检索结果-南通市图书馆

基于密集卷积网络和注意力机制的拱桥损伤识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集卷积网络和注意力机制的拱桥损伤识别研究

作者：李杰重庆交通大学

学位级别：硕士

近年来随着我国交通建设向西部山区纵深发展,拱桥以其承载能力强、刚度大、造价成本低等特点成为了山区桥梁的首选。随着使用年限的不断增加,在役拱桥由于荷载效应、材料劣化、环境侵蚀等因素的共同作用,其承载能力与正常使用性不可避... 详细信息

近年来随着我国交通建设向西部山区纵深发展,拱桥以其承载能力强、刚度大、造价成本低等特点成为了山区桥梁的首选。随着使用年限的不断增加,在役拱桥由于荷载效应、材料劣化、环境侵蚀等因素的共同作用,其承载能力与正常使用性不可避免地发生退化。为及时掌握拱桥的健康状态,开展拱桥损伤识别研究具有重要科学研究意义和工程应用价值。本文通过理论分析、算法开发、数值仿真和室内试验等手段,提出了基于密集卷积神经网络和注意力机制的拱桥损伤识别算法,开展了外部荷载下钢管混凝土拱结构和钢管混凝土劲性骨架拱结构室内试验验证,进行了拱桥损伤识别方法参数分析。主要研究工作及成果如下:(1)提出了基于密集卷积神经网络和注意力机制的拱桥损伤识别方法。首先基于拱桥结构有限元模型,通过时程分析获取不同损伤状态下的结构加速度响应数据;然后,利用时频分析技术将加速度响应转换为时频图,形成样本数据库;其次,构建了融合密集卷积网络(Dense Convolutional Network,DenseNet)和卷积块注意力模块(Convolutional Block Attention Module,CBAM)的拱桥损伤识别深度卷积神经网络模型,并基于样本数据库完成模型的训练和测试;最后,采用分类问题中的准确率、精确率、损失值、召回率和F1值五个指标进行了模型评价,并借助T分布随机邻域嵌入(T-distributed Stochastic Neighbor Embedding,t-SNE)非线性降维技术实现特征可视化分析。研究表明:该方法能准确的识别拱桥的损伤,其中单损伤识别准确率为91.67%;多损伤识别准确率为92.78%;损伤特征具有明显的聚类倾向,证明了小波时频图具有强大的特征表达能力和所提方法具有强大的特征提取能力。(2)开展了外部荷载下钢管混凝土拱结构和钢管混凝土劲性骨架拱结构室内试验验证。首先,设计与制作了钢管混凝土拱结构和钢管混凝土劲性骨架拱结构;然后,加载过程中通过敲击的方式获取不同工况下的加速度响应数据;其次,通过连续小波变换为时频图并划分数据集;最后,通过搭建的网络模型进行训练和测试。研究表明:该方法能实现拱结构的识别;对于钢管混凝土拱结构,该方法损伤识别准确率为90.22%;对于钢管混凝土劲性骨架拱结构,该方法损伤识别准确率为92%。(3)进行了拱桥损伤识别参数分析。首先,基于拱桥的多损伤工况数据,构造了不同采样频率、不同样本长度和数量、不同噪声水平以及信号缺失工况;其次,开展了拱桥损伤识别方法的全面参数分析,得出不同参数下的识别结果;然后,剖析了不同参数下损伤识别结果波动的内在原因;最后,揭示了不同采样频率、不同样本长度和数量、不同噪声水平以及信号缺失情况下损伤识别精度变化规律。研究表明:在损伤程度较小的情况下,采样频率越高,损伤识别的效果越明显,256Hz采样频率下准确率降低至57.22%;相同的样本长度,适当提高样本的数量和相同的样本数量,提高样本长度有助于提高结构损伤的整体识别准确率,且提高样本数量的效果更明显;噪声会对结构损伤识别产生影响,30d B以内的噪声水平可以实现良好的识别效果,识别总体准确率为91.11%;在通道缺失的情况下,模型的总体识别准确率不可控,成跳跃式的下降,在信号缺失为一个通道的情况下,总体的识别准确率仅为72.78%。

