检索结果-南通市图书馆

基于空间特征交叉融合的轻量级图像超分辨率重建

在线全文

学校读者我要写书评

暂无评论

兵工学报 2023年

作者：赵小强程伟兰州理工大学国家级电气与控制工程实验室教学中心甘肃省工业过程先进控制重点实验室兰州理工大学电气工程与信息工程学院

近几年，深度学习技术显著提高了单幅图像超分辨率重建（SISR）的性能，然而，基于深度学习技术的SISR算法存在模型参数量大、网络结构复杂、资源消耗多等问题。为了解决这些问题，提出一种基于空间特征交叉融合的轻量级图像超分辨率重... 详细信息

近几年，深度学习技术显著提高了单幅图像超分辨率重建（SISR）的性能，然而，基于深度学习技术的SISR算法存在模型参数量大、网络结构复杂、资源消耗多等问题。为了解决这些问题，提出一种基于空间特征交叉融合的轻量级图像超分辨率重建算法，该算法使用多个局部特征融合模块和特征交叉增强模块组成非线性映射单元，通过残差学习逐步聚合图像特征，提取更加精准的残差信息。同时采用对称结构将特征映射到两个分支，通过执行特征交叉，对应元素相乘提取高频成分，细化特征，增加网络非线性。在每个特征交叉增强模块中使用异构卷积代替标准卷积拆分和融合两条分支，有效地降低网络的参数量，使网络在参数量和性能之间达到相对平衡。通过一个多级集成模块增强不同阶段特征的相关性。在基准数据集上的实验表明，新的重建算法在降低模型参数量的同时，峰值信噪比和结构相似度均取得了较好的结果，而且重建图像的边缘结构完整，整体轮廓清晰，细节更加丰富。

关键词：超分辨率轻量化异构卷积特征交叉

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

多特征融合的滚动轴承故障诊断

农业工程学报 2023年第13期39卷 80-88页

作者：赵小强郭海科兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验室教学中心兰州730050

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-SwinT滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform,CWT)将一维振动信号... 详细信息

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-SwinT滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform,CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks,MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module,CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%~99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-SwinT相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。

关键词：故障诊断小波变换特征融合滚动轴承残差连接变工况

基于双路并行多尺度ResNet的滚动轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2023年第3期42卷 199-208页

作者：赵小强张毓春兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验室教学中心兰州730050

针对传统方法在滚动轴承故障诊断中无法自适应提取有效特征信息,且滚动轴承在强环境噪声干扰、复杂变工况等因素影响下诊断效果不佳,有抗噪性和泛化性下降的问题,提出了一种双路并行多尺度的改进残差神经网络(residual neural network, ... 详细信息

针对传统方法在滚动轴承故障诊断中无法自适应提取有效特征信息,且滚动轴承在强环境噪声干扰、复杂变工况等因素影响下诊断效果不佳,有抗噪性和泛化性下降的问题,提出了一种双路并行多尺度的改进残差神经网络(residual neural network, ResNet)的方法。该方法设计了多尺度的残差Inception模块,可以有效提取特征信息,同时加入注意力机制解决了数据的突变性和差异性,此外还使用多个空洞卷积的残差块扩大感受野,有助于提取更多特征信息,实现准确故障诊断。利用凯斯西储大学轴承数据集和东南大学变速箱数据集分别训练并测试了诊断效果,将该方法与其他卷积神经网络的方法在变噪声、变工况情况下作了对比,诊断准确率最高达到99.73%,平均准确率也在95%以上,均高于其他比较方法。结果表明,该方法在复杂多变的工况下具有较好的故障识别能力和泛化能力。

关键词：故障诊断滚动轴承变工况注意力机制多尺度ResNet

在线全文

学校读者我要写书评

暂无评论

基于特征和类别对齐的领域适应算法

控制与决策 2022年第5期37卷 1203-1210页

作者：赵小强蒋红梅兰州理工大学电气工程与信息工程学院兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验教学中心兰州730050

