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10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：
基于1-D CNN的二阶段OFDM系统定时同步方法 被引量：1
1
作者 卿朝进 杨娜 +1 位作者 唐书海 饶川贵 《计算机应用研究》 CSCD 北大核心 2023年第2期565-570,共6页
针对存在多径干扰的正交频分复用系统的定时同步准确性低的问题,提出基于一维卷积神经网络(1-D CNN)的二阶段OFDM系统定时同步方法。在第一阶段,利用经典互相关方法实现路径特征初始抽取,捕获可分辨路径上的定时辅助同步点;基于定时辅... 针对存在多径干扰的正交频分复用系统的定时同步准确性低的问题,提出基于一维卷积神经网络(1-D CNN)的二阶段OFDM系统定时同步方法。在第一阶段,利用经典互相关方法实现路径特征初始抽取,捕获可分辨路径上的定时辅助同步点;基于定时辅助同步点构建1-D CNN网络学习第二阶段中的定时偏移;最后,结合两阶段处理,获得系统最终的定时同步偏移估计。相比于基于压缩感知的定时同步方法和基于极限学习机的定时同步方法,所研究的二阶段OFDM系统定时同步方法提高了定时同步准确性,并有效地降低计算复杂度与处理延迟。 展开更多
关键词 二阶段定时同步 一维卷积神经网络 正交频分复用
在线阅读 下载PDF
基于1D-CNN的植被等效水厚度反演研究
2
作者 赵强 曹骁 《安徽农业科学》 CAS 2023年第18期1-5,共5页
[目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源,首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各... [目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源,首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各变换光谱特征波段,基于PROSPECT-D模拟数据特征波段分别构建一维卷积神经网络(1D-CNN)、支持向量机路域植被叶片EWT反演模型,并用实测光谱数据进行模型验证。[结果]植被EWT最优反演路径为对光谱进行归一化预处理后,构建PROSPECT-D与1D-CNN组合模型,测试决定系数(R2c)为0.645、均方根误差(RMSEC)为2.367,精度较高,满足应用需求。[结论]该研究为利用高光谱数据对南方丘陵地区高等级公路植被EWT定量反演奠定了基础。 展开更多
关键词 辐射传输模型 PROSPECT-d 叶片等效水厚度 光谱变换 一维卷积神经网络
在线阅读 下载PDF
基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别 被引量：17
3
作者 赵红伟 陈仲新 +1 位作者 姜浩 刘佳 《农业工程学报》 EI CAS CSCD 北大核心 2020年第3期169-177,共9页
作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1... 作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。 展开更多
关键词 作物 遥感 识别 早期 一维卷积神经网络(1d cnn) 深度学习 合成孔径雷达 Sentinel-1
在线阅读 下载PDF
基于CNN+D-S证据理论的多维信息源局部放电故障识别 被引量：19
4
作者 王磊 张磊 +3 位作者 牛荣泽 孙芊 李丰君 张周胜 《电力工程技术》 北大核心 2022年第5期172-179,共8页
基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚... 基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。 展开更多
关键词 局部放电 故障识别 深度卷积神经网络(cnn) dempster-Shafer(d-S)证据理论 多维信息源 信息融合
在线阅读 下载PDF
基于多模态特征融合监督的RGB-D图像显著性检测 被引量：16
5
作者 刘政怡 段群涛 +1 位作者 石松 赵鹏 《电子与信息学报》 EI CSCD 北大核心 2020年第4期997-1004,共8页
RGB-D图像显著性检测是在一组成对的RGB和Depth图中识别出视觉上最显著突出的目标区域。已有的双流网络,同等对待多模态的RGB和Depth图像数据,在提取特征方面几乎一致。然而,低层的Depth特征存在较大噪声,不能很好地表征图像特征。因此... RGB-D图像显著性检测是在一组成对的RGB和Depth图中识别出视觉上最显著突出的目标区域。已有的双流网络,同等对待多模态的RGB和Depth图像数据,在提取特征方面几乎一致。然而,低层的Depth特征存在较大噪声,不能很好地表征图像特征。因此,该文提出一种多模态特征融合监督的RGB-D图像显著性检测网络,通过两个独立流分别学习RGB和Depth数据,使用双流侧边监督模块分别获取网络各层基于RGB和Depth特征的显著图,然后采用多模态特征融合模块来融合后3层RGB和Depth高维信息生成高层显著预测结果。网络从第1层至第5层逐步生成RGB和Depth各模态特征,然后从第5层到第3层,利用高层指导低层的方式产生多模态融合特征,接着从第2层到第1层,利用第3层产生的融合特征去逐步地优化前两层的RGB特征,最终输出既包含RGB低层信息又融合RGB-D高层多模态信息的显著图。在3个公开数据集上的实验表明,该文所提网络因为使用了双流侧边监督模块和多模态特征融合模块,其性能优于目前主流的RGB-D显著性检测模型,具有较强的鲁棒性。 展开更多
关键词 RGB-d显著性检测 卷积神经网络 多模态 监督
在线阅读 下载PDF
基于注意力融合网络的RGB-D目标检测算法 被引量：4
6
作者 朱书勤 《电子测量技术》 北大核心 2021年第9期110-115,共6页