关键词：密集卷积网络注意力机制连续小波变换拱桥损伤识别

基于信息融合和密集卷积网络的药物-疾病关联预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信息融合和密集卷积网络的药物-疾病关联预测研究

作者：赵森太原理工大学

学位级别：硕士

新药物的开发是一个耗时耗力的过程,且新开发的药物实际利用率较低,造成了资源的浪费,因此,研究者们提出了药物重定位的思路,探索已上市的药物对于其他疾病的治疗效果,从而实现“旧药新用”。药物-疾病关联预测是药物重定位中的一项重... 详细信息

新药物的开发是一个耗时耗力的过程,且新开发的药物实际利用率较低,造成了资源的浪费,因此,研究者们提出了药物重定位的思路,探索已上市的药物对于其他疾病的治疗效果,从而实现“旧药新用”。药物-疾病关联预测是药物重定位中的一项重要研究,该研究将药物和疾病的高通量数据作为输入,结合计算方法预测药物-疾病的潜在关联,能够为药物的高效研发和疾病的低成本治疗提供辅助性建议。现有的药物-疾病关联预测方法大多将药物的结构相似性数据和疾病的语义相似性数据作为模型的输入,利用传统机器学习、网络嵌入和深度学习等方法得到药物-疾病的关联分数,进而辅助生物学实验的进行。但是目前的预测方法考虑的信息不够全面,忽略了药物-疾病关联网络中的全局拓扑信息和局部拓扑信息,这些信息来自生理学实验的验证,对药物-疾病关联预测准确率的提升具有重要作用。在特征提取时,现有的深度学习方法仅仅关注了网络中的高层级特征,并将其直接融合或串联,忽略了网络中高低层级间的信息交互以及特征加权的重要性,导致了药物和疾病信息的丢失,进而降低了药物-疾病关联预测的性能。针对以上问题,本文对不同的药物信息和疾病信息进行融合,采用深度学习技术构建药物-疾病关联预测模型,主要研究内容如下:(1)基于密集卷积注意网络的药物-疾病关联预测模型(DCNN)。针对已有的深度学习方法在药物-疾病关联预测研究时,忽略了网络中高层级信息和低层级信息交互的问题,本文引入了密集卷积神经网络,通过密集短连接的方式,同时关注网络中高低层级的信息,提高了特征的质量。在特征提取过程中,引入了卷积注意力机制(Convolutional Block Attention Module,CBAM)对所提特征进行加权,从通道和空间两个层面实现药物信息和疾病信息的重要性评分,从而提高网络对于药物-疾病关联的预测能力。实验结果表明,DCNN模型可以作为现有药物-疾病关联预测器的补充,共同为药物研发等生物实验提供辅助建议。(2)基于信息融合的药物-疾病关联预测模型(SDNE-DCNN)。针对现有药物-疾病关联预测方法忽略了药物-疾病关联网络中的全局拓扑信息和局部拓扑信息的问题,本文引入了一种结构化深度网络嵌入模型(Structural Deep Network Embedding,SDNE))提取药物-疾病关联网络中的信息。SDNE方法采用半监督深度模型,联合利用网络中节点间的一阶相似性和二阶相似性,捕获药物-疾病关联网络的局部拓扑特征和全局拓扑特征。在信息融合时,SDNE-DCNN模型引入高斯核函数计算药物拓扑特征的相似性和疾病拓扑特征的相似性,并分别将他们与药物的结构相似性,疾病的语义相似性进行融合。最后,采用DCNN模型进一步提取药物和疾病的高级特征并实现药物-疾病的关联预测。实验结果表明,将药物-疾病关联网络中的拓扑信息与现有信息融合,能够丰富特征空间进而提高模型的预测能力。(3)本文基于提出的SDNE-DCNN药物-疾病关联预测模型,利用Java语言和html语言设计开发了RDA-Pre在线预测平台,该平台主要包括模型架构和实验结果的预览功能、从数据库中查询疾病的候选药物功能和在线预测药物-疾病关联的功能,便于辅助用户对药物-疾病关联的在线预测和验证。综上所述,本文采用结构化深度网络嵌入模型提取了药物-疾病关联网络中的药物拓扑信息和疾病拓扑信息,并分别将他们与生物学层面的药物结构信息、疾病语义信息融合,考虑了不同角度的数据,丰富了模型的输入。特征提取时,采用密集卷积注意网络同时关注了网络中高低层级的信息,并通过卷积注意力机制对信息的重要性进行评分,提取了高质量的特征表示,有效预测了药物-疾病关联,为药物开发和疾病治疗提供了辅助性建议。

