检索结果-南通市图书馆

基于多尺度动态加权多级残差卷积自编码的旋转机械信号降噪方法

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18期60卷 53-63页

作者：杜文辽杨凌凯王宏超巩晓赟赵峰李川郑州轻工业大学河南省机械装备智能制造重点实验室郑州450002 郑州轻工业大学机电工程学院郑州450002

振动信号常用于监测旋转机械的运行状态,但在采集过程中往往包含大量噪声,为了尽可能去除噪声干扰,提出一种噪声学习的新型神经网络,即基于多尺度动态加权多级残差卷积自编码网络(MDW-MRSCAE)的降噪方法。确切地,通过深度卷积自编码和... 详细信息

振动信号常用于监测旋转机械的运行状态,但在采集过程中往往包含大量噪声,为了尽可能去除噪声干扰,提出一种噪声学习的新型神经网络,即基于多尺度动态加权多级残差卷积自编码网络(MDW-MRSCAE)的降噪方法。确切地,通过深度卷积自编码和残差模块结合,使自编码网络对噪声成分进行编码和解码,通过学习噪声特性取代传统学习干净信号。为了解决网络学习中梯度消失问题,提高收敛速度,构建多层残差结构。特别的,在网络中加入多尺度特征提取网络层加强网络对噪声的特征提取能力。为体现不同卷积核的全局贡献,构造动态加权网络层,自适应调整各卷积核的全局权重,进一步提高网络去噪能力。通过典型模拟信号和不同故障实际轴承信号,验证网络去噪有效性。结果表明,该网络模型优于已发表的同类最新模型,信号高频噪声得到明显抑制。

关键词：噪声学习多尺度卷积核动态加权多级残差网络信号去噪

在线全文

学校读者我要写书评

暂无评论

基于注意力的高炉流态化料面多尺度检测算法

控制理论与应用 2022年第9期39卷 1670-1678页

作者：张腊梅陈先中侯庆文北京科技大学自动化学院北京100083 北京科技大学工业过程知识自动化教育部重点实验室北京100083 北京科技大学顺德研究生院广东佛山528399

针对高炉料面图像经常发生多物理形态周期转变导致料线追踪精度下降问题,研究了一种基于注意力的多尺度卷积核流态化料面检测算法(MKAD).构建了雷达数据集-灰度图像-料形可视化的一类特征提取框架,在卷积层采用通道和空间双注意力机制,... 详细信息

针对高炉料面图像经常发生多物理形态周期转变导致料线追踪精度下降问题,研究了一种基于注意力的多尺度卷积核流态化料面检测算法(MKAD).构建了雷达数据集-灰度图像-料形可视化的一类特征提取框架,在卷积层采用通道和空间双注意力机制,获得不同尺度的精细化颗粒流态化特征;使用多尺度卷积核自适应方法提取并融合喷涌料面多尺度颗粒物特征,实现跨通道特征融合.在南钢3#高炉和武钢7#高炉进行了实验和综合评估,精确率分别可达83.01%和86.50%,与峰脊锐化方法相比,分别实现了1.41%和4.9%的性能提升,上述融合特征提取框架显著增强了料面检测的鲁棒性.

关键词：流态化特征提取注意力机制多尺度卷积核料面

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

噪声干扰下的RV减速器故障诊断

机械工程学报 2020年第1期56卷 30-36页

作者：彭鹏柯梁亮汪久根浙江大学机械工程学院

在实际工况下,旋转矢量(Rotate vector,RV)减速器的振动信号往往掺杂噪声。被噪声污染后的振动信号给RV减速器的故障诊断带来挑战。为此,提出一种噪声干扰下的卷积神经网络模型(Anti-noise network,ANNet)以实现RV减速器的故障模式识别... 详细信息

在实际工况下,旋转矢量(Rotate vector,RV)减速器的振动信号往往掺杂噪声。被噪声污染后的振动信号给RV减速器的故障诊断带来挑战。为此,提出一种噪声干扰下的卷积神经网络模型(Anti-noise network,ANNet)以实现RV减速器的故障模式识别。该模型首先将一维振动信号通过信号堆叠的方式转化成二维灰度图像,然后采用Dropout操作直接对原始输入信号进行随机干扰,并同时利用多个不同尺度的卷积核对输入信号的不同特征进行自动提取和融合。进一步将ANNet算法与其他算法进行了对比分析,结果表明在不同强度的噪声干扰下,ANNet算法相比于其他算法具有更强的抗噪干扰能力;尤其是在强噪干扰环境下,ANNet模型的诊断准确率比现有算法高出10%~20%。最后探讨和解释了模型的特殊结构设计以及模型具备抗噪能力的原因。

