期刊文献+
共找到125篇文章
< 1 2 7 >
每页显示 20 50 100
A novel multi-resolution network for the open-circuit faults diagnosis of automatic ramming drive system 被引量:1
1
作者 Liuxuan Wei Linfang Qian +3 位作者 Manyi Wang Minghao Tong Yilin Jiang Ming Li 《Defence Technology(防务技术)》 SCIE EI CAS CSCD 2024年第4期225-237,共13页
The open-circuit fault is one of the most common faults of the automatic ramming drive system(ARDS),and it can be categorized into the open-phase faults of Permanent Magnet Synchronous Motor(PMSM)and the open-circuit ... The open-circuit fault is one of the most common faults of the automatic ramming drive system(ARDS),and it can be categorized into the open-phase faults of Permanent Magnet Synchronous Motor(PMSM)and the open-circuit faults of Voltage Source Inverter(VSI). The stator current serves as a common indicator for detecting open-circuit faults. Due to the identical changes of the stator current between the open-phase faults in the PMSM and failures of double switches within the same leg of the VSI, this paper utilizes the zero-sequence voltage component as an additional diagnostic criterion to differentiate them.Considering the variable conditions and substantial noise of the ARDS, a novel Multi-resolution Network(Mr Net) is proposed, which can extract multi-resolution perceptual information and enhance robustness to the noise. Meanwhile, a feature weighted layer is introduced to allocate higher weights to characteristics situated near the feature frequency. Both simulation and experiment results validate that the proposed fault diagnosis method can diagnose 25 types of open-circuit faults and achieve more than98.28% diagnostic accuracy. In addition, the experiment results also demonstrate that Mr Net has the capability of diagnosing the fault types accurately under the interference of noise signals(Laplace noise and Gaussian noise). 展开更多
