检索结果-南通市图书馆

基于多层次特征提取的MCNN-ISMA-WLSSVM光伏发电功率预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

科技与创新 2024年第7期 1-9页

作者：王瑞王英洲逯静河南理工大学电气工程与自动化学院河南焦作454000 河南理工大学计算机科学与技术学院河南焦作454000

为了改善光伏发电功率的预测精度,提出一种基于干线式卷积神经网络(Mainline Convolution Neural Network,MCNN)、改进黏菌算法(Improve Slime Mould Algorithm,ISMA)以及加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)模型的超短期光伏发电功率预测方法。首先,根据Pearson相关性分析,确定光辐照度、温度以及湿度为选取相似日的特征因素,并通过灰色关联分析选取预测日的相似日样本集。其次,将卷积神经网络提取的光伏发电数据特征作为WLSSVM的输入,解决传统数据驱动方法对特征提取和特征选择的依赖。其中,针对常规CNN只能对单一层的特征进行提取的缺陷,提出MCNN进行多层次的特征提取;针对黏菌算法寻优公式的不足,扩展了原黏菌算法的边界条件以及优化了最优个体的更新方式,得到改进黏菌算法,并用来确定WLSSVM的最佳参数。最后,建立基于MCNNISMA-WLSSVM的组合预测模型,并在不同天气类型下对光伏发电功率做预测仿真实验。结果表明,这种预测方法有更高的泛化性、鲁棒性和预测精度。

关键词：光伏发电卷积神经网络多层次特征提取改进黏菌算法

维普期刊数据库博看期刊

基于多层次特征提取的轻量级超分辨率重建算法

在线全文

学校读者我要写书评

暂无评论

信息技术与网络安全 2022年第5期41卷 38-44页

作者：竺可沁林珊玲林志贤郭太良福州大学物理与信息工程学院福建福州350116 中国福建光电信息科学与技术创新实验室福建福州350116 福州大学先进制造学院福建泉州362200

针对目前基于深度学习的超分辨率算法特征提取较为单一、结构复杂且参数庞大的问题,提出了一种基于多层次特征提取的轻量级超分辨率重建算法。该算法采用了多层次特征提取的方式,首先提取图像的浅层特征;其次,使用包含多个并行卷积的深... 详细信息

针对目前基于深度学习的超分辨率算法特征提取较为单一、结构复杂且参数庞大的问题,提出了一种基于多层次特征提取的轻量级超分辨率重建算法。该算法采用了多层次特征提取的方式,首先提取图像的浅层特征;其次,使用包含多个并行卷积的深层特征提取模块提取图像的深层特征。设计了一种带学习权重的多尺度特征融合重建模块,以充分利用提取出的多层次信息重建图像。实验结果表明,其重建图像的峰值信噪比和结构相似性在多数情况下领先于目前主流算法;与对比算法相比,在参数量和运算时间上均保持领先,证明了网络的轻量化特性。

关键词：超分辨率重建多层次特征提取多尺度特征融合卷积神经网络图像增强

维普期刊数据库

基于多特征融合的深度学习工业过程故障诊断方法研究

在线全文

学校读者我要写书评

暂无评论

基于多特征融合的深度学习工业过程故障诊断方法研究

作者：任延微杭州电子科技大学

学位级别：硕士

在工业生产过程中,复杂设备往往容易出现各种故障,严重影响生产效率。因此有效的故障诊断方法对工业过程生产安全以及设备的运行和维护具有重要意义。故障诊断需要对故障特征进行提取,传统的特征提取方法,对人工的依赖性较强,并且人工... 详细信息