关键词：药物-疾病关联预测密集卷积网络卷积注意力机制结构化深度网络嵌入方法拓扑相似性

基于密集卷积网络和注意力机制的商品跨域推荐方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集卷积网络和注意力机制的商品跨域推荐方法研究

作者：刘晓雨西安理工大学

学位级别：硕士

近年来,互联网展现出极具韧性与活力的发展趋势,使得在线数据资源指数式增长,导致严重的“信息过载”问题,从而推动了推荐系统的发展,但数据稀疏和用户冷启动问题仍是制约传统单域推荐性能提升的主要困境,跨域推荐作为解决该问题的主要... 详细信息

近年来,互联网展现出极具韧性与活力的发展趋势,使得在线数据资源指数式增长,导致严重的“信息过载”问题,从而推动了推荐系统的发展,但数据稀疏和用户冷启动问题仍是制约传统单域推荐性能提升的主要困境,跨域推荐作为解决该问题的主要途径之一,受到广泛关注。跨域推荐的主要思想是利用辅助领域中的丰富信息来提升在目标领域中的推荐效果,现有方法大多从领域间用户、商品评分数据出发,或仅对评论进行粗粒度的特征提取,对其中蕴含的丰富用户偏好信息挖掘深度不够,难以对现有数据充分利用。此外,不同用户场景也会对领域间知识传输产生影响,造成推荐性能的下降。基于上述问题,本文从领域间用户共享和用户非共享两个角度出发进行建模,以密集卷积网络和注意力机制为基础,构建了两个不同用户场景下的跨域推荐模型。一方面,在领域间有共同用户的场景下,提出了考虑域间用户共享的商品跨域推荐模型。在对相关数据向量化处理后,使用密集卷积网络对领域中的评分数据和评论数据进行特征提取,有效实现特征的复用。选择注意力机制实现各个领域内部用户和商品评分特征和评论文本特征的融合。为实现在目标领域的评分预测,模型采用BP神经网络实现相关特征的跨域映射,最终构建起目标领域中的用户偏好,实现对目标领域用户的评分预测。另一方面,针对不同领域拥有不同客户群的现实情况,在前者模型的基础上提出了考虑域间用户非共享的商品跨域推荐模型。模型对采用密集卷积网络和注意力机制在各个领域中提取到的用户特征和商品特征进行K-means++聚类,获取领域个性知识;识别个性知识中的重叠部分,作为领域间的共性知识,并将其迁移至目标领域与个性知识融合实现评分预测。最后,在域间用户共享和用户非共享的场景下对本文提出的模型在数据集中进行实验,结果表明,相较于对比模型,本文模型效果均有明显提升,在领域间用户非共享的情形下也可以进行高质量的推荐,从而验证了模型的有效性。本研究工作为缓解数据稀疏与冷启动问题提供了解决思路,在为用户提供更为准确的商品推荐的同时,可以有效提升电商平台的客户满意度,提高平台的利润水平。

关键词：跨域推荐密集卷积网络注意力机制特征融合评分预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集卷积网络的单目图像深度估计方法

计算机工程 2021年第11期47卷 262-267,291页

作者：王亚群戴华林王丽李国燕天津城建大学计算机与信息工程学院天津300384

为解决目前单目图像深度估计方法存在的精度低、网络结构复杂等问题,提出一种密集卷积网络结构,该网络采用端到端的编码器和解码器结构。编码器引入密集卷积网络DenseNet,将前面每一层的输出作为本层的输入,在加强特征重用和前向传播的... 详细信息

