检索结果-南通市图书馆

一维卷积神经网络特征提取下微震能级时序预测

在线全文

学校读者我要写书评

暂无评论

工程科学学报 2021年第7期43卷 1003-1009页

作者：裴艳宇杨小彬传金平吴学松程虹铭吕祥锋中国矿业大学(北京)应急管理与安全工程学院北京100083 华亭煤业公司砚北煤矿华亭744105 北京科技大学土木与资源工程学院北京100083

微震能级随时间发生变化,高能级微震事件与冲击地压有良好的对应关系,为预测矿山微震能量时序变化,基于一维卷积神经网络(Convolutional neural networks,CNN),建立微震能级时间序列预测模型;通过模型训练,实现以前十次微震事件的能量... 详细信息

微震能级随时间发生变化,高能级微震事件与冲击地压有良好的对应关系,为预测矿山微震能量时序变化,基于一维卷积神经网络(Convolutional neural networks,CNN),建立微震能级时间序列预测模型;通过模型训练,实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别.由于微震样本数据类间不平衡问题,导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件,为进一步提高模型对106能级微震事件预测的准确率,对模型进行改进并使用混合采样方法训练改进后的模型;利用砚北煤矿250202工作面微震能级实测部分数据,改进后模型的总体测试正确率达到98.4%,其中106能量级别的微震事件测试正确率提升到99%.将模型应用于砚北煤矿250202工作面进行微震能级时序预测,模型的预测正确率整体达到93.5%,且对高能级微震事件的预测正确率接近100%.

关键词：微震能级时序预测一维卷积神经网络类间不平衡混合采样冲击地压

一维卷积神经网络的自编码癫痫发作异常检测模型

在线全文

学校读者我要写书评

暂无评论

南方医科大学学报 2024年第9期44卷 1796-1804页

作者：欧嘉志詹长安杨丰南方医科大学生物医学工程学院广东广州510515

目的将一维卷积神经网络(1DCNN)作为自编码模型的特征提取网络,利用1DCNN对头皮脑电信号(EEG)局部特征的感知能力来提高自编码模型(AE)在低维特征空间的表达能力,提出一种简单高效的癫痫异常检测模型。方法癫痫发作后会出现标志性的EEG... 详细信息

目的将一维卷积神经网络(1DCNN)作为自编码模型的特征提取网络,利用1DCNN对头皮脑电信号(EEG)局部特征的感知能力来提高自编码模型(AE)在低维特征空间的表达能力,提出一种简单高效的癫痫异常检测模型。方法癫痫发作后会出现标志性的EEG波形变化,通过1DCNN的局部特征提取能力,捕捉正常信号的局部信息;利用正常数据训练自编码器,学习正常EEG数据在低维特征空间的表达,作为异常数据的癫痫EEG数据会脱离正常数据的低维特征空间,从而自编码模型无法有效地实现癫痫异常信号的重构;首先将输入和输出的差值作为异常分数值,然后通过ROC曲线的最优平衡点确定阈值,超过阈值的EEG信号被诊断为癫痫发作数据。利用公开数据集CHB-MIT脑电数据集和TUH脑电数据集,评估本文所提出的1DCNN-AE癫痫检测模型。结果从AUC值和癫痫事件检测两个任务来看,1DCNN-AE模型在患者平均水平下的AUC值分别达到了CHB-MIT的0.890和TUH的0.686,癫痫检测率达到了0.974和0.893,其结果优于最新癫痫异常检测模型LSTM-VAE和模型GRU-VAE。对于模型参数量而言,与LSTM-VAE的47.4M和GRU-VAE的36.9M等模型参数量相比,1DCNN模型的参数量Params达到了58.5M,处于同一个量级;但1DCNN-AE模型计算量FLOPs为0.377G,远远小于LSTM-VAE的21.6G和GRU-VAE的16.2G。结论1DCNN的自编码模型能有效地实现癫痫发作异常检测。

关键词：自编码器深度学习癫痫检测异常检测一维卷积神经网络

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2019年第12期39卷 3755-3760页

作者：赵勇荣康谈爱玲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河北秦皇岛066004 燕山大学信息科学与工程学院河北省特种光纤与光纤传感重点实验室河北秦皇岛066004

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干... 详细信息

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络(one-dimensional convolution neural network,1D-CNN)的拉曼光谱定性分类方法。实验采集雌酮(Estrone)、雌二醇(Estradiol),雌三醇(Estriol)三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。