在工业生产过程中,复杂设备往往容易出现各种故障,严重影响生产效率。因此有效的故障诊断方法对工业过程生产安全以及设备的运行和维护具有重要意义。故障诊断需要对故障特征进行提取,传统的特征提取方法,对人工的依赖性较强,并且人工提取难免忽略一些潜在的有效特征。考虑到现代工业生产过程采集到的信号数据特征较为复杂,对于复杂系统,故障和征兆之间并非是一一对应的,故障特征往往具有非线性、层次性、传播性、相关性以及延时性等复杂特性。深度学习方法被用于特征提取,但现有的网络结构更像是一个分类器,没有更加充分的作为一个特征提取器被利用于特征提取阶段。在特征提取阶段只考虑到工业数据的部分特征,这会导致在训练过程中部分特征信息丢失。为了解决上述问题,更有效的提取故障特征,本文从多层次特征融合与多尺度特征融合两方面出发展开深入研究。(1)从多层次特征融合角度,提出了一种面向工业过程的超特征提取网络结构。该方法首先采用多层次卷积神经网络结构提取故障特征,聚合层次特征映射,将它们压缩在统一的特征空间构成超特征,然后将特征融合构成的超特征输入至堆叠LSTM网络进行进一步特征提取,这样一来可以有效传递时间序列中的信息,同时也能解决由于长时间训练而导致的梯度消失问题。(2)从多尺度特征融合角度,提出了一种面向工业过程的时空胶囊和分类器优化的多尺度特征融合网络。在特征提取阶段,首先使用多尺度残差卷积网络进行多尺度特征提取,随后将提取的故障特征发送到时空胶囊网络,进一步提取时间和空间信息。在特征提取完成后,本文用XGBoost取代了传统的softmax分类器,使最终诊断更高效、迅速,解决了复杂模型的诊断时间过长所带来的问题。多尺度特征网络在普通维度上能提取更多有用信息,这是时空胶囊网络解构断层复杂特征的必要准备。分类器优化解决了复杂网络结构在诊断过程中耗时过长、分类效果不好的问题。

关键词：复杂化工过程深度学习故障诊断多层次特征提取特征融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种新的基于统计的自动文本分类方法

中文信息学报 2002年第6期16卷 18-24页

作者：刘斌黄铁军程军高文中国科学院计算技术研究所北京100080 中国科学院研究生院北京100080 中国科学院文献情报中心北京100080

自动文本分类就是在给定的分类体系下 ,让计算机根据文本的内容确定与它相关联的类别。为了提高分类性能 ,本文提出了中文文本多层次特征提取方法和基于核的距离加权KNN算法。多层次特征提取方法在汉字、常用词表和专业词表三个层次上... 详细信息

自动文本分类就是在给定的分类体系下 ,让计算机根据文本的内容确定与它相关联的类别。为了提高分类性能 ,本文提出了中文文本多层次特征提取方法和基于核的距离加权KNN算法。多层次特征提取方法在汉字、常用词表和专业词表三个层次上提取文档的统计特征 ,能够更好地反映文档的统计分布。基于核的距离加权KNN算法解决了样本的多峰分布、边界重叠问题和分类器的精确分类决策问题。实际应用中 ,互联网和文本库提供了大量经过粗分类的训练文本 ,但普遍存在样本质量较差的问题 ,本文通过样本重要性分析技术解决此问题。实验系统证明了新方法的有效性。

关键词：统计自动文本分类多层次特征提取距离加权KNN算法样本重要性分析汉字识别

维普期刊数据库

基于空谱联合的高光谱图像特征提取及分类应用

在线全文

学校读者我要写书评

暂无评论

基于空谱联合的高光谱图像特征提取及分类应用

作者：李祖锋桂林电子科技大学

学位级别：硕士

深度网络以其可以自主学习获得更好表达高光谱数据本身特点的深层特征的能力,使之在高光谱图像分类任务与应用中得到普及,并有着突出的表现。但是,基于深度网络的高光谱分类方法仍面临图像精细特征丢失,信息冗余,空-谱融合特征可判别性... 详细信息

深度网络以其可以自主学习获得更好表达高光谱数据本身特点的深层特征的能力,使之在高光谱图像分类任务与应用中得到普及,并有着突出的表现。但是,基于深度网络的高光谱分类方法仍面临图像精细特征丢失,信息冗余,空-谱融合特征可判别性弱等问题。本文基于深度网络的空谱多层次特征提取和融合展开研究工作,以提取到更具判别性的光谱与空间特征,并有效地进行空-谱融合对高光谱图像分类。本文主要工作如下:1.针对高光谱图像高维信息丰富及光谱波段间相关性强,模型训练时易产生过拟合,分类精度下降的现象,提出一种基于交叉分组空谱特征增强网络的高光谱图像分类方法。该方法设计了一种空-谱交叉分组操作对空间与光谱特征进行分组特征提取,通过自注意力模块对所获得的光谱和空间特征进行增强并进行空-谱融合,用于完成分类。实验结果表明,该方法能充分地获取光谱全局与局部信息,减少光谱信息冗余,有效提取空-谱特征进行分类。2.为了在高光谱图像分类中更好提取和表达光谱与空间的精细特征以及它们之间的交互信息,提出了基于多层次空-谱融合网络的高光谱图像分类方法。构建了多层次特征提取模块,分别用于提取多层次空间和光谱特征,设计空-谱特征交互融合模块将获得的多层次空间与光谱特征进行特征融合,以产生空-谱融合特征。该方法结合了不同层次的空间与光谱特征,有效地捕获高光谱图像精细特征,同时通过联合学习融合空-谱特征,捕获光谱与空间特征之间交互作用。实验结果表明,相较于目前最优的深度网络高光谱分类方法,该方法能有效地提取精细特征和增强空-谱融合特征的表达能力,提高网络模型的分类性能。3.为了减少特征学习过程中高分辨率特征信息的丢失,提出一种基于空-谱分组卷积密集网络的高光谱图像分类方法。该方法设计了光谱-空间三维分组卷积密集模块,用于分步提取光谱与空间特征,设计了光谱残差注意力模块用于对光谱信息富有的区域进行增强。该方法可在减少高光谱数据固有的信息冗余的同时,使高分辨率的特征获得重用,避免细节特征信息丢失。实验结果表明,相较于若干最新的深度网络分类方法,所提出的高光谱图像分类方法具有更好的分类性能。