为解决目前单目图像深度估计方法存在的精度低、网络结构复杂等问题,提出一种密集卷积网络结构,该网络采用端到端的编码器和解码器结构。编码器引入密集卷积网络DenseNet,将前面每一层的输出作为本层的输入,在加强特征重用和前向传播的同时减少参数量和网络计算量,从而避免梯度消失问题发生。解码器结构采用带有空洞卷积的上投影模块和双线性插值模块,以更好地表达由编码器所提取的图像特征,最终得到与输入图像相对应的估计深度图。在NYU Depth V2室内场景深度数据集上进行训练、验证和测试,结果表明,该密集卷积网络结构在δ<1.25时准确率达到0.851,均方根误差低至0.482。

关键词：密集卷积网络单目图像编码器解码器深度估计

在线全文

学校读者我要写书评

暂无评论

基于密集卷积网络的X线气胸检测与定位

计算机应用 2019年第12期39卷 3541-3547页

作者：罗国婷刘志勤周莹王庆凤郑介志刘启榆西南科技大学计算机科学与技术学院四川绵阳621000 绵阳市中心医院放射科四川绵阳621000 上海联影智能医疗科技有限公司上海200232

现有X线气胸检测存在两个主要问题:一是由于气胸通常与肋骨、锁骨等组织重叠,在临床上存在较大的漏诊,而现有算法的检测性能仍有待提高;二是现有基于卷积神经网络的算法无法给出可疑的气胸区域,缺乏可解释性。针对上述问题,提出了一种... 详细信息

现有X线气胸检测存在两个主要问题:一是由于气胸通常与肋骨、锁骨等组织重叠,在临床上存在较大的漏诊,而现有算法的检测性能仍有待提高;二是现有基于卷积神经网络的算法无法给出可疑的气胸区域,缺乏可解释性。针对上述问题,提出了一种结合密集卷积网络(DenseNet)与梯度加权类激活映射的方法用于X线气胸的检测与定位。首先,构建了一个较大规模的胸部X线数据集PX-ray用于模型的训练和测试。其次,修改DenseNet的输出节点并在全连接层后添加一个sigmoid函数对胸片进行二分类(气胸/非气胸)。在训练过程中通过设置交叉熵损失函数的权重来缓解数据不平衡问题,提高模型准确率。最后,提取网络最后一个卷积层的参数以及对应的梯度,通过梯度加权类激活映射算法获得气胸类别的粗略定位图。在PX-ray测试集上的实验结果表明,所提方法的检测准确率为95.45%,并且在曲线下面积(AUC)、敏感度、特异性等指标上均高于0.9,优于VGG19、GoogLeNet以及ResNet算法,同时实现了对气胸区域的可视化。

关键词：气胸胸部X线密集卷积网络类别不平衡类激活映射

在线全文

学校读者我要写书评

暂无评论

基于密集卷积网络的阿尔茨海默症分类研究

基于密集卷积网络的阿尔茨海默症分类研究

作者：韩森大连海事大学

学位级别：硕士

阿尔茨海默症（Alzheimer’s Disease,AD）是一种不可逆的大脑神经退行性疾病。轻度认知障碍（MCI）是一种介于AD和认知正常（CN）之间的症状,其作为AD的早期阶段,对预防和干预病情的发展非常重要。本文对基于密集卷积网络的阿尔茨海默... 详细信息