关键词： RV减速器噪声干扰输入Dropout 多尺度卷积核故障诊断

在线全文

学校读者我要写书评

暂无评论

多尺度复合稀疏的齿轮箱复合故障诊断研究

振动．测试与诊断 2023年第2期43卷 215-222,404页

作者：周浩轩温广瑞黄鑫董书志周鑫西安交通大学机械工程学院西安710049 新疆大学机械工程学院乌鲁木齐830047

现代机械设备传动系统中轴承和齿轮容易发生局部疲劳故障,单一部件典型故障引起的载荷波动极易造成其他部件继发性疲劳故障,使机械传动系统呈现多部件复合故障状态。针对齿轮箱传动系统中轴承和齿轮复合故障诊断问题,提出了基于多尺度... 详细信息

现代机械设备传动系统中轴承和齿轮容易发生局部疲劳故障,单一部件典型故障引起的载荷波动极易造成其他部件继发性疲劳故障,使机械传动系统呈现多部件复合故障状态。针对齿轮箱传动系统中轴承和齿轮复合故障诊断问题,提出了基于多尺度卷积核匹配复合正则化的卷积稀疏编码(multiscale compound regularized convolutional sparse coding,简称MCRCSC)分离诊断算法。首先,根据齿轮箱轴承和齿轮典型复合故障所呈现出的稀疏性与尺度特性进行了模型假设;其次,依据不同故障的信号尺度特性与分布特点提出了多尺度卷积核与复合正则化约束的概念,并建立了多成分卷积分离模型;最后,通过交替方向乘子(alternating direction method of multipliers,简称ADMM)优化架构将频域转化后的优化方程分解为子问题进行交替求解,对分离卷积重构后的故障信号进行谱分析得到对应典型故障频率分布。实际齿轮箱故障模拟实验表明,所提算法在随机噪声和谐波干扰下仍具有优良故障分离诊断能力。

关键词：卷积稀疏多尺度卷积核复合正则化机械复合故障齿轮箱

维普期刊数据库博看期刊

基于FDMU-net的早产儿视网膜图像血管分割

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2021年第14期58卷 467-473页

作者：王亮陈春晓傅雪王林南京航空航天大学自动化学院江苏南京211106 上海圣为医疗科技有限公司上海201321

早产儿视网膜病变是一种血管增生性疾病,是导致新生儿视网膜受损或致盲的主要原因之一。通过分割和分析早产儿眼底图像中的血管结构,可以对早产儿视网膜病变进行早期诊断和监测。早产儿视网膜血管较成年人视网膜血管对比度低且存在脉络... 详细信息

早产儿视网膜病变是一种血管增生性疾病,是导致新生儿视网膜受损或致盲的主要原因之一。通过分割和分析早产儿眼底图像中的血管结构,可以对早产儿视网膜病变进行早期诊断和监测。早产儿视网膜血管较成年人视网膜血管对比度低且存在脉络膜重叠等问题,从而会导致视网膜血管分割准确率不高和敏感度较低等问题。为解决这些问题,在U-net框架下提出FDMU-net新生儿视网膜血管分割模型。该模型融入密集连接层来提高特征利用率,在编码和解码通道拼接过程中,采用多尺度卷积核特征融合方式来提高感受野,并利用血管骨架加权focal loss损失函数来提高网络对模糊样本的分割精度。利用本文提出的FDMU-net模型在DRIVE和STARE两个公开数据集上进行实验,准确率分别达到96.75%和96.85%,敏感度分别达到81.52%和84.84%。在临床早产儿眼底数据集实验中,对比U-net模型、AttentionResU-net模型及多尺度特征融合全卷积神经网络模型,本文提出的FDMU-net模型在准确率和敏感度上有较大的提高,可较好地解决血管丢失及敏感度较低的问题,有效分割出早产儿视网膜血管。

关键词：图像处理早产儿眼底图像血管分割密集连接层多尺度卷积核

在线全文

学校读者我要写书评

暂无评论

多尺度密集残差网络的单幅图像超分辨率重建

中国图象图形学报 2019年第3期24卷 410-419页

作者：应自炉龙祥五邑大学信息工程学院江门529020

目的近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也不断被加深,伴随而来的梯度消失问题... 详细信息

目的近几年应用在单幅图像超分辨率重建上的深度学习算法都是使用单种尺度的卷积核提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏。另外,为了获得更好的图像超分辨率重建效果,网络模型也不断被加深,伴随而来的梯度消失问题会使得训练时间延长,难度加大。针对当前存在的超分辨率重建中的问题,本文结合GoogleNet思想、残差网络思想和密集型卷积网络思想,提出一种多尺度密集残差网络模型。方法本文使用3种不同尺度卷积核对输入的低分辨率图像进行卷积处理,采集不同卷积核下的底层特征,这样可以较多地提取低分辨率图像中的细节信息,有利于图像恢复。再将采集的特征信息输入残差块中,每个残差块都包含了多个由卷积层和激活层构成的特征提取单元。另外,每个特征提取单元的输出都会通过短路径连接到下一个特征提取单元。短路径连接可以有效地缓解梯度消失现象,加强特征传播,促进特征再利用。接下来,融合3种卷积核提取的特征信息,经过降维处理后与3×3像素的卷积核提取的特征信息相加形成全局残差学习。最后经过重建层,得到清晰的高分辨率图像。整个训练过程中,一幅输入的低分辨率图像对应着一幅高分辨率图像标签,这种端到端的学习方法使得训练更加迅速。结果本文使用两个客观评价标准PSNR(peak signal-to-noise ratio)和SSIM(structural similarity index)对实验的效果图进行测试,并与其他主流的方法进行对比。最终的结果显示,本文算法在Set5等多个测试数据集中的表现相比于插值法和SRCNN算法,在放大3倍时效果提升约3.4dB和1.1dB,在放大4倍时提升约3.5dB和1.4dB。结论实验数据以及效果图证明本文算法能够较好地恢复低分辨率图像的边缘和纹理信息。