关键词 Fault diagnosis Deep learning multi-scale convolution Open-circuit convolutional neural network
在线阅读 下载PDF
一种基于注意力机制的BERT-CNN-GRU检测方法 被引量:1
2
作者 郑雅洲 刘万平 黄东 《计算机工程》 北大核心 2025年第1期258-268,共11页
针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU... 针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU)提取域名深度特征。CNN使用n-gram排布的方式提取不同层次的域名信息,并采用批标准化(BN)对卷积结果进行优化。GRU能够更好地获取前后域名的组成差异,多头注意力机制在捕获域名内部的组成关系方面表现出色。将并行检测网络输出的结果进行拼接,最大限度地发挥两种网络的优势,并采用局部损失函数聚焦域名分类问题,提高分类性能。实验结果表明,该方法在二分类上达到了最优效果,在短域名多分类数据集上15分类的加权F1值达到了86.21%,比BiLSTM-Seq-Attention模型提高了0.88百分点,在UMUDGA数据集上50分类的加权F1值达到了85.51%,比BiLSTM-Seq-Attention模型提高了0.45百分点。此外,该模型对变体域名和单词域名生成算法(DGA)检测性能较好,具有处理域名数据分布不平衡的能力和更广泛的检测能力。 展开更多
关键词 恶意短域名 BERT预训练 批标准化 注意力机制 门控循环单元 并行卷积神经网络
在线阅读 下载PDF
粤港澳大湾区并发复合灾害敏感性评估
3
作者 徐峥辉 王伟 +1 位作者 宋月 黄莉 《河海大学学报(自然科学版)》 北大核心 2025年第4期99-107,共9页
为精确评估粤港澳大湾区并发复合灾害的敏感性,构建了崩塌滑坡并发复合灾害敏感性评价指标体系,同时建立并推导了考虑并发复合灾害空间维度叠加效应的敏感性评估模型。结果表明:粤港澳大湾区滑坡崩塌并发复合灾害高敏感区在怀集县、封... 为精确评估粤港澳大湾区并发复合灾害的敏感性,构建了崩塌滑坡并发复合灾害敏感性评价指标体系,同时建立并推导了考虑并发复合灾害空间维度叠加效应的敏感性评估模型。结果表明:粤港澳大湾区滑坡崩塌并发复合灾害高敏感区在怀集县、封开县等湾区西北部地区和龙岗区、惠城区等湾区东北部地区集中分布,低敏感区在三水区、南海区等湾区中部地区和台山市、恩平市等湾区西南部地区集中分布,较高敏感区、中敏感区、较低敏感区主要作为过渡区零星散布于高、低敏感区之间。 展开更多
关键词 并发复合灾害 敏感性 滑坡崩塌 评估模型 卷积神经网络 粤港澳大湾区
在线阅读 下载PDF
面向可重构阵列的CNN多维融合数据复用方法
4
作者 张骁帆 蒋林 +1 位作者 李远成 盛明威 《计算机应用研究》 北大核心 2025年第6期1801-1806,共6页
可重构阵列结构具有通用处理器的灵活性和专用硬件的高能效,已经成为应对卷积神经网络(CNN)等计算密集和访存密集型应用的最佳选择之一。然而,随着计算量的不断增加,访存开销持续上升,严重限制了计算效率的进一步提升。因此,提出一种面... 可重构阵列结构具有通用处理器的灵活性和专用硬件的高能效,已经成为应对卷积神经网络(CNN)等计算密集和访存密集型应用的最佳选择之一。然而,随着计算量的不断增加,访存开销持续上升,严重限制了计算效率的进一步提升。因此,提出一种面向可重构阵列的CNN多维融合的数据复用新方法。通过计算单元内数据循环调用、不同计算单元间数据脉动传输的策略,在计算单元和阵列两个维度复用数据。同时,通过阵列的重构进行任务切换,实现多维融合的数据复用,并在Virtex UltraScale 440开发板上对所提方法进行了实验验证。结果表明,相比于现有的基于现场可编程门阵列(FPGA)的CNN实现方法,所提方法可使访存次数最高减少69.4%,运算速度提升16.2%以上,处理单元利用率达94.1%。说明该方法能够在可重构阵列实现CNN的高效数据复用,进而达到硬件加速的目的。 展开更多
关键词 卷积神经网络 可重构结构 数据复用 并行加速
在线阅读 下载PDF
基于Zynq的卷积神经网络加速器设计
5
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
融合多尺度语义和双分支并行的医学图像分割网络
6
