This paper considers the problem of target and jamming recognition for the pulse Doppler radar fuze(PDRF).To solve the problem,the matched filter outputs of the PDRF under the action of target and jamming are analyzed...This paper considers the problem of target and jamming recognition for the pulse Doppler radar fuze(PDRF).To solve the problem,the matched filter outputs of the PDRF under the action of target and jamming are analyzed.Then,the frequency entropy and peak-to-peak ratio are extracted from the matched filter output of the PDRF,and the time-frequency joint feature is constructed.Based on the time-frequency joint feature,the naive Bayesian classifier(NBC)with minimal risk is established for target and jamming recognition.To improve the adaptability of the proposed method in complex environments,an online update process that adaptively modifies the classifier in the duration of the work of the PDRF is proposed.The experiments show that the PDRF can maintain high recognition accuracy when the signal-to-noise ratio(SNR)decreases and the jamming-to-signal ratio(JSR)increases.Moreover,the applicable analysis shows that he ONBCMR method has low computational complexity and can fully meet the real-time requirements of PDRF.展开更多
针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成...针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。展开更多
针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编...针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编码器和正交约束实现域共享特征和域私有特征的解纠缠,筛除域私有特征并保留域共享特征进行域间对齐;其次,为缩小源域与目标域间的特征分布差异,采用多核最大均值差异(multiple kernel maximum mean discrepancy,MK-MMD)和相关对齐(correlation alignment,CORAL)方法构建融合度量准则;最后,为避免多源域差异带来的负面影响导致诊断精度下降的问题,采用源对抗模块和迁移对抗模块实现源域间及源域与目标域间的域混淆增强,并采用协同决策方式进行特征加权融合,降低弱相关域特征的干扰,实现最终的故障诊断识别。通过两种跨工况下的滚动轴承故障数据集对所提方法开展试验验证,并与单源域诊断方法及其它多源域诊断方法进行了对比分析,证明了所提方法的有效性和优越性。展开更多
中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的...中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel(adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示:AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模型。展开更多
基金supported by the National Natural Science Foundation of China(Grant No.61973037 and No.61673066).
文摘This paper considers the problem of target and jamming recognition for the pulse Doppler radar fuze(PDRF).To solve the problem,the matched filter outputs of the PDRF under the action of target and jamming are analyzed.Then,the frequency entropy and peak-to-peak ratio are extracted from the matched filter output of the PDRF,and the time-frequency joint feature is constructed.Based on the time-frequency joint feature,the naive Bayesian classifier(NBC)with minimal risk is established for target and jamming recognition.To improve the adaptability of the proposed method in complex environments,an online update process that adaptively modifies the classifier in the duration of the work of the PDRF is proposed.The experiments show that the PDRF can maintain high recognition accuracy when the signal-to-noise ratio(SNR)decreases and the jamming-to-signal ratio(JSR)increases.Moreover,the applicable analysis shows that he ONBCMR method has low computational complexity and can fully meet the real-time requirements of PDRF.
文摘针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。
文摘针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编码器和正交约束实现域共享特征和域私有特征的解纠缠,筛除域私有特征并保留域共享特征进行域间对齐;其次,为缩小源域与目标域间的特征分布差异,采用多核最大均值差异(multiple kernel maximum mean discrepancy,MK-MMD)和相关对齐(correlation alignment,CORAL)方法构建融合度量准则;最后,为避免多源域差异带来的负面影响导致诊断精度下降的问题,采用源对抗模块和迁移对抗模块实现源域间及源域与目标域间的域混淆增强,并采用协同决策方式进行特征加权融合,降低弱相关域特征的干扰,实现最终的故障诊断识别。通过两种跨工况下的滚动轴承故障数据集对所提方法开展试验验证,并与单源域诊断方法及其它多源域诊断方法进行了对比分析,证明了所提方法的有效性和优越性。
文摘中文电子病历实体关系抽取是构建医疗知识图谱,服务下游子任务的重要基础。目前,中文电子病例进行实体关系抽取仍存在因医疗文本关系复杂、实体密度大而造成医疗名词识别不准确的问题。针对这一问题,提出了基于对抗学习与多特征融合的中文电子病历实体关系联合抽取模型AMFRel(adversarial learning and multi-feature fusion for relation triple extraction),提取电子病历的文本和词性特征,得到融合词性信息的编码向量;利用编码向量联合对抗训练产生的扰动生成对抗样本,抽取句子主语;利用信息融合模块丰富文本结构特征,并根据特定的关系信息抽取出相应的宾语,得到医疗文本的三元组。采用CHIP2020关系抽取数据集和糖尿病数据集进行实验验证,结果显示:AMFRel在CHIP2020关系抽取数据集上的Precision为63.922%,Recall为57.279%,F1值为60.418%;在糖尿病数据集上的Precision、Recall和F1值分别为83.914%,67.021%和74.522%,证明了该模型的三元组抽取性能优于其他基线模型。
