检索结果-南通市图书馆

基于低延迟可解释性深度学习的复杂旋转机械关键部件知识嵌入与诊断方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机械工程学报 2024年第12期60卷 107-115页

作者：刘岳开王天杨褚福磊清华大学摩擦学国家重点实验室北京100084 清华大学机械工程系北京100084

对于复杂旋转机械关键部件的诊断任务,模型设计容易受限于以下两个特点:(1)机理驱动的方法往往难以实现复杂系统的完备、精准建模;(2)数据驱动方法多数需要规模化的高质量训练数据集用于训练。针对上述问题,提出一种先验知识嵌入的深度... 详细信息

对于复杂旋转机械关键部件的诊断任务,模型设计容易受限于以下两个特点:(1)机理驱动的方法往往难以实现复杂系统的完备、精准建模;(2)数据驱动方法多数需要规模化的高质量训练数据集用于训练。针对上述问题,提出一种先验知识嵌入的深度学习模型,融合机理知识与传感器信号特征。并通过引入轻量化模型结构,在保证模型精准性的前提下降低推理延迟。首先,通过融合先验机理知识与传感器信号特征,构建关键部件数字孪生体。然后,设计先验知识嵌入模块来提升深度学习模型对融合特征的表征能力。最后,基于帕累托最优化理论,设计考虑准确性指标和计算效率指标的多目标优化方法,对基于深度学习的诊断模型进行结构优化设计,并引入可解释性框架对深度学习模型决策过程进行分析。结果表明,所设计的关键部件数字孪生体能够提供丰富的先验信息从而加速模型收敛。基于帕累托最优化理论的训练策略,能够搜索到设定指标的相对最优解,从而在保证模型精准性的前提下有效降低模型推理延迟。

关键词：可解释深度学习先验知识嵌入数字孪生帕累托最优化低延迟推理

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

在线全文

学校读者我要写书评

暂无评论

地球信息科学学报 2024年第6期26卷 1390-1406页

作者：李欣然贺日兴姜超靳鑫唐宗棣龙伟邓悦首都师范大学资源环境与旅游学院北京100048 首都师范大学三维数据获取与应用教育部重点实验室北京100048 首都经济贸易大学城市经济与公共管理学院北京100070 城市群系统演化与可持续发展的决策模拟研究北京市重点实验室北京100070

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存... 详细信息

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型(Deep Gravity)对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值(SHapley Additive exPlanations)揭示不同尺度下影响OD流预测建模的重要特征。结果表明:①相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高(CPC值高达0.83),且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;②在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;③同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。

关键词：城市内部流动出租车轨迹数据 OD流预测多尺度深度重力模型可解释深度学习 SHAP可解释性 POI兴趣点

基于可解释物理引导空间注意力改进的跨工艺参数立铣刀磨损辨识

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2024年第12期60卷 147-157页

作者：赖旭伟丁昆张楷黄锋飞郑庆李致萱丁国富西南交通大学机械工程学院成都610031 西南交通大学轨道交通运维技术与装备四川省重点实验室成都610031

深度学习的可解释性不足已成为制约其工业应用的重要问题。刀具磨损状态智能评估方法有着较高的速度、自动化和智能化程度,然而其端到端的模式及提取的特征难以被理解。尤其在跨工艺参数时,其可解释性差、可靠性不足。为此提出一种基于... 详细信息

深度学习的可解释性不足已成为制约其工业应用的重要问题。刀具磨损状态智能评估方法有着较高的速度、自动化和智能化程度,然而其端到端的模式及提取的特征难以被理解。尤其在跨工艺参数时,其可解释性差、可靠性不足。为此提出一种基于可解释物理引导空间注意力机制改进的跨工艺参数立铣刀磨损辨识方法,首先根据信号的周期不连续特性构建了一种物理引导的空间注意力模块,实现了在跨工艺参数(进给速度、切深)下关键信号片段的自适应捕捉;其次结合最大均值差异及方差约束对特征进行约束,缩小了不同工艺参数下磨损特征的分布差异,同时提升了同类磨损特征的聚集程度。通过实际的刀具切削试验验证,所提方法有效提升了跨工艺参数下的辨识精度;空间注意力权重分布的可视化分析结果表明,所提方法提取出的特征具有明显的物理可解释性。所提方法可为刀具磨损监测的深度辨识模型进行可解释性优化提供参考。

关键词：可解释深度学习刀具磨损空间注意力物理特性

基于时频Grad-CAM的调制识别网络可解释分析

在线全文

学校读者我要写书评

暂无评论

西南交通大学学报 2024年第5期59卷 1215-1224页

作者：梁先明倪帆陈文洁张家树中国电子科技集团公司第十研究所四川成都610036 西南交通大学信息科学与技术学院四川成都610031 西南交通大学计算机与人工智能学院四川成都610031