作者 袁宝华 陈佳璐 王欢 《计算机应用》 北大核心 2025年第3期988-995,共8页
在医学图像分割网络中,卷积神经网络(CNN)虽然能提取丰富的局部特征细节,但存在远程信息捕获不足的问题。Transformer虽然可以捕捉长距离的全局特征依赖关系,但是会破坏局部特征细节。为充分利用2种网络特征的互补性,提出一种用于医学... 在医学图像分割网络中,卷积神经网络(CNN)虽然能提取丰富的局部特征细节,但存在远程信息捕获不足的问题。Transformer虽然可以捕捉长距离的全局特征依赖关系,但是会破坏局部特征细节。为充分利用2种网络特征的互补性,提出一种用于医学图像分割的CNN和Transformer并行的融合网络——PFNet。该网络的并行融合模块使用一对基于CNN和Transformer的相互依赖的并行分支来高效地学习局部和全局两方面的辨别特征,并以交互方式交叉融合局部特征和长距离特征的依赖关系;同时,为恢复在下采样期间丢失的空间信息以增强细节的保留,提出多尺度交互(MSI)模块提取分层CNN分支生成的多尺度特征的局部上下文以进行远程依赖关系建模。实验结果表明,PFNet优于MISSFormer(Medical Image Segmentation tranSFormer)和UCTransNet(U-Net with Channel Transformer module)等先进方法。在Synapse和ACDC(Automated Cardiac Diagnosis Challenge)数据集上,相较于最优的基线方法MISSFormer,PFNet的平均Dice相似系数(DSC)分别提高1.27%和0.81%。可见,PFNet能实现更精准的医学图像分割。 展开更多
关键词 医学图像分割 TRANSFORMER 卷积神经网络 并行融合 多尺度交互
在线阅读 下载PDF
基于平行多尺度时空图卷积网络的三维人体姿态估计算法
7
作者 杨红红 刘泓希 +1 位作者 张玉梅 吴晓军 《软件学报》 北大核心 2025年第5期2151-2166,共16页
针对基于图卷积神经网络(GCN)的人体姿态估计方法不能充分聚合关节点时空特征、限制判别性特征提取的问题,构造基于平行多尺度时空图卷积的网络模型(PMST-GNet),提高三维人体姿态估计的性能.该模型首先设计对角占优的时空注意力图卷积(D... 针对基于图卷积神经网络(GCN)的人体姿态估计方法不能充分聚合关节点时空特征、限制判别性特征提取的问题,构造基于平行多尺度时空图卷积的网络模型(PMST-GNet),提高三维人体姿态估计的性能.该模型首先设计对角占优的时空注意力图卷积(DDA-STGConv),构建跨域时空邻接矩阵,对骨架关节点信息进行基于自约束和注意力机制约束的建模,增强节点间的信息交互;然后,通过设计图拓扑聚合函数构造不同的图拓扑结构,以DDA-STGConv为基本单元构建平行多尺度子网络模块(PM-SubGNet);最后,为了更好地提取骨架关节的上下文信息,设计多尺度特征交叉融合模块(MFEB),实现平行子图网络之间多尺度信息的交互,提高GCN的特征表示能力.在主流3D姿态估计数据集Human3.6M和MPI-INF-3DHP数据集上的对比实验结果表明,所提PMST-GNet模型在三维人体姿态估计中具有较好的效果,优于Sem-GCN、GraphSH、UGCN等当前基于GCN网络的主流算法. 展开更多
关键词 三维人体姿态估计 对角占优的时空注意力图卷积 平行多尺度子网络 多尺度特征交叉融合
在线阅读 下载PDF
基于图注意力与多尺度并行融合卷积的虚假数据注入攻击定位检测
8
作者 席磊 陈采玉 +1 位作者 陈洪军 李宗泽 《高电压技术》 北大核心 2025年第4期1763-1772,共10页
虚假数据注入攻击严重威胁电力信息物理系统的安全,而传统攻击检测方法由于没有考虑量测数据间的拓扑并且特征提取能力差,无法精确识别攻击并定位受攻击节点。因此,该文提出一种基于图注意力与多尺度并行融合卷积模型的虚假数据注入攻... 虚假数据注入攻击严重威胁电力信息物理系统的安全,而传统攻击检测方法由于没有考虑量测数据间的拓扑并且特征提取能力差,无法精确识别攻击并定位受攻击节点。因此,该文提出一种基于图注意力与多尺度并行融合卷积模型的虚假数据注入攻击定位检测方法。该方法通过图注意力网络动态捕捉量测数据间的拓扑关系以提升检测方法的定位检测性能;采用结合注意力特征融合模块增强的并行卷积神经网络提取数据的多尺度特征进一步提高检测方法的学习能力和泛化能力,以实现高精度的定位检测。通过在IEEE-14节点测试系统和IEEE-57节点测试系统中进行评估研究,与现有的定位检测方法相比,该文所提方法具有更优的F1值,分别高达98.40%、95.29%。因此,该方法能够更好地对虚假数据注入攻击进行定位检测。 展开更多