关键词：高光谱图像分类深度网络空-谱交叉分组多层次特征提取分组卷积密集网络特征融合

基于神经网络的风机时序数据不平衡处理和故障检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的风机时序数据不平衡处理和故障检测方法研究

作者：谢元桂林电子科技大学

学位级别：硕士

风机关键部件的故障检测作为风电场智能化管理的重要环节,能够提高风电场的生产效率、降低运营成本,是当前科研领域的一个热点问题,受到各国研究者的广泛关注,并提出了各种风机故障检测方法。研究发现目前的风机故障检测方法仍存在以下... 详细信息

风机关键部件的故障检测作为风电场智能化管理的重要环节,能够提高风电场的生产效率、降低运营成本,是当前科研领域的一个热点问题,受到各国研究者的广泛关注,并提出了各种风机故障检测方法。研究发现目前的风机故障检测方法仍存在以下问题:(1)风机数据集类别不平衡导致风机故障检测模型训练时偏向大类别样本,使模型效果不理想;(2)现有风机故障检测模型特征学习能力单一,不能充分利用多层级的特征信息,导致模型性能较差。为了解决上述问题,本文对风机齿轮箱故障检测问题进行了研究,主要研究内容和贡献如下:(1)针对风机数据集类别不平衡的问题,提出一种堆叠的生成对抗网络(Stacked Generative Adversarial Networks,Stack-GANs)方法,在生成新样本时综合考虑了风机数据特征的相关性和时序性。Stack-GANs方法通过一种渐进式的方式生成数据,保持特征间的强相关性和弱相关性,且利用循环神经网络构建各阶段生成对抗网络(Generative Adversarial Networks,GANs)中的生成器和判别器,捕获数据间的时序特性,同时采用随机森林算法筛选出重要度高的特征,降低Stack-GANs模型的构建难度、提升模型训练速度。Stack-GANs共分为2个阶段:阶段一根据Pearson相关系数和最大互信息系数的分析结果,分组训练GANs,各GANs学习组内特征的强相关性,并生成相应分组的特征子集。阶段二将阶段一生成的各组特征数据拼接后作为输入,并修正各组间特征的弱相关性,生成高仿真的少数类样本数据。通过与现有的数据不平衡处理算法进行对比,实验结果表明Stack-GANs方法可以有效生成更真实的风机故障数据,使风机故障检测模型更好的学习故障数据的特征分布,从而提高模型的整体检测性能。(2)针对现有的风机故障检测模型特征学习能力单一的问题,构建了一种融合线性神经网络、压缩交互网络和长短期记忆网络的风机故障检测模型LCL。LCL模型具备低阶特征、高阶交叉特征和时序特征的学习能力,相比于单一结构的神经网络模型,可以从多层面、多角度对风机数据特征进行探索,并充分挖掘有效信息提升模型的检测性能。实验结果表明,相较于其他先进的风机故障检测方法,LCL模型在各项评价指标上均获得最优值,能更好的满足风机故障检测领域的应用需求。

关键词：风机故障检测类别不平衡多层次特征提取神经网络

基于多模式训练的自发脑电增强BCI系统研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模式训练的自发脑电增强BCI系统研究