针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(ma... 详细信息

针对现有的基于对抗学习的领域适应算法未能充分挖掘样本的可转移特征导致泛化能力较差和分类精确度较低的问题,提出基于特征和类别对齐的领域适应(FCDA)算法.首先,针对最大均值差异(MMD)度量准则存在的不足进行改进,得到一种新的MID(maximizes the intra-domain density)度量函数,分别度量具有相同标签的源域样本特征间的分布散度和相同标签的目标域样本特征间的分布散度,实现最大化域内同类样本的类密度,从而降低类的错分率;其次,为了能更深层次地学习目标样本的抽象的、可转移的特征,从而减小域间差异,在特征提取网络后加入残差校正块,深化基础网络,提高其特征的可迁移性;最后,将获取的特征经过联合判别网络,通过对抗损失函数同时实现在类级和域级的对齐.所提出的算法在数据集Office-31上平均准确率为88.6%,在数据集Office-Home上平均准确率为67.7%,并与其他算法相比,验证了所提算法具备良好的泛化能力,可以实现较高的分类性能.

关键词：领域适应联合判别网络残差校正块 MID度量函数

基于信息蒸馏级联伸缩网络的图像超分辨率重建

在线全文

学校读者我要写书评

暂无评论

湖南大学学报（自然科学版） 2023年第8期50卷 52-61页

作者：赵小强李希尧兰州理工大学电气工程与信息工程学院甘肃兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室甘肃兰州730050 兰州理工大学国家级电气与控制工程实验教学中心甘肃兰州730050

针对图像超分辨率重建算法在图像高频信息恢复过程中特征提取不充分、利用效率不高、重建高频细节能力不足等问题,本文提出了一种基于信息蒸馏级联伸缩网络的图像超分辨率重建算法.首先,构建特征可伸缩的信息蒸馏块,通过扩大信息蒸馏中... 详细信息

针对图像超分辨率重建算法在图像高频信息恢复过程中特征提取不充分、利用效率不高、重建高频细节能力不足等问题,本文提出了一种基于信息蒸馏级联伸缩网络的图像超分辨率重建算法.首先,构建特征可伸缩的信息蒸馏块,通过扩大信息蒸馏中输入信息的特征感受野,以及采用通道注意力提取感兴趣信息,解决了信息蒸馏的图像超分辨率重建非线性映射过程中特征提取不充分的问题;然后,设计级联残差叠加映射块,该块将多个残差块组合在一起,通过将残差结构中的残差部分引出并采用级联叠加的方式,增加了信息蒸馏块间信息的传递,使提取的特征信息包含更多细节.实验结果表明,本文算法重建图像相比其他对比算法更为清晰,峰值信噪比(PSNR)和结构相似度(SSIM)均有较大的提升.

关键词：超分辨率重建卷积神经网络信息蒸馏残差网络注意力机制

基于不完整数据的IHB-LightGBM心脏病预测模型

在线全文

学校读者我要写书评

暂无评论

中国医学物理学杂志 2023年第4期40卷 512-520页

作者：赵小强乔慧兰州理工大学电气工程与信息工程学院甘肃兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室甘肃兰州730050 兰州理工大学国家级电气与控制工程实验教学中心甘肃兰州730050

提出基于不完整数据的IHB-LightGBM(Improved Hyperband-Light Gradient Boosting Machine)心脏病预测模型。首先,在Hyperband算法超参数采样的基础上引入了权重值,并通过蓄水池法按特征权重对其进行排序,从而筛选出最优参数以提高算法... 详细信息

提出基于不完整数据的IHB-LightGBM(Improved Hyperband-Light Gradient Boosting Machine)心脏病预测模型。首先,在Hyperband算法超参数采样的基础上引入了权重值,并通过蓄水池法按特征权重对其进行排序,从而筛选出最优参数以提高算法的参数寻优能力;其次,针对心脏病数据样本小且属性缺失的问题,使用K近邻算法对不完整数据进行缺失值插补,再将处理得到的完整数据进行归一化,使数据映射至0~1范围内;最后,对LightGBM采用改进后的IHB优化算法进行全局参数寻优,建立IHB-LightGBM心脏病预测模型。使用UCI心脏病数据集进行实验,结果表明IHB算法的参数寻优效果优于贝叶斯、随机搜索等优化算法,IHB-LightGBM模型在各项评价指标也上明显高于随机森林、极端随机树等算法,可以获得更快的预测速度和更高的预测精度。

