-
题名基于时序图神经网络的船闸液压状态预测方法
- 1
-
-
作者
喻峰
曾辉
张家治
卢科普
熊志华
刘光武
-
机构
中国长江电力股份有限公司
中船凌久高科(武汉)有限公司
武汉理工大学
-
出处
《船海工程》
北大核心
2025年第5期131-136,共6页
-
基金
中国长江电力股份有限公司项目(Z222302016)
国家自然科学基金(52471341)。
-
文摘
提出一种基于时序卷积图神经网络(TCGCN)的船闸液压系统状态预测模型,旨在提升液压系统中压力和流量的预测精度。通过结合时间序列特征与空间特征,模型有效捕捉液压系统传感器数据的复杂时空关联。实验结果表明,TCGCN在压力和流量预测任务中的表现优于传统方法和其他对比模型,尤其在应对多变量和非线性动态变化时展现出卓越的鲁棒性和准确性。通过消融实验,验证各模块(如时序卷积层、图卷积层及信息融合层)对模型性能的关键作用。
-
关键词
船闸液压系统
状态预测
时序卷积图神经网络
压力预测
流量预测
-
Keywords
ship lock hydraulic system
state prediction
temporal convolutional graph neural networks
pressure prediction
flow prediction
-
分类号
U641.6
[交通运输工程—船舶及航道工程]
-
-
题名基于深度特征协作的舰船目标分类方法
- 2
-
-
作者
李英
李至立
胡载萍
江练金
郑红
刘兴惠
-
机构
招商局海洋装备研究院有限公司
山东纬横数据科技有限公司
中船凌久高科(武汉)有限公司
-
出处
《舰船科学技术》
北大核心
2024年第23期174-178,共5页
-
基金
2022年度江苏省工业和信息产业转型升级专项资金资助项目(CMHI-2022-RDG-004)。
-
文摘
针对现有的舰船目标分类方法对舰船细粒度分类性能不佳、舰船图像特征学习效果差的问题,提出一种深度特征协作的舰船目标分类算法。首先,搭建双分支ResNet-18网络结构;然后引入对比学习的思想,实现双分支特征信息互补,丰富舰船图像特征学习;最后,通过特征协作模块,对学习到的双分支对比特征进行深度信息整合,以最小化分类损失,进而提高分类结果。在舰船图像数据集FGSC-23上的大量实验结果表明,对23类细粒度舰船图像分类平均准确率达到83.56%。
-
关键词
深度特征协作
对比学习
舰船目标分类
-
Keywords
deep feature collaboration
comparative learning
ship target classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
