检索结果-南通市图书馆

Multi⁃Scale Dilated Convolutional Neural Network for Hyperspectral Image Classification

在线全文

学校读者我要写书评

暂无评论

Journal of Harbin Institute of Technology(New Series) 2021年第4期28卷 25-32页

作者： Shanshan Zheng Wen Liu Rui Shan Jingyi Zhao guoqian jiang Zhi Zhang School of Science Yanshan UniversityQinhuangdao 066004HebeiChina College of Mechanical Engineering Yanshan UniversityQinhuangdao 066004HebeiChina School of Electrical Engineering Yanshan UniversityQinhuangdao 066004HebeiChina Beijing Institute of Space Mechanic&Electricity Beijing 100094China

Aiming at the problem of image information loss,dilated convolution is introduced and a novel multi⁃scale dilated convolutional neural network(MDCNN)is *** convolution can polymerize image multi⁃scale information without reducing the *** first layer of the network used spectral convolutional step to reduce *** the multi⁃scale aggregation extracted multi⁃scale features through applying dilated convolution and shortcut *** extracted features which represent properties of data were fed through Softmax to predict the *** achieved the overall accuracy of 99.58% and 99.92% on two public datasets,Indian Pines and Pavia *** with four other existing models,the results illustrate that MDCNN can extract better discriminative features and achieve higher classification performance.

关键词： multi⁃scale aggregation dilated convolution hyperspectral image classification(HSIC) shortcut connection

同方期刊数据库

基于PCA和多变量极限学习机的轴承剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

中国机械工程 2014年第7期25卷 984-989页

作者：何群李磊江国乾谢平燕山大学河北省测试计量技术及仪器重点实验室秦皇岛066004

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上... 详细信息

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。

关键词：主成分分析极限学习机多变量极限学习机剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

基于排序模式相异性分析的轴承健康监测

中国机械工程 2017年第6期28卷 714-720,727页

作者：江国乾谢平王霄何群李继猛燕山大学电气工程学院秦皇岛066004

排序模式分析方法通过相空间重构将一维振动时间序列映射到排序模式概率分布,来揭示序列内部结构的复杂性变化,为微弱信号特征提取提供了一种新视角。将排序模式分析和信息散度相结合,提出一种排序信息散度指标,用于对设备不同运行状态... 详细信息

排序模式分析方法通过相空间重构将一维振动时间序列映射到排序模式概率分布,来揭示序列内部结构的复杂性变化,为微弱信号特征提取提供了一种新视角。将排序模式分析和信息散度相结合,提出一种排序信息散度指标,用于对设备不同运行状态下的振动信号在高维相空间中排序模式概率分布的差异性进行量化分析,并用于轴承内圈不同损伤程度评估和轴承全寿命退化趋势分析。结果表明,与传统的时域统计指标及小波熵、近似熵、排序熵等非线性复杂度指标相比较,所提出的排序信息散度指标具有较好的故障程度量化分析性能,对轴承早期故障退化更加敏感,且稳定性好、计算效率高,利于工程实现。

关键词：排序模式分析信息散度状态监测滚动轴承

在线全文

学校读者我要写书评

暂无评论

基于改进MEDA算法的脑电情绪识别

仪器仪表学报 2021年第12期42卷 157-166页

作者：何群李冉冉付子豪江国乾谢平燕山大学电气工程学院河北省测试计量技术及仪器重点实验室秦皇岛066004

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情绪识别中准确率低的问题。其中MEDA通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件分布的权重大... 详细信息

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情绪识别中准确率低的问题。其中MEDA通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件分布的权重大小。针对特征维度大且有可能存在不良特征的问题,提出改进MEDA算法,即引入改进最小冗余最大相关算法用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。在SEED数据集和实测数据对该算法验证,改进MEDA算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了8.97%、4.00%、2.89%,改进的MEDA算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升3.36%,验证了该方法的有效性。

关键词：情绪识别特征选择迁移学习流行嵌入分布对齐算法

基于多字典-共振稀疏分解的脉冲故障特征提取

在线全文

学校读者我要写书评

暂无评论

中国机械工程 2019年第20期30卷 2456-2462,2472页

作者：王霄谢平郭源耕武鑫江国乾何群燕山大学电气工程学院秦皇岛066004 秦皇岛港股份有限公司第六港务分公司秦皇岛066004

针对信号共振稀疏分解(RBSSD)方法中因字典单一导致其在处理低信噪比信号时存在分解不完全,以及因参数繁多选取困难而使其在实际工程中存在应用局限的问题,提出了多字典-共振稀疏分解(MD-RBSSD)方法。该方法在RBSSD调Q字典的基础上添加... 详细信息

针对信号共振稀疏分解(RBSSD)方法中因字典单一导致其在处理低信噪比信号时存在分解不完全,以及因参数繁多选取困难而使其在实际工程中存在应用局限的问题,提出了多字典-共振稀疏分解(MD-RBSSD)方法。该方法在RBSSD调Q字典的基础上添加了Symlet8字典和正弦字典,通过对RBSSD分解后的低共振分量进行再次分离来实现对故障脉冲的增强提取。同时,引入相关峭度指标对提取结果进行量化评价,以验证分解结果的可靠性。算法仿真、实验分析和工程实例结果均表明,与传统RBSSD方法相比,所提出的MD-RBSSD方法能够更加准确有效地提取故障冲击成分,降低了RBSSD参数选择的难度,从而增加了RBSSD方法在工程领域的适用性。

