型参数规模较大等,对现有的数据驱动设备诊断智能模型的应用提出了挑战。本文提出一种基于并行优化卷积块注意力模块(convolutional block attention module,CBAM)的轻量级模型PCSA-Net。首先,采用多尺度信号特征提取器(signal feature extractor,SFE)将输入的传感器信号转换为特征映射。然后,优化传统的CBAM,开发协同注意力块,设计一种可学习的层缩放策略,并行化感知数据特征,使用点卷积与平均池化层组合,构建PW-Pool降维模块,减少模型参数量,对特征图的通道特征向量进行积分,得到最终的诊断结果。最后,选取包含轴承常见故障的两个数据集对模型进行验证,实验结果显示,在小样本轴承故障诊断(bearing fault diagnosis,BFD)任务中,本文模型与现有主流的故障诊断框架相比在轻量性和鲁棒性等方面表现更加优异,可满足实际轴承故障检测需求。 展开更多
关键词 变工况故障诊断 卷积神经网络 注意力机制 深度学习
在线阅读 下载PDF
基于局部增强傅里叶神经算子的偏微分方程求解方法
19
作者 罗驰 陆凌云 刘飞 《计算机科学》 北大核心 2025年第9期144-151,共8页
偏微分方程(PDE)是描述现实系统的重要数学工具,对其进行求解可以预测和分析系统的行为。PDE的解析解通常难以获取,一般通过数值法进行近似解算,但数值法求解参数化PDE时效率较低。近年来,利用深度学习求解PDE的方法在应对上述问题时展... 偏微分方程(PDE)是描述现实系统的重要数学工具,对其进行求解可以预测和分析系统的行为。PDE的解析解通常难以获取,一般通过数值法进行近似解算,但数值法求解参数化PDE时效率较低。近年来,利用深度学习求解PDE的方法在应对上述问题时展现出了优势,特别是傅里叶神经算子FNO(Fourier Neural Operator)已在此类问题中展现出显著成效。然而,FNO仅通过频域上的卷积来提取全局信息,难以捕获PDE的多尺度信息。针对此挑战,提出一种基于局部增强的FNO模型,在傅里叶层引入并行多尺寸卷积模块,通过不同尺寸的卷积提高模型捕获局部多尺度信息的能力。同时,在线性层后引入一种多分支特征融合模块,通过将数据提升到不同通道进行学习来提高模型整合多通道信息的能力。实验结果表明,该模型在Burgers方程的求解中误差降低了30.9%,在Darcy Flow方程的求解中误差降低了18.5%,在Navier-Stokes方程的求解中误差降低了5.5%。 展开更多
关键词 深度学习 偏微分方程 傅里叶神经算子 多尺寸卷积 多分支特征融合 多尺度PDE
在线阅读 下载PDF
基于激光雷达与CNN的电力作业现场危险行为识别方法
20
作者 张宏宇 陈波 +2 位作者 杨闰熹 李聪 赵文祎 《现代雷达》 北大核心 2025年第9期85-91,共7页
电力作业现场的危险行为识别对图像空间坐标要求较高,受到光照环境影响容易使点云直方图掺杂较多不良信息,导致目标姿态估计在空间关键点坐标中出现偏移或特征信息重叠,无法将具有较高关联程度的特征量与风险行为进行匹配,从而影响危险... 电力作业现场的危险行为识别对图像空间坐标要求较高,受到光照环境影响容易使点云直方图掺杂较多不良信息,导致目标姿态估计在空间关键点坐标中出现偏移或特征信息重叠,无法将具有较高关联程度的特征量与风险行为进行匹配,从而影响危险行为识别输出结果的准确性。为此,文中提出了基于激光雷达与卷积神经网络(CNN)的电力作业现场危险行为识别方法。该方法应用激光雷达设备采集电力作业现场点云数据,采用统计滤波对其进行处理;以此为基础,构建危险行为识别CNN模型,将特征图转换为二维投影图像形式,与危险行为进行匹配,以确定特征图属于危险行为范畴,实现了危险行为的有效识别。测试结果显示:设计方法获得的危险行为识别结果与测试危险行为等级一致,危险行为识别灵敏度最大值为0.98,危险行为识别特异性最大值为0.94,充分证实了该方法具备较佳的危险行为识别性能。 展开更多
关键词 电力作业现场 卷积神经网络 危险行为识别 激光雷达 识别性能测试 危险行为分级
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 2 … 11 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