关键词：单幅图像超分辨率多尺度卷积核残差网络密集型卷积网络特征提取单元

基于字词向量的多尺度卷积神经网络微博评论的情感分类模型及实验研究

在线全文

学校读者我要写书评

暂无评论

图书情报工作 2019年第18期63卷 99-108页

作者：张柳王晰巍黄博刘宇桐吉林大学管理学院长春130022 吉林大学大数据管理研究中心长春130022 吉林大学计算机科学与技术学院长春130022

[目的/意义]微博评论情感分类模型可以为相关舆情监管部门正确管控话题事件的发展状况和舆情提供一定的指导作用。[方法/过程]基于字词向量的多尺度卷积神经网络,运用多尺度卷积核改善微博评论中上下文信息有限的条件制约,构建基于字词... 详细信息

[目的/意义]微博评论情感分类模型可以为相关舆情监管部门正确管控话题事件的发展状况和舆情提供一定的指导作用。[方法/过程]基于字词向量的多尺度卷积神经网络,运用多尺度卷积核改善微博评论中上下文信息有限的条件制约,构建基于字词向量的多尺度卷积神经网络微博评论情感分类模型;通过爬取“微博热搜整改”数据,对模型的可行性和优越性进行验证。[结果/结论]验证结果表明基于字词向量的多尺度卷积神经网络在微博舆情等上下文信息有限的短文本分类任务中表现良好。本文在理论层面为微博舆情情感分类提供了更为准确的情感分类理论模型及分类方法,在实践层面可以更好地指导舆情监管部门对舆情的情感倾向进行更好的引导和监管。

关键词：卷积神经网络字词向量多尺度卷积核微博评论情感分类

在线全文

学校读者我要写书评

暂无评论

利用多尺度卷积神经网络的图像超分辨率算法

信号处理 2018年第9期34卷 1033-1044页

作者：陈书贞解小会杨郁池练秋生燕山大学信息科学与工程学院河北秦皇岛066004

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收... 详细信息

单幅图像超分辨率问题是典型的图像反问题。近年来深度学习广泛应用于图像超分辨率重建。为提高超分辨率算法的性能,本文利用多尺度和残差训练的思想,提出一种利用多尺度卷积神经网络的图像超分辨率算法。该算法采用多尺度的卷积核及收缩--扩展的网络结构来提取图像多尺度的信息,并在网络结构中使用跳跃连接,以便更好的传递信息并弥补由于使用下采样和上采样而造成的图像细节信息的损失,来提高图像的重建质量。通过与其他算法的对比实验表明了本文算法不仅可以取得更好的性能,并且训练的收敛速度较快。

关键词：超分辨率深度学习多尺度卷积核残差训练跳跃连接

在线全文

学校读者我要写书评

暂无评论

XSSD-P:改进的SSD行人检测算法

计算机工程与应用 2022年第23期58卷 132-141页

作者：鲍文斌张冬泉北京交通大学机械与电子控制工程学院北京100044

SSD(single shot multi-box detector)是目前广泛应用于行人检测的神经网络算法,为了提高其检测精度和检测速度,对SSD算法进行了有效改进(改进后的算法称为XSSD-P)。选择Xception网络作为XSSD-P算法的骨干网络并重新选择用于预测的特征... 详细信息

SSD(single shot multi-box detector)是目前广泛应用于行人检测的神经网络算法,为了提高其检测精度和检测速度,对SSD算法进行了有效改进(改进后的算法称为XSSD-P)。选择Xception网络作为XSSD-P算法的骨干网络并重新选择用于预测的特征层;根据行人外形尺寸的特征设计了多尺度卷积核和基础锚框,并将二者耦合,基础锚框通过调节自身大小得到锚框(anchors)用于位置回归;再使用深度可分离卷积代替常规卷积在特征图上进行预测,实现了行人的有效检测。在INRIA数据集、VOC数据集和COCO数据集上进行检测精度对比测试,与SSD以及其他主流算法相比,XSSD-P算法在行人检测方面拥有更高的检测精度,并在Caltech行人数据集和MIT行人数据集中验证了XSSD-P算法的泛化性能。在检测速度方面,与SSD算法相比,XSSD-P算法的检测速度高出30 FPS,提高了42.86%。实验结果表明,XSSD-P的检测精度和检测速度均优于SSD算法。

关键词：行人检测 SSD算法卷积神经网络多尺度卷积核 Xception网络