作者：何思凡燕山大学

学位级别：硕士

脑-机接口（Brain-Computer Interface,BCI）是人工智能和神经科学发展下产生的一项新兴技术,它将生物脑的神经元活动信号转换为控制计算机或其他外部设备的指令,该技术可用于医疗康复、智能控制和军事训练中。运动想象（Motor Imagery... 详细信息

脑-机接口（Brain-Computer Interface,BCI）是人工智能和神经科学发展下产生的一项新兴技术,它将生物脑的神经元活动信号转换为控制计算机或其他外部设备的指令,该技术可用于医疗康复、智能控制和军事训练中。运动想象（Motor Imagery,MI）脑电信号（Electroencephalogram,EEG）是自发脑电信号的一种,指在没有进行实际肢体动作的条件下,通过想象肢体运动而产生的脑电信号。运动想象脑-机接口（MI-BCI）是直接使用大脑主观思维活动的信号实现与外界的通信或周围环境的控制,它是当前人工智能控制研究的热点。其中信号的采集和处理是MI-BCI系统中十分重要的功能环节。但运动想象脑电信号的低信噪比、低获取率、个体差异性严重制约着MI-BCI系统性能。本文从增强运动想象脑电信号的采集有效率、特征信息、分类性能入手,通过结合EEG时域-频域-空域特征及同步耦合特征的多层次脑电特征提取模块,研究如何最高效的引导被试者进行肢体运动想象,如何最大程度激活被试者感觉运动区能量,达到多维度提高MI脑电信号的质量,进而提高MI-BCI系统性能。论文研究取得的创新性成果如下:（1）设计并搭建基于多模式训练及多层次特征提取的自发脑电增强训练BCI系统。系统包括不同想象增强训练模块、多通道自发脑电筛选模块、多层次特征提取模块、特征降维及意图识别模块。首先,根据自发脑电的产生特点、大脑反馈机制以及采集方式等信息,设计包含动作执行训练模式、视觉想象训练模式、多模式增强训练模式的不同想象增强训练范式;其次,设计并基于C#语言搭建了多模式增强训练系统,系统可实现信号采集、多场景训练、数据管理的功能。（2）提出多通道自发脑电信号筛选策略。具体为:采集多人多天基于不同想象增强训练模块下的自发脑电信号,其数据的被试、训练方式、训练天数间相互独立,基于脑地形图分析运动想象时当前指令和脑区能量波动的规律,研究训练后脑区增强的范围,从增强区域出发筛选训练后能量增强显著的脑电通道,提高信号分析的速度和质量;利用连续小波变换分析训练的时频增强现象,进行自发脑电的最优时间-频段筛选。（3）为验证本文设计的多模式训练自发脑电增强系统和多通道信号筛选策略的有效性。一方面,提取不同想象增强训练下自发脑电的时域、频域、空域、同步耦合的多层次特征,对比分析被试者EEG在各个特征层面的增强现象,验证多模式训练综合提高自发脑电信号的有效性。另一方面,对多层次特征进行优化筛选,分析受试者在不同分类器下的意图识别率变化,综合考虑被试者的个体差异、训练模式的刺激效果等多因素影响,确定自发脑电信号最佳训练系统。

关键词：运动想象自发脑电增强脑-机接口多层次特征提取多模式训练

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进级联金字塔网络的人体骨架提取算法

智能计算机与应用 2021年第7期11卷 54-59页

作者：黄友张娜包晓安浙江理工大学信息学院杭州310018

由于背景复杂和人体容易被遮挡等情况的发生,导致人体骨架关键点的定位精度不高。针对这一问题,本文提出一种基于改进级联金字塔网络的人体骨架提取算法。该算法将注意力模块加入到级联金字塔特征提取网络的每一个残差块之后,根据特征... 详细信息

由于背景复杂和人体容易被遮挡等情况的发生,导致人体骨架关键点的定位精度不高。针对这一问题,本文提出一种基于改进级联金字塔网络的人体骨架提取算法。该算法将注意力模块加入到级联金字塔特征提取网络的每一个残差块之后,根据特征图的不同部分和不同特征图的重要性程度分配不同的权重。同时将原来级联金字塔网络的2次上采样操作改为一次,以减少上采样过程中产生的冗余背景特征。实验结果表明:该算法可以较好地改善原CPN网络在遮挡、背景复杂等情况下定位不精准的问题。

关键词：级联金字塔网络注意力机制多层次特征提取特征融合困难关键点挖掘目标关键点相似度

维普期刊数据库