关键词：数据挖掘心脏病预测超参数优化算法 LightGBM算法

基于GLNPE-SVDD的滚动轴承性能退化评估方法

在线全文

学校读者我要写书评

暂无评论

华中科技大学学报（自然科学版） 2021年第1期49卷 12-16页

作者：陈鹏赵小强兰州理工大学电气工程与信息工程学院甘肃兰州730050 兰州理工大学甘肃省工业过程先进控制重点实验室甘肃兰州730050 兰州理工大学国家级电气与控制工程实验教学中心甘肃兰州730050

针对滚动轴承退化指标提取方法中存在退化指标提取不全面的问题,提出一种考虑全局和局部的领域保持嵌入式(GLNPE)与支持向量机描述(SVDD)相结合的退化指标提取方法.通过在局部保持领域保持嵌入(NPE)方法中引入保持最大方差的全局结构目... 详细信息

针对滚动轴承退化指标提取方法中存在退化指标提取不全面的问题,提出一种考虑全局和局部的领域保持嵌入式(GLNPE)与支持向量机描述(SVDD)相结合的退化指标提取方法.通过在局部保持领域保持嵌入(NPE)方法中引入保持最大方差的全局结构目标函数,建立最大方差保持和最小领域保持的全局-局部最大目标函数,实现振动信号原始性能退化特征的全局-局部特征提取,并结合SVDD实现滚动轴承性能退化指标的提取和性能退化评估.利用辛辛那提全寿命实验数据验证了该方法的有效性.与最近相关文献和局部、全局方法相比,所提方法的早期故障监测和退化评估性能更优.

关键词：滚动轴承性能退化早期故障支持向量机描述局部保持领域保持嵌入

基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2021年第13期40卷 146-153页

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题。提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法。首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L... 详细信息

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题。提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法。首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对降噪后的信号进行希尔伯特包络谱分析实现故障特征频率的提取。在仿真信号和美国西储大学工程数据集上,对提出的方法进行了验证,同时与Teager能量算子降噪的方法和基于包络熵准则的优化方法进行了对比,结果表明提出的方法效果更优。

关键词：特征提取故障诊断鲸鱼优化算法(WOA) 变分模态分解(VMD) 阈值降噪

基于变量分块的KDLV-DWSVDD间歇过程故障检测算法研究

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2021年第2期42卷 244-256页

作者：赵小强牟淼兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验教学中心兰州730050

非线性动态间歇过程中,测量变量存在不同的序列相关性,且变量间的交叉相关性会体现在不同的采样时刻上,然而传统检测方法没有考虑这种变量间的相关性,通常将所有变量视为独立或相关关系进行特征提取,不能充分提取到故障信息的特征,造成... 详细信息

非线性动态间歇过程中,测量变量存在不同的序列相关性,且变量间的交叉相关性会体现在不同的采样时刻上,然而传统检测方法没有考虑这种变量间的相关性,通常将所有变量视为独立或相关关系进行特征提取,不能充分提取到故障信息的特征,造成监测效果不佳。因此,提出一种基于变量分块的核动态潜变量-动态加权支持向量数据描述(KDLV-DWSVDD)间歇过程故障检测算法。首先,通过求取变量间的互信息值(MI)将变量分为相关与独立两个变量子块;然后,通过KDLV算法将相关变量子块分为动态部分和静态部分,对动态部分建立向量自回归模型进行监测,对静态部分采用邻域保持嵌入(NPE)算法进行监测;独立变量子块中自变量的动态信息可通过DWSVDD算法进行提取;最后,通过KDLV-DWSVDD算法建立监控统计量进行故障检测。所提算法在青霉素发酵仿真过程中平均故障检测率可达90.38%,相较对比算法提高了近15%,半导体实际工业过程也证明了所提算法对于间歇过程故障检测的可行性和优越性。

关键词：间歇过程故障检测互信息动态潜变量支持向量数据描述邻域保持嵌入