检索结果-南通市图书馆

检索条件"主题词=双路卷积"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

改进的DCANet在轴承故障诊断和寿命预测中的应用

改进的DCANet在轴承故障诊断和寿命预测中的应用

引用

作者：侯婷悦长春工业大学

学位级别：硕士

轴承被称为“工业的关节”,但在运行中会受各种因素的影响而损坏,进而影响机械的整体运转。因此对轴承进行有效的故障诊断和寿命预测可显著提高轴承运行安全性,并为后期维护提供理论依据。传统故障诊断和寿命预测的方法过于依赖专家知... 详细信息

轴承被称为“工业的关节”,但在运行中会受各种因素的影响而损坏,进而影响机械的整体运转。因此对轴承进行有效的故障诊断和寿命预测可显著提高轴承运行安全性,并为后期维护提供理论依据。传统故障诊断和寿命预测的方法过于依赖专家知识和繁琐的人工处理,且可以描述的信号特征有限。为提高传统算法在诊断和预测任务中的特征提取能力,本文构建基于注意力机制的双路卷积网络(DCANet),该网络在一条路径上采用大卷积核提取低频特征,另一条路径采用小卷积核提取高频特征,并利用注意力机制赋予信息相应权重,使模型专注处理数据的关键特征。考虑到轴承振动信号为时序数据,数据中有一定的前后关联性,因此对DCANet进行改进并分别应用于轴承故障诊断和寿命预测任务中。具体研究内容如下:在轴承故障诊断任务中,构建基于双向长短时记忆网络的DCANet(DCABi LSTM)进行故障诊断。该网络第一部分为双路卷积,第二部分为Bi LSTM,二者利用在线积累注意力进行连接。同时对含有自适应学习机制的Meta-ACON激活函数进行改进,使其适合处理一维轴承数据,并应用于DCA-Bi LSTM中。DCA提取信号中关键的多尺度特征,Bi LSTM从前后两个方向提取故障演变过程中的时序信息,以此充分利用信号的前后关联特征。实验在凯斯西储大学和美国机械故障预防技术协会轴承数据上进行,结果表明即使在较小的数据量下,DCA-Bi LSTM仍然比一些传统算法有更优的诊断性能,且使用了改进Meta-ACON的模型具有更好的适用性。最后,采用改进的Grad-CAM方法对诊断过程进行可视化分析,更直观地了解到注意力机制学习轴承频谱数据,并对其进行分类的过程。在轴承寿命预测任务中,构建基于注意力机制的双路Transformer(DTA)进行寿命预测。相较于DCA-Bi LSTM模型的CNN结构容易忽略全局信息,以及Bi LSTM结构不能并行处理更长时序信息依赖关系的问题,Transformer网络的多头注意力机制可对整个序列进行并行化特征学习,自注意力机制和位置编码的结构有助于模型区分不同位置的信息。同时,DTA保留了DCANet模型的双路机制,通过设置不同大小的参数和不同类型的注意力模块来提取多尺度特征。利用XJTU-SY轴承数据集对模型效果进行验证,结果表明DTA模型所预测的剩余寿命更接近真实剩余寿命,有效证明了DTA的双路机制和Transformer网络可挖掘出长序数据中丰富的全局关联性退化特征。

关键词：轴承故障诊断轴承寿命预测双路卷积双路Transformer 注意力机制

来源：

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

基于深度学习的频谱感知方法研究

基于深度学习的频谱感知方法研究

引用

作者：薛宪峰哈尔滨理工大学

学位级别：硕士

频谱感知是认知无线电（CR）实现认知功能的重要环节之一。为了提高频谱利用率,深度学习频谱感知技术成为CR领域的重要研究方向。卷积神经网络（CNN）频谱感知方法作为代表方法之一,可完成高效快速的频谱感知任务。然而,CNN频谱感知方... 详细信息