关键词 虚假数据注入攻击 电力信息物理系统 图注意力网络 并行卷积 特征融合
在线阅读 下载PDF
一种基于并行多尺度特征学习的招聘信息抽取模型
9
作者 郭雯靓 吕楠 +3 位作者 纪淑娟 步朝晖 王永政 曹宁 《山东科技大学学报(自然科学版)》 北大核心 2025年第3期97-106,共10页
随着网络招聘的普及,基于招聘广告的自动实体抽取,已成为职位和人才推荐等下游智能应用系统开发的重要基础。现有招聘广告实体抽取模型存在抽取内容分类覆盖不全面和超长文本序列语义稀释问题。本研究将招聘文本中的实体划分为四类,提... 随着网络招聘的普及,基于招聘广告的自动实体抽取,已成为职位和人才推荐等下游智能应用系统开发的重要基础。现有招聘广告实体抽取模型存在抽取内容分类覆盖不全面和超长文本序列语义稀释问题。本研究将招聘文本中的实体划分为四类,提出一种基于并行多尺度特征学习的招聘信息抽取模型(MUBLC)。首先,模型利用长短时记忆网络(LSTM)从原始数据中提取初始特征。然后,使用自注意力机制学习全局特征,采用动态深度卷积网络与自注意力共享投影的方式并行学习局部特征,同时在自注意力机制的每一层并行连接前馈神经网络,并行学习文本的逐点特征。最后,模型将并行学习得到的三种尺度特征进行向量融合,并输入条件随机场(CRF)获得预测的标签序列。实验结果表明,与现有最优模型相比,本研究所提模型的F 1值提高了2.53%,表明并行学习三种特征能够有效缓解长序列语义稀释问题,显著提升招聘信息抽取性能。 展开更多
关键词 网络招聘广告 招聘信息抽取 并行多尺度特征学习 动态深度卷积网络 命名实体识别
在线阅读 下载PDF
基于GPU的Winograd卷积算法并行化
10
作者 王鑫 甄雪茹 《计算机应用研究》 北大核心 2025年第8期2446-2451,共6页
针对现代卷积神经网络中计算负荷过重的问题,提出一种基于GPU的创新性Winograd并行卷积算法。该算法利用负载均衡的任务映射、优化数据加载策略以隐藏延迟,并结合动态填充方法,充分挖掘Winograd卷积算法与GPU架构的协同效应。实验结果表... 针对现代卷积神经网络中计算负荷过重的问题,提出一种基于GPU的创新性Winograd并行卷积算法。该算法利用负载均衡的任务映射、优化数据加载策略以隐藏延迟,并结合动态填充方法,充分挖掘Winograd卷积算法与GPU架构的协同效应。实验结果表明,在经典卷积神经网络模型ResNet的多个卷积层上,提出的算法优于NVIDIA cuDNN 8.3.0库中的标准Winograd卷积算法,在Turing架构的RTX 2080Ti GPU上实现高达2.46的加速比,并且保持较高的计算准确性。与基于GPU的标准Winograd卷积算法相比,该算法显著提升了卷积计算效率。 展开更多
关键词 Winograd算法 并行计算 CUDA 卷积神经网络
在线阅读 下载PDF
RPPM-Net:基于多尺度特征并行融合的图像识别方法
11
作者 刘思远 张文东 +2 位作者 卢润 牛森 马梦楠 《现代电子技术》 北大核心 2025年第15期71-77,共7页
针对传统深度神经网络在图像识别任务中存在的无法有效关注重点区域与特征、感受野较小导致信息退化以及模型泛化能力不足的问题,文中提出一种基于多尺度并行融合的图像识别网络,即残差并行金字塔多尺度注意力网络(RPPM-Net)。首先,设... 针对传统深度神经网络在图像识别任务中存在的无法有效关注重点区域与特征、感受野较小导致信息退化以及模型泛化能力不足的问题,文中提出一种基于多尺度并行融合的图像识别网络,即残差并行金字塔多尺度注意力网络(RPPM-Net)。首先,设计并行注意力网络,通过多头并行的混合注意力机制捕获多样化的特征信息,在保持模型效率的同时,增强网络在识别任务中对重要区域和关键特征的聚焦能力,解决对重点特征关注不足的问题;其次,设计多尺度金字塔卷积注意力模块,通过在不同层级有效集成多尺度特征,解决感受野较小导致的信息退化问题;最后,采用增强型全连接层及正则化技术,有效缓解过拟合问题,提升模型在不同数据集上的泛化能力。实验结果表明,RPPM-Net在CIFAR-10、CIFAR-100、Caltech-256数据集上的准确率分别达到97.02%、85.04%、89.69%,在不显著增加计算成本的前提下,充分结合结构正则化和特征整合,有效地增强了网络的性能。 展开更多