针对时频深度学习调制识别方法存在可解释性差的问题,提出一种基于时频梯度加权类激活映射(GradCAM)的调制识别网络可解释框架.该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征,从视觉上解释网络隐含层提取的时频深度特征对于... 详细信息

针对时频深度学习调制识别方法存在可解释性差的问题,提出一种基于时频梯度加权类激活映射(GradCAM)的调制识别网络可解释框架.该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征,从视觉上解释网络隐含层提取的时频深度特征对于正确与错误识别中的作用,揭示低信噪比环境下网络性能下降的内在机理,并通过量化和排序网络中每层不同卷积核的贡献值来判断网络的冗余程度.仿真实验结果验证了基于时频Grad-CAM的调制识别网络可解释性框架的有效性;可解释分析结果表明,在低信噪比环境下,网络特征提取区域有大量噪声存在,且本文所测试的调制识别网络冗余程度较为严重.

关键词：可解释深度学习梯度类加权激活映射调制识别时频分析

在线全文

学校读者我要写书评

暂无评论

核电人工智能应用:现状、挑战和机遇

核动力工程 2023年第1期44卷 1-8页

作者：张恒吕雪刘东王国胤杭芹沙睿郭宾重庆邮电大学计算智能重庆市重点实验室重庆400065 中国核动力研究设计院核反应堆系统设计技术重点实验室成都610213 中国核能行业协会北京100048 杭州木链物联网科技有限公司杭州311100

近年来,人工智能技术被广泛应用于核电领域,以促进核电厂通过实现自诊断、自寻优、自适应,最终达到提高生产效率、降低运行成本、提高运行安全性的目的。本文介绍了在核电领域经常使用的人工智能技术,总结了其在智慧矿山、智能设计、智... 详细信息

近年来,人工智能技术被广泛应用于核电领域,以促进核电厂通过实现自诊断、自寻优、自适应,最终达到提高生产效率、降低运行成本、提高运行安全性的目的。本文介绍了在核电领域经常使用的人工智能技术,总结了其在智慧矿山、智能设计、智能制造和智能运维4个核工业典型应用场景中的研究现状,最后,从数据样本、网络安全、深度学习的解释性3个方面分析了人工智能技术在核电领域应用的挑战和发展趋势。

关键词：核电人工智能应用可信人工智能可解释深度学习核安全

在线全文

学校读者我要写书评

暂无评论

基于可解释注意力部件模型的行人重识别方法

自动化学报 2023年第10期49卷 2159-2171页

作者：周勇王瀚正赵佳琦陈莹姚睿陈思霖中国矿业大学计算机科学与技术学院徐州221116 矿山数字化教育部工程研究中心徐州221116

大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3... 详细信息

大多数行人重识别(Person re-identification,ReID)方法仅将注意力机制作为提取显著特征的辅助手段,缺少网络对行人图像关注程度的量化研究.基于此,提出一种可解释注意力部件模型(Interpretable attention part model,IAPM).该模型有3个优点:1)利用注意力掩码提取部件特征,解决部件不对齐问题;2)为了根据部件的显著性程度生成可解释权重,设计可解释权重生成模块(Interpretable weight generation module,IWM);3)提出显著部件三元损失(Salient part triplet loss,SPTL)用于IWM的训练,提高识别精度和可解释性.在3个主流数据集上进行实验,验证所提出的方法优于现有行人重识别方法.最后通过一项人群主观测评比较IWM生成可解释权重的相对大小与人类直观判断得分,证明本方法具有良好的可解释性.

关键词：行人重识别注意力机制可解释深度学习部件模型

维普期刊数据库博看期刊

VaR预测与风险因素分析——基于深度学习方法

在线全文

学校读者我要写书评

暂无评论

VaR预测与风险因素分析——基于深度学习方法

作者：刘蔚然中南财经政法大学

学位级别：硕士

金融时间序列的分布具有非对称、尖峰厚尾、时变性等特点,传统的模型难以贴合这些复杂特性,因而无法得到准确的Va R预测。以长短期记忆神经网络(LSTM)模型为代表的深度学习技术能够捕捉时间序列的长期依赖关系,在金融领域得到了广泛的应... 详细信息