阿尔茨海默症（Alzheimer’s Disease,AD）是一种不可逆的大脑神经退行性疾病。轻度认知障碍（MCI）是一种介于AD和认知正常（CN）之间的症状,其作为AD的早期阶段,对预防和干预病情的发展非常重要。本文对基于密集卷积网络的阿尔茨海默症分类进行研究,分别给出了 AD早期诊断模型和MCI到AD的转化预测模型,并对主动学习算法进行研究,给出一种基于多策略的批量式主动学习算法。本文的主要研究内容如下:1、给出一种基于多尺度特征和序列学习的AD早期诊断模型。针对2D-CNN不能有效获取磁共振成像（MRI）序列信息的问题,且考虑到MRI图像数据集规模较小,给出一种参数量较少的三维轻量密集卷积网络（3D-LDenseNet）作为基础模型;针对3D-LDenseNet只能在固定感受野和局部切片序列内提取图像特征的问题,在模型中引入空洞卷积和卷积长短时记忆网络,以增强模型对于MRI图像的多尺度特征提取能力和序列学习能力。2、给出一种基于注意力机制的MCI到AD的转化预测模型。针对发展型MCI（progressive MCI,pMCI）和稳定型MCI（stable MCI,sMCI）病灶区域变化相差细微的问题,以AD早期诊断模型为基础,通过在模型中增加空间注意力机制和通道注意力机制,提取MRI图像的空间和通道的显著特征信息,使得模型在训练过程中可以准确地定位到利于分类的显著区域,增强模型对sMCI和pMCI的区分能力。3、给出一种基于多策略的批量式主动学习算法。针对批量式主动学习算法筛选出的批量样本存在信息冗余的问题,在利用不确定性策略对样本进行筛选的基础上,引入卷积自编码器和聚类算法用于衡量样本的代表性,并利用距离度量对未标注样本与标注样本之间的相似性进行衡量。通过对未标注样本进行不确定性、代表性和相似性的综合衡量,提升所选样本的代表性和标注样本集的多样性,在一定程度上缓解所选样本之间的冗余信息,从而可以利用尽可能少的标注样本达到模型的预期性能。

关键词：阿尔茨海默症密集卷积网络序列学习注意力机制主动学习

基于密集卷积网络的滚动轴承故障诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集卷积网络的滚动轴承故障诊断方法研究

作者：吴康哈尔滨工业大学

学位级别：硕士

滚动轴承通常作为旋转机械的核心支撑部件,其实际工况往往较为复杂,例如高转速、高温和高负载等。并且时常会受到各类冲击和振动的影响,因而导致其故障发生率较高。传统故障诊断方法通常需要将轴承从设备上拆解下来,并结合工程师的实际... 详细信息

滚动轴承通常作为旋转机械的核心支撑部件,其实际工况往往较为复杂,例如高转速、高温和高负载等。并且时常会受到各类冲击和振动的影响,因而导致其故障发生率较高。传统故障诊断方法通常需要将轴承从设备上拆解下来,并结合工程师的实际经验进行故障诊断,从而导致诊断的周期较长、时效性较差,不能满足实时监测的需求。同时,在振动信号的获取过程中,外界环境噪音的干扰以及故障样本缺乏而导致的样本不均衡问题都使得滚动轴承的故障诊断过程愈发困难。针对于振动信号获取过程中可能引入环境噪音的问题,本文提出了一种基于样本熵的自适应WTD方法,并对信号数据进行了降噪处理。该方法通过DWT技术来对振动信号进行了分解,然后基于各层小波系数的样本熵,为各层系数分配了不同的阈值函数并对系数进行了筛选处理,最后通过对处理后的小波系数进行逆离散小波变换,完成振动信号的降噪工作,并通过相关实验,对该降噪方法进行了验证。为了解决在轴承故障诊断过程中出现的诊断时效性差,诊断精度不理想等问题,本文引入了Dense Net模型以从混叠的轴承振动信号中提取出能够表征轴承运行状态的特征信号,同时借助EMD算法和PCA算法对该模型进行了改进,构建了一种基于EP-Dense Net模型的滚动轴承故障诊断系统,并完成了相应的故障诊断工作。同时通过系列对比实验,对该诊断系统进行了验证。为解决故障诊断时一直存在的样本不均衡问题,本文提出了一种面向不均衡样本的滚动轴承故障诊断方法,以提高系统在样本不均衡情形下的诊断精度。该系统在现有Dense Net模型的基础上,结合CS技术,根据每个故障类别样本的数量,为每个样本设置不同的错分代价权重,并将代价权重融入到集成框架的目标函数中,以从算法层面解决样本不均衡问题,从而提高系统最终的诊断精度,并通过系列对比实验,对该诊断系统进行了验证。最后,结合轴承故障诊断的实际需求,通过Python对本文所提方法和模型进行了应用层面的实现和诊断系统的开发,并将该系统应用于实际信号数据完成了操作示范,对该诊断系统进行了验证,同时也为企业进行轴承故障诊断工作提供了相应的理论基础和技术支持。