关键词 图像识别 卷积神经网络 多尺度特征 并行注意力 金字塔卷积 特征提取
在线阅读 下载PDF
改进U-Net++的遥感影像变化检测算法
12
作者 丁安安 周文婷 +2 位作者 李新 蔡子轩 沈佳 《遥感信息》 北大核心 2025年第3期95-103,共9页
针对高分辨率双时相遥感影像变化检测中出现的小目标区域漏检、伪变化较多、样本不平衡等问题,提出一种基于改进U-Net++的SUPNet变化检测模型。首先,利用孪生网络和基于融合了空-谱特征协同策略(SSFC)的多尺度空间解耦卷积(MSDConv)而... 针对高分辨率双时相遥感影像变化检测中出现的小目标区域漏检、伪变化较多、样本不平衡等问题,提出一种基于改进U-Net++的SUPNet变化检测模型。首先,利用孪生网络和基于融合了空-谱特征协同策略(SSFC)的多尺度空间解耦卷积(MSDConv)而改进的U-Net++作为骨干网络来对特征进行初步提取和融合;其次,通过并行卷积模块对粗变化特征图进行进一步特征集成;最后,使用包含两种注意力机制的混合注意力模块对特征进行细化,以此来获取精准的变化区域。实验采用公开的LEVIR-CD和SYSU-CD数据集进行训练和测试。结果表明,相对于其他7种主流的深度学习变化检测方法,SUPNet变化检测模型在精确率、召回率、F1分值、交并比和总精度方面具有好的表现,证明该模型具有良好的检测性能和泛化能力。 展开更多
关键词 变化检测 孪生网络 U-Net++ 注意力机制 并行卷积
在线阅读 下载PDF
基于复数卷积和注意力机制的并行磁共振成像重建
13
作者 段继忠 肖琛 《北京航空航天大学学报》 北大核心 2025年第1期85-93,共9页
针对并行磁共振成像的重建,提出深度复数注意力网络(DCANet)模型。根据磁共振成像数据的复数性质,该模型使用复数卷积替换常规实数卷积;由于并行磁共振成像的数据中每个线圈获取到的数据有所不同,该模型还使用逐通道的注意力机制来重点... 针对并行磁共振成像的重建,提出深度复数注意力网络(DCANet)模型。根据磁共振成像数据的复数性质,该模型使用复数卷积替换常规实数卷积;由于并行磁共振成像的数据中每个线圈获取到的数据有所不同,该模型还使用逐通道的注意力机制来重点关注有效特征较多的通道;该模型使用数据一致性层保留采样过程中的原始数据,最终形成级联网络。使用3个不同的采样模式对2个不同磁共振成像数据序列进行实验,实验结果表明:DCANet模型具有较好的重建效果,能够获得更高的峰值信噪比(PSNR)和结构相似性指数(SSIM),以及更低的高频误差范数(HFEN),其中,PSNR相比磁共振成像级联通道注意力网络(MICCAN)、Deepcomplex、双倍频网络(DONet)这3种模型平均分别提高了4.52 dB、2.30 dB和1.21 dB。 展开更多
关键词 并行磁共振成像 图像重建 深度学习 复数卷积网络 注意力机制
在线阅读 下载PDF
基于多尺度特征融合预处理与深度稀疏网络的并行磁共振成像重建
14
作者 薛磊 段继忠 《数据采集与处理》 北大核心 2025年第4期1082-1095,共14页
磁共振成像(Magnetic resonance imaging,MRI)在医学诊断中具有关键作用,但过长的扫描时间可能会导致患者不适或产生运动伪影。并行成像技术和压缩感知理论表明,可通过对k空间数据进行欠采样从而提高扫描速度,其中并行MRI是一种通过利... 磁共振成像(Magnetic resonance imaging,MRI)在医学诊断中具有关键作用,但过长的扫描时间可能会导致患者不适或产生运动伪影。并行成像技术和压缩感知理论表明,可通过对k空间数据进行欠采样从而提高扫描速度,其中并行MRI是一种通过利用多个接收线圈同时采集多个数据通道来加速成像过程的技术。深度学习凭借其强大的特征提取和模式识别能力,在欠采样MRI重建中展现出巨大的潜力。为克服现有技术的局限性(如需要自动校准信号、重建不稳定等),提出了一种创新的重建方法,旨在从欠采样的k空间数据中高效、准确地重建高质量的并行磁共振图像。该方法的核心骨架为深度稀疏网络,该网络通过将求解稀疏模型的迭代收缩阈值算法的迭代过程展开,转化为深度神经网络框架内的一系列可训练层。另外,还引入基于多尺度特征融合的自适应预处理模块,通过融合普通卷积与异型卷积核,进一步提升网络的稀疏表示能力。实验结果表明,相较于其他先进方法,本文提出的方法在多个数据集上均表现出更优的重建性能,包括更高的峰值信噪比和结构相似性指数,以及更低的高频误差范数。 展开更多
