检索结果-南通市图书馆

同方期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于深度残差网络的重力数据去噪重构

中国惯性技术学报 2021年第4期29卷 443-450页

作者：黄子炎王庆宾赵东明冯进凯谭勖立信息工程大学郑州450001

为有效消除各种干扰噪声对实测重力数据的影响,提高重力数据处理的精度,将深度学习算法应用到重力数据处理中。构建了一种基于深度残差网络的含噪重力数据到去噪重构重力数据的非线性映射网络模型(GraResNet)。通过模型数据和实测数据... 详细信息

为有效消除各种干扰噪声对实测重力数据的影响,提高重力数据处理的精度,将深度学习算法应用到重力数据处理中。构建了一种基于深度残差网络的含噪重力数据到去噪重构重力数据的非线性映射网络模型(GraResNet)。通过模型数据和实测数据对所提出的重力数据去噪重构方法进行了试验验证。数值实验表明:相较于传统的IIR滤波方法、FIR滤波方法和小波滤波方法,所提方法能够结合学习到的重力数据特征,有效区分重力信号和噪声信号,从而提高重力数据去噪重构精度。实验结果中,所提方法的信噪比相对IIR滤波和FIR滤波方法提高近一倍,其噪声衰减因子高达0.9387;另外,该方法还具有较好的泛化性和鲁棒性,当重力数据中噪声的幅度增大为原始数据标准差的80%和100%时,去噪结果的噪声标准差降低了78.3%和78.4%。

关键词：重力异常数据去噪重构低通滤波小波滤波深度残差网络

基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2024年第7期44卷 2519-2530,I0002页

作者：罗溢李开成肖贤贵尹晨李贝奥李旋华中科技大学电气与电子工程学院湖北省武汉市430074

现代电力系统的电能质量扰动逐渐复杂化和多样化,传统的分类方法难以适应复杂多样的扰动变化。依据神经网络进行识别分类的研究都采用传统的单标签分类方法,当出现标签集以外的复合扰动,该分类方法将无法使用。若要更新扰动标签集,则需... 详细信息

现代电力系统的电能质量扰动逐渐复杂化和多样化,传统的分类方法难以适应复杂多样的扰动变化。依据神经网络进行识别分类的研究都采用传统的单标签分类方法,当出现标签集以外的复合扰动,该分类方法将无法使用。若要更新扰动标签集,则需要整个分类模型重新训练。因此,该文利用深度残差网络构建一种适应能力更强的多标签分类系统,该系统能够准确识别训练样本标签集以外未知标签组合的电能质量复合扰动(power quality disturbances,PQDs)。首先利用马尔可夫转移场(Markov transition field,MTF)将一维时域扰动信号转换为二维可视化图像,利用深度残差网络(ResNet)建立9个二分类器提取二维图像中涵盖的扰动特征。通过9个二分类器构成的多标签分类系统进行扰动分类,其训练样本标签集内分类正确率可达97.58%,掺杂标签集外的扰动信号平均正确率可达97.67%,远高于同级别的分类系统。

关键词：电能质量扰动多标签马尔可夫转移场深度残差网络扰动识别

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

简化型残差结构和快速深度残差网络

吉林大学学报（工学版） 2022年第6期52卷 1413-1421页

作者：杨怀江王二帅隋永新闫丰周跃中国科学院长春光学精密机械与物理研究所长春130033 长春国科精密光学技术有限公司长春130033 中国科学院大学大珩学院北京100049

为解决当前深度残差网络模型训练缓慢的问题,设计了一种新型的残差结构。与典型的残差结构相比,该结构仅含有一个Batch Normalization和ReLU模块,通过减少网络训练过程的计算量降低了耗时,提升了模型训练速度。在常用的CIFAR10/100图像... 详细信息