关键词：共振稀疏分解多字典脉冲提取相关峭度

在线全文

学校读者我要写书评

暂无评论

融合单通道框架及多通道框架的运动想象分类

仪器仪表学报 2018年第9期39卷 20-29页

作者：何群杜硕张园园江国乾谢平燕山大学电气工程学院河北省测试计量技术及仪器重点实验室

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为... 详细信息

针对运动想象脑电信号非平稳、非线性、低信噪比的特点,多种分析方法被广泛应用于运动想象脑电信号特征提取研究中。但单通道脑电分析方法难以有效刻画多通道脑电间的交互信息,且现有特征指标未考虑到通道间的非线性动力学耦合特性。为此,提出一种融合单通道时-频特征和多通道耦合特征的运动想象脑电分析方法策略。通过引入多变量经验模态分解（MEMD）将脑电信号分解为具有共有震荡模式的固有模态函数（IMFs）,然后对有效特征频带下的IMF分量获取单通道的边际谱（MS）及瞬时能谱（IES）时-频特征和多通道的互样本熵（CSampEn）、锁相值（PLV）及锁频值（FLV）耦合特征,将融合特征输入加权线性判别分类器（LDA）进行运动想象模式识别。实验引入BCI 2008竞赛Dataset IIb数据集与实测数据进行分析,结果表明所提方法可有效提升运动想象脑电识别率,实验中竞赛数据集的9名受试者的平均识别率与平均Kappa系数分别达到80.1%与0.62,与其他方法相比提高了分类精度,为运动想象脑-机接口研究提供了新思路。

关键词：脑电信号运动想象多变量经验模态分解单通道时-频特征多通道耦合特征非线性动力学耦合特征

基于电流信号稀疏滤波特征融合的齿轮箱故障诊断方法

在线全文

学校读者我要写书评

暂无评论

电网技术 2020年第5期44卷 1964-1971页

作者：何群赵婧怡江国乾贾晨凌谢平燕山大学电气工程学院河北省秦皇岛市066004

风电齿轮箱的故障诊断方法主要以振动信号分析为主,相比于振动信号,电流信号具有非侵入式、监测成本低等优点。因此,提出基于发电机电流信号的风电齿轮箱故障诊断方法。针对电流信号基频分量干扰大、信噪比低而造成的特征提取难的问题,... 详细信息

风电齿轮箱的故障诊断方法主要以振动信号分析为主,相比于振动信号,电流信号具有非侵入式、监测成本低等优点。因此,提出基于发电机电流信号的风电齿轮箱故障诊断方法。针对电流信号基频分量干扰大、信噪比低而造成的特征提取难的问题,提出基于稀疏滤波网络的电流信号无监督特征学习与融合方法。首先,设计基于稀疏滤波的局部特征学习网络,用于从原始电流信号和包络信号中分别学习不同的故障特征;然后,将通过稀疏滤波网络学习到的原始信号稀疏特征与包络信号稀疏特征进行融合以丰富故障特征空间;最后,将融合的特征输入到支持向量机进行训练,实现不同故障类型的智能识别与诊断。通过风电齿轮箱实验台开展齿轮箱故障模拟实验来验证所提出的方法。实验结果表明,该方法能够从电流信号中自动提取反映齿轮故障的有用特征,相比于传统特征提取方法,取得了较高的诊断精度和效率。

关键词：风电齿轮箱电流信号无监督特征学习稀疏滤波特征融合故障诊断

基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估

在线全文

学校读者我要写书评

暂无评论

太阳能学报 2023年第12期44卷 214-220页

作者：何群李晔阳江国乾苏楠谢平武鑫燕山大学电气工程学院秦皇岛066004 江苏国科智能电气有限公司南通226400

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障,提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分,同时对传感器信息和时序信息进行编码解码并提取压缩特征,根据高斯混合模型设计基于信号本身概... 详细信息

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障,提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分,同时对传感器信息和时序信息进行编码解码并提取压缩特征,根据高斯混合模型设计基于信号本身概率分布的能量设计评价指标进行健康评估。根据核密度估计确定阈值,并利用某真实风电场数据进行实验,验证方法的有效性。

关键词：风电机组自编码网络健康评估高斯混合模型数据采集与监控系统

基于多任务学习的快速序列视觉呈现脑电图分类

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2023年第11期44卷 215-223页

作者：谢平胡锦城江国乾王鹏宇门延帝燕山大学电气工程学院秦皇岛066004 河北省智能康复及神经调控重点实验室秦皇岛066004 河北省测试计量技术及仪器重点实验室秦皇岛066004

针对快速序列视觉呈现的脑电图数据存在样本不平衡问题,提出一种基于多任务学习的快速序列视觉呈现脑电图分类模型。首先,建立深度共享特征提取模块,利用卷积神经网络自动学习共享参数,提取与任务关联的深度特征;其次,基于分类任务和超... 详细信息

针对快速序列视觉呈现的脑电图数据存在样本不平衡问题,提出一种基于多任务学习的快速序列视觉呈现脑电图分类模型。首先,建立深度共享特征提取模块,利用卷积神经网络自动学习共享参数,提取与任务关联的深度特征;其次,基于分类任务和超球约束任务构造多任务目标函数,利用两种任务的联合学习提取更有效的判别特征,提高模型泛化性。在快速序列视觉呈现公开数据集中进行实验,与常见的脑电分类模型DeepConvNet、EEGInception、DRL以及EEGNet相比,提出的Multi-task EEGNet在32个受试者中平均AUC分别提升3.57%、1.84%、6.22%和2.09%。实验结果表明,提出的多任务学习模型能更充分地提取判别特征,有效提升模型分类性能,较好地解决EEG分类任务中样本不平衡问题。

关键词：脑电图快速序列视觉呈现多任务学习卷积神经网络

同方期刊数据库