关键词 并行磁共振成像重建 深度学习 卷积神经网络 深度稀疏网络 多尺度特征融合
在线阅读 下载PDF
交通速度预测时空图卷积网络及其FPGA实现研究 被引量:2
15
作者 谭会生 杨威 严舒琪 《电子测量技术》 北大核心 2024年第18期108-119,共12页
时空图卷积网络(STGCN)通过图卷积和时间卷积捕获交通数据的空间依赖性和时间依赖性,可有效提升交通速度预测的精度。但是硬件实现交通速度预测STGCN具有计算量大难以满足实际应用的实时性要求、资源消耗大导致成本增高等问题,在优化交... 时空图卷积网络(STGCN)通过图卷积和时间卷积捕获交通数据的空间依赖性和时间依赖性,可有效提升交通速度预测的精度。但是硬件实现交通速度预测STGCN具有计算量大难以满足实际应用的实时性要求、资源消耗大导致成本增高等问题,在优化交通速度预测STGCN模型基础上,提出了一种交通速度预测STGCN的FPGA实现结构组合优化的方法。首先,通过轻量化裁剪和预测数据位宽的精确选择,对交通速度预测STGCN进行了模型优化,以降低计算复杂度和资源消耗,并经过Python仿真验证其可行性。其次,通过采用流水线、并行计算和数据交替流水存取等组合优化策略,提出了一种交通速度预测STGCN的FPGA实现结构组合优化的方法,以提升系统计算速度。最后,使用Verilog编程对交通速度预测STGCN进行了FPGA的实现仿真和硬件测试。利用PeMSD7(M)数据集进行实验,结果显示FPGA实现单数据交通速度预测的时间为355.5μs,相比CPU、GPU平台及FPGA设计方案1对比,其处理速度最大分别提高了25.9倍、6.7倍和3.5倍,证明了交通速度预测STGCN的FPGA实现结构组合优化方法,在保持预测准确性的前提下可较大幅度的提升系统处理速度。 展开更多
关键词 交通速度预测 时空图卷积网络 FPGA 硬件实现结构 流水线 并行结构
在线阅读 下载PDF
基于GRU-DRSN的双通道人体活动识别 被引量:1
16
作者 邵小强 原泽文 +3 位作者 杨永德 刘士博 李鑫 韩泽辉 《科学技术与工程》 北大核心 2024年第2期676-683,共8页
人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attentio... 人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。 展开更多
关键词 人体活动识别(human activity recognizition HAR) 门控循环结构(gated recurrent unit GRU) 深度残差收缩网络(deep residual shrinkage network DRSN) CBAM 双通道并行
在线阅读 下载PDF
基于轻量化多尺度神经网络的ZPW-2000移频信号检测方法
17
作者 武晓春 刘欣然 《中国铁道科学》 EI CAS CSCD 北大核心 2024年第5期187-197,共11页
针对ZPW-2000移频信号在不平衡牵引电流干扰时低频信号难以检测的问题,提出基于卷积注意力模块的轻量化多尺度神经网络的移频信号低频信息检测方法。首先,根据ZPW-2000移频信号的载频范围,使用不同卷积核大小的多尺度层提取相应载频调... 针对ZPW-2000移频信号在不平衡牵引电流干扰时低频信号难以检测的问题,提出基于卷积注意力模块的轻量化多尺度神经网络的移频信号低频信息检测方法。首先,根据ZPW-2000移频信号的载频范围,使用不同卷积核大小的多尺度层提取相应载频调制下的移频信号特征;其次,建立线性倒残差模块实现网络轻量化,在保证网络检测准确率的同时减少网络参数,缩短网络检测时长;最后,引入卷积注意力模块,标定通道和空间特征权重,提升网络性能,通过全连接层进行分类,输出18种低频信号的概率分布。结果表明:将含有工频谐波干扰等5类噪声的移频信号输入低频检测模型中进行检测,平均准确率可达99.22%,召回率达到99.21%,综合评价指标值为0.992,检测时间不超过0.249 s。该方法检测效果更优,具有良好的抗干扰能力,可为带内噪声干扰条件下检测ZPW-2000移频信号的低频信息提供重要参考。 展开更多