为解决当前深度残差网络模型训练缓慢的问题,设计了一种新型的残差结构。与典型的残差结构相比,该结构仅含有一个Batch Normalization和ReLU模块,通过减少网络训练过程的计算量降低了耗时,提升了模型训练速度。在常用的CIFAR10/100图像分类数据库上进行了对比实验分析,以该方法构建的深度为110层的网络CIFAR10分类错误率为5.29%,CIFAR100分类错误率为24.80%,典型的110层深度残差网络分类错误率分别为5.75%和26.02%;在训练耗时方面,该方法平均周期耗时为133.47 s,典型的残差网络平均周期耗时为208.26 s,提升了35.91%;结果表明,该网络结构在保证分类性能的基础上极大地提升了训练速度,具有较好的实用价值。

关键词：图像处理图像识别图像分类卷积神经网络深度残差网络

在线全文

学校读者我要写书评

暂无评论

基于区域与深度残差网络的图像语义分割

电子与信息学报 2019年第11期41卷 2777-2786页

作者：罗会兰卢飞孔繁胜江西理工大学信息工程学院赣州341000 浙江大学计算机科学与技术学院杭州310027

该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像... 详细信息

该文提出了一种结合区域和深度残差网络的语义分割模型。基于区域的语义分割方法使用多尺度提取相互重叠的区域,可识别多种尺度的目标并得到精细的物体分割边界。基于全卷积网络的方法使用卷积神经网络(CNN)自主学习特征,可以针对逐像素分类任务进行端到端训练,但是这种方法通常会产生粗糙的分割边界。该文将两种方法的优点结合起来:首先使用区域生成网络在图像中生成候选区域,然后将图像通过带扩张卷积的深度残差网络进行特征提取得到特征图,结合候选区域以及特征图得到区域的特征,并将其映射到区域中每个像素上;最后使用全局平均池化层进行逐像素分类。该文还使用了多模型融合的方法,在相同的网络模型中设置不同的输入进行训练得到多个模型,然后在分类层进行特征融合,得到最终的分割结果。在SIFT FLOW和PASCAL Context数据集上的实验结果表明该文方法具有较高的平均准确率。

关键词：语义分割区域深度残差网络集成

在线全文

学校读者我要写书评

暂无评论

基于交叉多尺度深度残差网络的陶瓷器型分类

数据分析与知识发现 2024年第8期8卷 261-270页

作者：庄智惶徐星夏学文张应龙周新宇闽南师范大学物理与信息工程学院漳州363000 江西师范大学计算机信息工程学院南昌330022

【目的】利用神经网络模型解决少样本陶瓷器型分类问题,通过多尺度和注意力机制优化,提高模型针对陶瓷器型分类的性能。【方法】提出一种基于坐标注意力机制和多尺度融合的瓶颈结构,并将其应用于残差网络中,引入尺度之间的关系,提升残... 详细信息

【目的】利用神经网络模型解决少样本陶瓷器型分类问题,通过多尺度和注意力机制优化,提高模型针对陶瓷器型分类的性能。【方法】提出一种基于坐标注意力机制和多尺度融合的瓶颈结构,并将其应用于残差网络中,引入尺度之间的关系,提升残差网络在多尺度方面的建模能力。【结果】在陶瓷器型图像公共数据集上,本文模型只需进行少样本学习即能达到95.71%的分类准确率,相比基准模型ResNet50提升了1.01个百分点。在精确率、召回率和F1分数指标上,本文模型比ResNeSt50分别提升了20.43、20.53和20.52个百分点。【局限】模型推理效率下降,不适用于需要进行快速陶瓷器型分类的场景。【结论】多尺度改进方式在陶瓷器型分类中简单有效,在处理此类任务或者相近的人文数据分类任务时,可优先考虑这种优化策略。

关键词：陶瓷器型多尺度融合注意力机制深度残差网络

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

在线全文

学校读者我要写书评

暂无评论

振动工程学报 2023年第6期36卷 1754-1763页

作者：雷春丽夏奔锋薛林林焦孟萱张护强兰州理工大学机电工程学院甘肃兰州730050 兰州理工大学数字制造技术与应用省部共建教育部重点实验室甘肃兰州730050

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络(Depthwise Separable Residual Network,DS‑ResNet)的滚动轴承故障诊断方法。采用快速傅里叶变换(Fast Fourie... 详细信息