针对当前利用RGB-D图像进行目标检测出现的网络融合不充分和检测效率不高等问题,提出一种基于注意力机制的特征逐级融合网络结构。首先在基于Yolo v3的Backbone网络结构下,分别用标注好的RGB-D样本分别训练RGB和Depth网络,然后通过注意... 针对当前利用RGB-D图像进行目标检测出现的网络融合不充分和检测效率不高等问题,提出一种基于注意力机制的特征逐级融合网络结构。首先在基于Yolo v3的Backbone网络结构下,分别用标注好的RGB-D样本分别训练RGB和Depth网络,然后通过注意力模块增强两种特征,最后在网络中期逐层融合得到最终的特征权重。在具有挑战性的NYU Depth v2数据集上测试,得到本文方法的均值平均精度为77.8%。通过对比实验得出,所提出的基于注意力机制的融合网络较同类算法性能有了明显提升。 展开更多
关键词 目标检测 卷积神经网络 RGB-d图像 注意力机制
在线阅读 下载PDF
基于块编码特点的压缩视频质量增强算法 被引量：1
7
作者 于海 杨磊 +4 位作者 高阳 刘枫琪 刘鹏宇 孙萱 张悦 《北京工业大学学报》 CAS CSCD 北大核心 2024年第9期1069-1076,共8页
针对现有压缩视频质量增强算法未能充分利用压缩视频特点的问题,研究了视频编码与压缩视频质量增强任务之间的本质关系,并针对性地设计了一种基于三维卷积神经网络(3D convolutional neural network, 3D-CNN)的非对齐压缩视频质量增强... 针对现有压缩视频质量增强算法未能充分利用压缩视频特点的问题,研究了视频编码与压缩视频质量增强任务之间的本质关系,并针对性地设计了一种基于三维卷积神经网络(3D convolutional neural network, 3D-CNN)的非对齐压缩视频质量增强算法。实验结果表明:相较于高效视频编码(high efficiency video coding, HEVC)标准H.265,所提算法在低延迟(low delay, LD)配置下且量化参数(quantization parameter, QP)为37时,峰值信噪比(peak signal-to-noise ratio, PSNR)提升了0.465 2 dB;相较于数据压缩会议(data compression conference, DCC)中提出的多帧引导的注意力网络(multi-frame guided attention network, MGANet)方法,该算法PSNR的增长量提升了15.1%。 展开更多
关键词 视频编码 高效视频编码(high efficiency video coding HEVC) 压缩视频质量增强 深度学习 卷积神经网络(convolutional neural network cnn) 三维卷积神经网络(3d convolutional neural network 3d-cnn)
在线阅读 下载PDF
基于深度学习的采煤机截割部齿轮故障预测 被引量：8
8
作者 任春美 《机电工程》 CAS 北大核心 2022年第8期1061-1070,共10页
采煤机截割部齿轮发生故障会降低采煤机的生产工作效率,并带来生产安全隐患,针对这一问题,以MG1000/2500 WD型采煤机作为研究对象,对其截割部的齿轮故障进行了成因机理研究、仿真分析和实验研究。首先,分析了采煤机的总体结构,对采煤机... 采煤机截割部齿轮发生故障会降低采煤机的生产工作效率,并带来生产安全隐患,针对这一问题,以MG1000/2500 WD型采煤机作为研究对象,对其截割部的齿轮故障进行了成因机理研究、仿真分析和实验研究。首先,分析了采煤机的总体结构,对采煤机截割部齿轮故障的常见成因与机理进行了分析;其次,归纳了卷积神经网络(CNN)的卷积层、池化层和全连接层的表达公式,基于深度卷积神经网络(D-CNN)构建了截割部齿轮故障模型,并且研究了模型的算法流程;最后,通过选取训练的数据集,对模型进行了训练,对截割部齿轮故障进行了预测和分类,并结合性能评价指标对不同模型的实验结果进行了对比。研究结果表明:采用基于深度学习方法的预测模型可对采煤机截割部齿轮故障进行有效预测,齿轮故障识别率约为98.71%;在同等情况下,D-CNN模型对齿轮正常状态和故障状态分类精准率达到98.78%、召回率达到98.88%;相比于其他模型,该模型对齿轮故障具有更高的识别率,具备较高的故障预测与分类性能。 展开更多
关键词 煤矿机械 齿轮传动 故障预测模型 故障分类 深度卷积神经网络 故障识别率
在线阅读 下载PDF
基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断 被引量：17
9
作者 高佳豪 郭瑜 伍星 《振动与冲击》 EI CSCD 北大核心 2020年第19期204-209,257,共7页
近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下... 近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下齿轮箱轴承故障智能辨识的准确率,提出了一种基于自参考自适应噪声消除技术(SANC)和一维卷积神经网络(1D-CNN)的齿轮箱轴承故障诊断方法。首先利用SANC将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量,抑制齿轮等周期强干扰成分,再通过1D-CNN对包含轴承故障特征的随机信号成分进行智能特征提取和识别,实现在齿轮振动干扰下齿轮箱轴承故障辨识率的提高。通过与不同方法的对比验证了本文所提方法的优势和有效性。 展开更多
关键词 齿轮箱 自参考自适应噪声消除技术 一维卷积神经网络 故障诊断
在线阅读 下载PDF
多深度学习模型决策融合的齿轮箱故障诊断分类方法 被引量：13
10
作者 陈科 段伟建 +1 位作者 吴胜利 邢文婷 《科学技术与工程》 北大核心 2022年第12期4804-4811,共8页
针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural ne... 针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Dempster-Shafer(D-S)证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。 展开更多
关键词 卷积神经网络(cnn) 堆叠降噪自动编码器(SdAE) 改进d-S证据理论 故障诊断
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