关键词 轻量化卷积神经网络 谐波干扰 多尺度神经网络 信号检测 ZPW-2000移频信号
在线阅读 下载PDF
基于GADF-CWT-GCNN的滚动轴承故障诊断方法研究
18
作者 张小丽 罗鑫 +2 位作者 李敏 梁旺 王芳珍 《西北工业大学学报》 EI CAS CSCD 北大核心 2024年第5期866-874,共9页
针对滚动轴承故障诊断在小样本环境下引起的模型泛化能力差、诊断精度低的问题,提出一种基于格拉姆角分场(GADF)和连续小波变化(continuous wavelet transform,CWT)与并行二维组归一化卷积神经网络(parallel convolutional neural netwo... 针对滚动轴承故障诊断在小样本环境下引起的模型泛化能力差、诊断精度低的问题,提出一种基于格拉姆角分场(GADF)和连续小波变化(continuous wavelet transform,CWT)与并行二维组归一化卷积神经网络(parallel convolutional neural network,P2D-GCNN)的滚动轴承故障诊断方法。对采集的数据进行预处理,采用格拉姆角场和连续小波变换将一维振动信号转换成二维图像作为模型输入,再选用数据增强技术扩充样本子图,满足网络输入要求,并将其导入搭建的组归一化卷积神经网络中进行诊断检测。结果表明:文中数据处理方法与搭建模型在小样本环境下泛化能力远高于SVM和1D-CNN等其他网络模型。为进一步验证模型在小样本数据下的识别能力,取数据集的70%,40%和20%样本量进行多次实验,所对应的训练准确率及测试准确率分为99.38%,99.02%,99.47%,98.29%,99.05%,97.08%。结果证明,文中模型在小样本环境下对轴承故障诊断具有很高的准确率。 展开更多
关键词 滚动轴承 故障诊断 格拉姆角分场(GADF) 小波变换(CWT) 并行二维卷积神经网络(P2D-GCNN)
在线阅读 下载PDF
并联卷积神经网络的近红外光谱定量分析模型 被引量:4
19
作者 于水 宦克为 +1 位作者 刘小溪 王磊 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第6期1627-1635,共9页
近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近... 近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。 展开更多
关键词 近红外光谱 深度学习 并联卷积神经网络 定量分析 预测模型
在线阅读 下载PDF
基于三维并行多视野卷积神经网络的脑电信号情感识别 被引量:2
20
作者 韩新龙 高云园 马玉良 《传感技术学报》 CAS CSCD 北大核心 2024年第4期696-703,共8页
利用脑电信号识别情感状态已经成为当前的研究热门。现有的情感识别方法通常提取二维信息作样本,却忽略了包含大脑不同区域重要特征的空间信息。针对这个问题,结合脑电通道间布局和原始脑电信号中的频率相关特征,提出了基于三维并行多... 利用脑电信号识别情感状态已经成为当前的研究热门。现有的情感识别方法通常提取二维信息作样本,却忽略了包含大脑不同区域重要特征的空间信息。针对这个问题,结合脑电通道间布局和原始脑电信号中的频率相关特征,提出了基于三维并行多视野卷积神经网络(Three-dimensional Parallel Multi-field Convolutional Neural Network, TPMCNN)的脑电情感识别新方法。首先将原始脑电信号划分成多频带,并提取每个频带的微分熵(DE)特征。接着将数据按照电极传感器的位置转变成三维特征矩阵。最后采用TPMCNN网络处理所得到的矩阵。实验结果表明,利用不同频带的微分熵特征构造的三维特征矩阵,能够有效地提取多通道脑电信号中与情感识别有关的特征,所提出的并行多视野卷积神经网络能够充分发挥出深度学习的优势。实验在公开数据集DEAP上进行二分类,在唤醒和效价的准确率分别达到了97.31%和96.72%,四分类的准确率达到了97.17%,证实了所提出的方法对脑电信号情感识别的优越性能。 展开更多
关键词 情感识别 三维特征 多视野卷积神经网络 并行网络
在线阅读 下载PDF
上一页 1 2 7 下一页 到第
使用帮助 返回顶部