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络(Depthwise Separable Residual Network,DS‑ResNet)的滚动轴承故障诊断方法。采用快速傅里叶变换(Fast Fourier Transform,FFT)将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积(Depthwise Separable Convolution,DSC)计算复杂度低和逐点卷积(Pointwise Convolution,PWC)能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS‑ResNet模型。将各类故障状态下的频域信号作为DS‑ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。

关键词：故障诊断滚动轴承深度可分离卷积深度残差网络快速傅里叶变换

维普期刊数据库博看期刊

基于边际谱图像和深度残差网络的变压器局部放电模式识别

在线全文

学校读者我要写书评

暂无评论

电网技术 2021年第6期45卷 2433-2441页

作者：高盎然朱永利张翼蔡炜豪新能源电力系统国家重点实验室(华北电力大学) 河北省保定市071003

针对传统人工特征提取方法易受主观不确定性影响的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)-Hilbert边际谱图像和深度残差网络的变压器局部放电模式识别方法。首先,用VMD算法分解局部放电信号,对所得各模... 详细信息

针对传统人工特征提取方法易受主观不确定性影响的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)-Hilbert边际谱图像和深度残差网络的变压器局部放电模式识别方法。首先,用VMD算法分解局部放电信号,对所得各模态分量做Hilbert变换进而得到信号的边际谱图像作为输入,然后,利用深度残差网络对局部放电类型进行识别,并做了对比实验。所得实验结果表明,提出的深度残差网络在局放模式识别中的正确率可达98%,相比其他经典卷积神经网络具有更好的识别效果,且识别性能显著优于传统的BP神经网络、支持向量机模型。该方法利用残差网络优越的特征提取能力,能够自主学习谱图完整的内在特征,避免了人工提取方法的主观性对识别结果造成的影响,在一定程度上简化了实验步骤,实现了对局部放电Hilbert边际谱图像的直接识别,具有更高的正确识别率和更优的泛化性能。

关键词：局部放电模式识别 Hilbert边际谱图像深度残差网络

在线全文

学校读者我要写书评

暂无评论

基于深度残差网络的轨道结构病害识别

铁道学报 2020年第8期42卷 100-106页

作者：侯博文杨晓高亮肖宏马帅北京交通大学土木建筑工程学院北京100044 轨道工程北京市重点实验室北京100044

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算... 详细信息

传统的轨道检测方法需要事先对图像进行定位和分割等预处理操作,而定位和分割操作的误差又会直接干扰到后续的分类识别,多环节误差叠加,使得识别准确率低。同时,传统检测方法还需要理想的背景环境,当背景环境或结构类型发生改变时,其算法不再适用,不具备良好的鲁棒性。因此,提出一种基于深度残差网络的轨道结构病害检测方法,该方法不需要对原始图像进行预处理,同时深度残差网络以其更深的层数和更复杂的网络结构可以高效提取出各类轨道结构图像的特征并进行分类识别。以某客货共线线路隧道的钢轨踏面、钢轨扣件和支承块图像建立数据库,通过迁移学习的方式在数据库上训练网络模型,实现对钢轨、扣件及支承块三种轨道结构的病害识别,识别准确率高达98.51%。在此基础上,从识别准确率、损失函数值等方面对深度残差网络在轨道结构病害识别中的应用效果进行对比、分析,验证方法的有效性。

关键词：轨道结构病害识别深度残差网络迁移学习

在线全文

学校读者我要写书评

暂无评论

叠前随机噪声深度残差网络压制方法

石油地球物理勘探 2020年第3期55卷 493-503,467-468页

作者：李海山陈德武吴杰常德宽中国石油勘探开发研究院西北分院甘肃兰州730020

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络... 详细信息

深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。

关键词：深度学习卷积神经网络深度残差网络随机噪声去噪