关键词：拉曼光谱深度学习一维卷积神经网络雌性激素定性分类

基于改进一维卷积神经网络的电力系统暂态稳定评估

在线全文

学校读者我要写书评

暂无评论

电网技术 2021年第8期45卷 2945-2954页

作者：赵恺石立宝电力系统国家重点实验室深圳室(清华大学深圳国际研究生院) 广东省深圳市518055

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法。该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传... 详细信息

为充分挖掘电力系统暂态过程中量测数据的时序信息,并进一步提高电力系统暂态稳定评估的准确率,提出了一种基于改进一维卷积神经网络的电力系统暂态稳定评估方法。该方法直接以底层量测数据作为输入特征,通过使用多尺寸卷积核来替代传统的单尺寸卷积核,能够有效提取量测数据的多粒度时序信息,实现了端到端的暂态稳定评估。另一方面,引入了焦点损失函数来指导模型训练,其能发掘困难样本并且缓解样本不均衡问题,进一步提升了模型的辨识性能。此外,通过应用Guided Grad-CAM算法对暂态评估模型的类激活图进行可视化分析,提升了模型的可解释性和透明性。在新英格兰10机39节点算例系统上的仿真分析表明,相较于基于传统机器学习和深度学习的暂态稳定评估方法,所提出的方法具有更优的评估性能,并且对受“污染”数据具有更好的鲁棒性。

关键词：暂态稳定评估一维卷积神经网络深度学习焦点损失函数可解释性

基于多通道一维卷积神经网络的刀具磨损动态预测模型

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2期42卷 60-67页

作者：黄华姚嘉靖王永和吕延军兰州理工大学机电工程学院兰州730050 西安理工大学机械与精密仪器工程学院西安710048

针对同一工况下不同刀具磨损预测建模中的数据分布不同,从而导致的历史模型失效问题,提出了一种基于多通道一维卷积神经网络的刀具磨损动态预测建模方法。历史刀具磨损数据训练的多通道一维卷积神经网络,作为初始的刀具磨损预测历史模... 详细信息

针对同一工况下不同刀具磨损预测建模中的数据分布不同,从而导致的历史模型失效问题,提出了一种基于多通道一维卷积神经网络的刀具磨损动态预测建模方法。历史刀具磨损数据训练的多通道一维卷积神经网络,作为初始的刀具磨损预测历史模型。最大均值差异(maximum mean difference, MMD)法对不同刀具磨损数据进行相似度检测,当相似度相差较大时,在历史模型的基础上进行迭代更新,更新后的模型再对磨损数据进行预测。铣削试验验证结果表明,该方法能够准确预测不同刀具的磨损值大小,具有较好的自适应能力。

关键词：刀具磨损动态建模一维卷积神经网络最大均值差异(MMD)

在线全文

学校读者我要写书评

暂无评论

一维卷积神经网络超宽带天线建模方法

电子测量与仪器学报 2023年第2期37卷 204-210页

作者：南敬昌孙雯雯杜有益王明寰辽宁工程技术大学电子与信息工程学院葫芦岛125105 南京理工大学电子工程与光电技术学院南京210000

为加快天线建模优化速度,提出了一种改进的一维卷积神经网络(1D-MCNN)模型。此一维神经网络的卷积核大小为2,将ReLU函数作为激活函数降低梯度弥散;利用Adam优化器与dropout技术结合,提高模型的特征学习能力和非线性函数逼近能力。本文使... 详细信息

为加快天线建模优化速度,提出了一种改进的一维卷积神经网络(1D-MCNN)模型。此一维神经网络的卷积核大小为2,将ReLU函数作为激活函数降低梯度弥散;利用Adam优化器与dropout技术结合,提高模型的特征学习能力和非线性函数逼近能力。本文使用1D-MCNN模型对超宽带微带单极子天线几何参数建模,以天线的8个几何参数作为特征输入,对天线的回波损耗值进行预测。实验表明,本文所提1D-MCNN模型与深层MLP网络模型、MLP网络模型、RBF神经网络模型相比,回波损耗值的平均误差分别减小了1.95%,120.27%,125.71%,拥有更高的准确度,预测能力更强,对优化超宽带天线建模可行且性能具有一定优越性。

关键词：一维卷积神经网络超宽带单极子天线 Adam优化器 dropout技术

基于一维卷积神经网络和拉曼光谱的肺炎支原体菌株分类

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2022年第5期42卷 1439-1444页

作者：赵勇何梦园王泊林赵荣孟宗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河北秦皇岛066004 燕山大学信息科学与工程学院河北省特种光纤与光纤传感重点实验室河北秦皇岛066004