金融时间序列的分布具有非对称、尖峰厚尾、时变性等特点,传统的模型难以贴合这些复杂特性,因而无法得到准确的Va R预测。以长短期记忆神经网络(LSTM)模型为代表的深度学习技术能够捕捉时间序列的长期依赖关系,在金融领域得到了广泛的应用,但现有研究的模型大多为不具备可解释性的“黑盒”,也较少涉及Va R的测度。为了解决上述问题,本文在结合厚尾分布函数(HTQF)及LSTM模型的Va R测度模型LSTM-HTQF的基础上,将国际经济风险因素、国内经济风险因素和股市内部风险因素三类指标纳入特征矩阵之中,构建了两个模型:其一为利用相关度传播算法(LRP),专注模型可解释性的LRP-LSTM-HTQF模型;其二为结合卷积神经网络(CNN)与长短期记忆神经网络(LSTM),兼具特征降维功能及时间序列建模优势,专注于提升Va R预测精度的CNN-LSTM-HTQF模型。本文选取反映A股总体运行情况的上证综指为研究对象。LRP-LSTM-HTQF模型的实证结果表明,国际风险因素中,S&P500收益率及汇率波动两项指标的重要性较高;在国内宏观风险因素中,经济政策不确定性的贡献较大;股市内部风险因素中,换手率、市盈率、成交量信息均对预测有重大影响。完成风险因素分析后,本文将重要的风险因素纳入CNN-LSTM-HTQF模型中的输入特征之中,样本外回溯测试结果显示,与LSTM-HTQF、GARCH、CAVia R等对比模型相比,CNN-LSTM-HTQF模型预测精度最高。

关键词：风险价值 HTQF分位数函数 LSTM模型相关度传播算法可解释深度学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

SAR图像目标识别中的网络可解释方法研究

SAR图像目标识别中的网络可解释方法研究

作者：范敬媛西安电子科技大学

学位级别：硕士

合成孔径雷达(Synthetic Aperture Radar,SAR)因具有全天时、全天候、大范围观测成像的能力,在军事和民用领域具有独特的优势。SAR图像是地物目标对雷达波束的反映,蕴含了丰富的地物目标信息。因此,SAR图像目标识别在军事和民用等众多... 详细信息

合成孔径雷达(Synthetic Aperture Radar,SAR)因具有全天时、全天候、大范围观测成像的能力,在军事和民用领域具有独特的优势。SAR图像是地物目标对雷达波束的反映,蕴含了丰富的地物目标信息。因此,SAR图像目标识别在军事和民用等众多领域具有重要的应用价值。近年来,深度学习方法广泛应用于SAR图像目标识别任务中,虽然在性能上超过了传统的目标识别方法,但可解释性不足、内部工作机理不透明等问题限制了深度网络模型在SAR图像目标识别领域的实际应用。本文对SAR图像目标识别任务中的深度网络可解释方法展开研究,主要工作如下:***-CAM是一种信任度高、可解释性强的非梯度类激活映射方法,避免了梯度方法面临的梯度消失问题,有很高的实际应用价值,但其存在计算效率低的问题。为了使Score-CAM方法更好地应用于SAR图像目标识别任务中,满足SAR图像处理对实时性的要求,从随机分组和图像聚类两个角度对Score-CAM方法进行改进。基于随机分组策略的快速方法将输出特征图按索引进行分组得到子特征图,减少了参与运算的特征图数量,从而实现对计算效率的提高。为了使分组策略可信度更高,类激活结果更稳定,本文提出了一种基于聚类算法的快速方法。该方法选择K-means和DBSCAN两种聚类算法对输出特征图进行聚类,将相似性高的特征图聚合在一起得到子特征图,应用Score-CAM方法对子特征图计算类激活图。在MSTAR数据集上对两种方法进行实验,实验结果表明,快速方法比原算法在计算效率上提升了92%以上。此外,对快速方法进行横向对比,结果表明采用DBSCAN的快速方法在运行时间、分组策略可信度和激活图可解释性三方面具有更好的性能。2.针对基于卷积神经网络的类激活映射方法存在目标定位不精确、特征表征能力弱、类激活图显著区域能量弥散等问题,本文提出了一种基于注意力机制的特征语义注意力方法。该方法融合了卷积操作输出的低维特征的局部特性与多头注意力机制提取的长距离特征依赖性,综合了局部和全局信息,通过计算高层语义特征与图像低维特征间的注意力关系,得到特征语义注意力图。在MSTAR数据集上的实验结果表明,特征语义注意力方法捕捉到了SAR图像不同目标间的辨别性特征,相比基于注意力机制的目标定位方法,拥有更好的特征表征能力,解释了深度网络在完成识别任务时的决策依据。

关键词：合成孔径雷达 SAR图像目标识别可解释深度学习可视化解释方法类激活映射注意力机制