关键词：滚动轴承故障诊断密集卷积网络特征提取不均衡样本

基于密集卷积网络(DenseNets)的遥感图像分类研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

计算机时代 2018年第10期 60-63,67页

作者：李达李琳李想上海理工大学光电信息与计算机工程学院上海200093 苏州大学机电工程学院

遥感图像空间分辨率低,如何更好地提取图像特征成为提升分类性能的关键。文章提出了一种基于密集卷积网络(DenseNets)的遥感图像分类方法,针对遥感图像样本少,采用迁移学习方法,在ImageNet上进行预训练,获得初始模型,利用预训练模型在(U... 详细信息

遥感图像空间分辨率低,如何更好地提取图像特征成为提升分类性能的关键。文章提出了一种基于密集卷积网络(DenseNets)的遥感图像分类方法,针对遥感图像样本少,采用迁移学习方法,在ImageNet上进行预训练,获得初始模型,利用预训练模型在(UCM_LandUse_21)上训练,更新训练策略获得最佳模型。结果表明,该方法比BOVW+SCK和SVM_LDA方法在分类精度上提高10%,比传统CNN提升了约7%,比MS_DCNN提升5%。因此,该方法对于遥感图像场景分类具有一定的价值。

关键词：遥感图像分类密集卷积网络迁移学习场景分类

在线全文

学校读者我要写书评

暂无评论

多尺度信息交互与融合的乳腺病理图像分类

中国图象图形学报 2024年第4期29卷 1085-1099页

作者：丁维龙朱峰龙郑魁贾秀鹏浙江工业大学计算机科学技术学院杭州310023 上海派影医疗科技有限公司上海201306 宁波市临床病理诊断中心宁波315031

目的基于深度学习方法进行乳腺癌识别是一项具有挑战的任务,目前较多研究使用单一倍率下的乳腺组织病理图像作为模型的输入,忽略了乳腺组织病理图像固有的多倍率特点,而少数将不同倍率下的图像作为模型输入的研究,存在特征利用率较低... 详细信息

目的基于深度学习方法进行乳腺癌识别是一项具有挑战的任务,目前较多研究使用单一倍率下的乳腺组织病理图像作为模型的输入,忽略了乳腺组织病理图像固有的多倍率特点,而少数将不同倍率下的图像作为模型输入的研究,存在特征利用率较低以及不同倍率的图像之间缺乏信息交互等问题。方法针对上述问题,提出一种基于多尺度和分组注意力机制的卷积神经网络改进策略。该策略主要包括信息交互模块和特征融合模块。前者通过空间注意力加强不同倍率的图像之间的相关性,然后将加权累加的结果反馈给原始分支进行动态选择实现特征流通;后者则利用一种分组注意力来提升特征的利用率,同时基于特征金字塔来消除图像之间的感受野差异。结果本文将上述策略应用到多种卷积网络中,并与最新的方法进行比较。在Camelyon16公开数据集上进行五折交叉验证实验,并对每一项评价指标计算均值和标准差。相比于单一尺度图像作为输入的卷积网络,本文改进的方法在准确率上提升0.9%~1.1%,F1分数提升1.1%~1.2%;相较于对比方法中性能最好的TransPath网络,本文改进的DenseNet201(dense convolutional network)在准确率上提升0.6%,精确率提升0.8%,F1分数提升0.6%,并且各项指标的标准差低于Transpath,表明加入策略的网络具有更好的稳定性。结论本文所提出的策略能弥补一般多尺度网络的缺陷,并具备一定的通用性,可获得更好的乳腺癌分类性能。

关键词：乳腺病理图像分类密集卷积网络多尺度注意力特征融合