频谱感知是认知无线电（CR）实现认知功能的重要环节之一。为了提高频谱利用率,深度学习频谱感知技术成为CR领域的重要研究方向。卷积神经网络（CNN）频谱感知方法作为代表方法之一,可完成高效快速的频谱感知任务。然而,CNN频谱感知方法仍面临着特征提取能力不足、网络结构有待优化、频谱感知精度有待提高等问题。针对上述问题,本文借助深度学习在图像处理上的优势对单节点、协作频谱感知方法进行了深入研究。针对CNN单节点频谱感知方法提取主用户（PU）特征能力受限于单路卷积网络结构且难以提取深层特征等问题,提出一种残差蜂窝网络（ResCelNet）,通过双路卷积提高特征提取能力,通过加和操作增强微小特征信息,通过残差学习训练深层网络,进而提出一种基于ResCelNet的频谱感知方法。该方法首先将次用户（SU）采样得到的接收信号等距分割成矩阵并进行归一化处理后转为灰度图像,作为ResCelNet网络的训练、测试数据,然后通过双路卷积和残差学习提取训练数据中的灰度图像特征信息,最后使用ResCelNet频谱感知网络对测试数据进行识别分类。针对CNN协作频谱感知方法提取特征能力受限于浅层的网络结构、深层网络又难以避免梯度消失等问题,通过在CNN频谱感知方法中引入快捷连接,训练深层且梯度不消失的网络,进而提出一种基于残差网络（ResNet）的协作频谱感知方法。该方法首先对多个SUs采样得到的接收信号进行协方差、归一化灰度处理,作为ResNet频谱感知网络的输入,然后利用残差学习训练ResNet,提取特征映射图的深层特征,最后使用ResNet对测试数据进行频谱感知。实验结果表明:当面向于单节点进行频谱感知时,所提ResCelNet方法优于CNN,SVM方法,在信噪比低至-19dB的情况下,所提方法的检测概率高达0.98、虚警概率低至0.1,且适用于不同衰落信道、不同调制方式、噪声不确定性;当面向于协作用户进行频谱感知时,在信噪比低至-19dB的情况下,本文ResNet方法的检测概率高达1.00、虚警概率低至0.01且解决了隐藏终端问题。

关键词：频谱感知深度学习快捷连接双路卷积

来源：

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

MRI脊椎图像的分割与提取算法研究

MRI脊椎图像的分割与提取算法研究

引用

作者：王隽珂东南大学

学位级别：硕士

人体脊椎是中枢神经系统中高度组织化和复杂的部分,在大脑和周围神经系统之间传递神经信号。由神经退行性疾病引起的运动神经元变性可能造成脊椎损伤,影响脊椎功能,导致各种脊椎疾病。脊椎疾病的严重程度和功能恢复的预后都高度依赖于... 详细信息

人体脊椎是中枢神经系统中高度组织化和复杂的部分,在大脑和周围神经系统之间传递神经信号。由神经退行性疾病引起的运动神经元变性可能造成脊椎损伤,影响脊椎功能,导致各种脊椎疾病。脊椎疾病的严重程度和功能恢复的预后都高度依赖于组织损伤的部位和程度。因此,在临床上需要一种脊椎分割方法,能够在磁共振图像上评估和表征此类微结构的损伤程度,辅助医生进行脊椎疾病的诊断。现有针对脊椎的分割方法大多较为简单,在分割精度和细节上都有所不足,难以对脊髓内部组织进行精细分割。针对上述问题,本文采用了一种两阶段分割方法,将整个脊椎分割过程分成脊椎粗定位以及脊髓细分割两个阶段。首先根据脊椎形态学特征,利用传统图像处理方法进行脊椎粗定位,然后利用机器学习方法对粗定位后的脊椎图像进行细分割。在脊椎粗定位阶段,本文首先利用Sobel算子以及指数增强对MR脊椎图像进行边缘增强;然后,利用水平集算法提取边缘;最后,根据生物体脊髓呈现连续椭圆的形态学特性,利用霍夫变换确定图像中的脊髓区域,完成对于脊椎图像的粗定位过程。在脊髓细分割阶段,本文提出一种基于膨胀卷积双路金字塔结构模型(Double-Path with Dilated Pyramid-net,DPD P-net)完成对于脊髓的细分割过程。首先,该模型根据膨胀卷积和标准卷积的特性,构建双路卷积模块提取图像中不同感受野特征。其次,在双路卷积模块中引入金字塔结构,减少编码特征与解码特征的语义鸿沟。然后,在金字塔结构内部采用密集型跳跃连接进行特征融合,丰富解码器中细粒度高分辨的连续细节特征信息。并且,在两个金字塔结构之间增加双路融合模块,融合两个金字塔得到的不同感受野特征。最后,使用深度监督方式对整个模型进行训练,使得模型在面对不同复杂度分割任务时,能够选择合适的网络规模进行分割预测。验证实验结果表明,在比格犬数据集以及人体数据集上,本文所提出的模型在多个评价指标下都有良好的分割表现。其中,在DSC、IOU、PPV三个分割评价指标上表现优秀。可视化结果表明,本文提出的模型对于结构复杂的脊髓灰质区域在细节上的分割效果显著提升。

关键词：脊椎分割膨胀卷积双路卷积金字塔结构深度监督

来源：

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

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：