肺炎支原体是造成人类呼吸系统疾病的主要原因。临床中,患者感染不同肺炎支原体症状极为相似,很难根据症状判别肺炎支原体类型并对症给药。因此,准确判别肺炎支原体菌株类型对于发病机理和疾病流行病学研究以及临床精准治疗具有重要意... 详细信息

肺炎支原体是造成人类呼吸系统疾病的主要原因。临床中,患者感染不同肺炎支原体症状极为相似,很难根据症状判别肺炎支原体类型并对症给药。因此,准确判别肺炎支原体菌株类型对于发病机理和疾病流行病学研究以及临床精准治疗具有重要意义。拉曼光谱具有快速、高效、无污染等优点,在生物医学领域逐渐得到越来越多研究者们的关注。一维卷积神经网络(1D-CNN)是一类包含卷积运算且具有深度结构的前反馈网络,在语音信号和振动信号分析等方面取得成功应用。提出一维卷积神经网络与拉曼光谱技术结合,针对肺炎支原体主要基因型M129型和FH型样本的拉曼光谱数据集,实现肺炎支原体菌株分类。利用光谱数据增强方法扩充原光谱数据集作为模型输入,训练一维卷积神经网络模型,解决由于小样本导致卷积神经网络数据饥渴问题;为了得到最好的肺炎支原体分类效果并加速学习过程,优化模型结构并确定最佳模型参数;拉曼光谱测量时常混有高斯噪声、泊松噪声和乘性噪声,为优化模型抗噪能力,将原光谱分别叠加高斯噪声、泊松噪声和乘性噪声,训练一维卷积神经网络模型并和LDA,KNN和SVM等传统算法进行比较。实验结果表明基于1D-CNN方法,对于叠加高斯噪声的光谱数据所建模型分类正确率为98.0%,叠加泊松噪声的光谱数据分类正确率为97.0%,叠加乘性噪声的光谱数据分类正确率为97.0%,分类正确率远高于基于LDA,KNN和SVM等传统算法所建模型分类正确率;同时构造叠加5,15,25,35,45和55 dBW不同强度噪声的光谱数据集,当噪声达到55 dBW时,1D-CNN模型仍能取得92.5%的分类正确率。因此,一维卷积神经网络结合拉曼光谱技术应用于肺炎支原体菌株类型分类是可行的,具有抗噪声能力强和分类正确率高的优点,该研究为肺炎支原体肺炎快速诊断提供新思路。

关键词：肺炎支原体拉曼光谱定性分类一维卷积神经网络

基于改进一维卷积神经网络的滚动轴承故障识别

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2022年第3期41卷 216-223页

作者：王琦邓林峰赵荣珍兰州理工大学机电工程学院兰州730050

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维... 详细信息

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。

关键词：一维卷积神经网络滚动轴承故障识别

基于一维卷积神经网络与循环神经网络串联的心音分析方法

在线全文

学校读者我要写书评

暂无评论

电子学报 2022年第10期50卷 2425-2432页

作者：肖斌陈嘉博毕秀丽张俊辉李伟生王国胤马旭重庆邮电大学图像认知重庆市重点实验室重庆400065 重庆医科大学附属第一医院重庆400042 国家卫生健康委员会科学技术研究所北京100081

面向心脏疾病计算机辅助诊断,本文提出一种基于一维卷积神经网络和循环神经网络混合深度学习结构的心音分析方法.本结构首先利用卷积神经网络学习心脏病症在心音信号上的表征,然后通过循环神经网络处理心音信号中的时序信息进行分类,在... 详细信息

面向心脏疾病计算机辅助诊断,本文提出一种基于一维卷积神经网络和循环神经网络混合深度学习结构的心音分析方法.本结构首先利用卷积神经网络学习心脏病症在心音信号上的表征,然后通过循环神经网络处理心音信号中的时序信息进行分类,在提升心音分类正确率的同时,大幅度降低了网络参数.为验证本深度学习结构所学特征的有效性,除已有的成人心音数据集外,本文还专门构建了一个面向婴幼儿先天性心脏病的心音数据集,并通过端到端的类别响应图证明了本方法在室缺诊断时学习到的心音信号特征符合临床医师的心音听诊经验.实验结果表明,本文方法能在3153例成人心音数据分类上达到92.56%的正确率,在528例婴幼儿心音数据分类上达到97.48%正确率,模型参数仅有0.05 M.

关键词：心音听诊一维卷积神经网络循环神经网络类别响应图

同方期刊数据库