检索结果-南通市图书馆

中国图象图形学报 2024年第3期29卷 655-669页

作者：柴静雯李安康张浩马泳梅晓光马佳义武汉大学电子信息学院武汉430072

目的高度适形放射治疗是常用的癌症治疗方法,该方法的有效性依赖于对癌组织和周边多个危及器官(organ at risk,OAR)解剖结构的精确刻画,因此研究三维图像多器官的高精度自动分割具有重要意义。以视觉Transformer(vision Transformer,V... 详细信息

目的高度适形放射治疗是常用的癌症治疗方法,该方法的有效性依赖于对癌组织和周边多个危及器官(organ at risk,OAR)解剖结构的精确刻画,因此研究三维图像多器官的高精度自动分割具有重要意义。以视觉Transformer(vision Transformer,ViT)和卷积神经网络(convolutional neural network,CNN)结合为代表的三维医学图像分割方法表现出了丰富的应用优势。然而,这类方法往往忽略同一尺度内和不同尺度间的信息交互,使得CNN和ViT特征的提取和融合受限。本文提出一种端到端多器官分割网络LoGoFUNet(local-global-features fusion UNet),旨在应对现有方法的缺陷。方法首先,针对单一器官分割,提出在同一尺度下并行提取并融合CNN和ViT特征的LoGoF(local-global-features fusion)编码器,并构建了一个端到端的三维医学图像分割多尺度网络M0。此外,考虑到器官内部以及器官之间的相互关系,该方法在M0网络的基础上设计并引入了多尺度交互(multi-scale interaction,MSI)模块和注意力指导(attention guidance,AG)结构,最终形成了LoGoFUNet。结果在Synapse数据集和SegTHOR(segmentation of thoracic organs at risk)数据集上,本文方法相比于表现第2的模型,DSC(Dice similarity cofficient)指标分别提高了2.94%和4.93%,而HD95(Hausdorff distance_95)指标则分别降低了8.55和2.45,切实提升了多器官分割任务的性能表现。在ACDC(automatic cardiac diagnosis challenge)数据集上,3D分割方法的适用性大多较差,但LoGoFUNet依然得到了比2D先进方法更好的结果,说明其对数据集的适应能力更强。结论该方法的分割模型综合尺度内和尺度间的信息交互,具有更好的分割结果,且在数据集上的泛化性更好。

关键词：多器官分割深度神经网络(DNN) 视觉Transformer(ViT) 局部全局特征多尺度交互(MSI)

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习技术的风速预测方法研究

基于深度学习技术的风速预测方法研究

引用

作者：宋萌萌中南大学

学位级别：硕士

传统化石能源的储量有限且不可再生,在燃烧的过程中还伴随着有毒有害物质的排放,对生态环境造成了严重的破坏。风能是一种清洁可再生的新型能源,风力发电技术的发展与应用有助于缓解日益严峻的能源危机。然而,风具有的随机性与间歇性给... 详细信息

传统化石能源的储量有限且不可再生,在燃烧的过程中还伴随着有毒有害物质的排放,对生态环境造成了严重的破坏。风能是一种清洁可再生的新型能源,风力发电技术的发展与应用有助于缓解日益严峻的能源危机。然而,风具有的随机性与间歇性给新能源电力系统的调度和运行带来巨大的挑战。可靠且准确的风速预测是解决上述问题的关键。本文首先构建局部与全局特征稀疏动态图模型,利用风速数据的时空依赖特性进行风速确定性预测;然后构建基于多尺度特征的非交叉概率性预测模型,利用风速数据的时序自相关性进行风速概率性预测。本文的主要创新和具体的研究方法如下:(1)对风速数据的时序相关性、空间相关性、时空相关性分别进行了验证与分析。风速数据蕴含丰富的关联信息,在单源风速数据中,不同时间点的数据存在时间相关性,在多源数据中,同一时刻不同站点的数据具有空间相关性,同时,不同站点的风速变化也具有时空依赖特性。本文利用自相关系数、莫兰指数与最大信息系数分别对三种相关性进行量化。(2)对风速确定性预测提出了基于局部与全局信息的稀疏动态图预测模型。多个站点的风速具有动态的时空相关性,对时空依赖特征的充分利用有助于提升模型的预测性能。本文首先设计基于长短期记忆神经网络(Long short-term memory network,LSTM)与自注意力机制的时空关联建模模块对站点之间的关联进行建模。然后借助卷积神经网络(Convolutional neural network,CNN)与图注意力网络(Graph attention network,GAT)构建局部全局特征提取模块,实现时空依赖特征的提取。最后生成多站点的确定性风速预测。(3)对风速概率性预测提出了基于多尺度特征的非交叉概率性预测模型。相比多源风速数据,单源风速的输入信息相对有限,从有限的数据中充分提取丰富的多尺度特征有助于提升模型的预测性能。此外,相比确定性风速预测,概率风速预测模型可以量化预测的不确定性,进而为电力系统的调度规划提供更加丰富的信息。本文首先设计一个基于卷积神经网络与注意力机制的多尺度特征提取模块,实现从有限的输入中得到具有不同时间尺度与抽象层次的多尺度特征。然后,构建一种非交叉分位数损失以克服分位数模型的交叉问题。最后生成高质量与可靠的预测区间与概率密度曲线。

关键词：风速确定性预测风速概率性预测图结构局部全局特征多尺度特征非交叉分位数损失函数深度学习技术

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

基于局部与全局深层神经网络的轴承故障诊断技术研究

基于局部与全局深层神经网络的轴承故障诊断技术研究

引用

作者：陈双达长安大学

学位级别：硕士

在当前工业信息化时代,有效获取设备的状态信息以保证其高效的安全生产和故障维护是一个重大挑战。在故障诊断领域中,全局信息特征和局部信息特征分别表示数据的整体结构和邻域关系,故应兼顾考虑数据结构的局部和全局信息。传统的机器... 详细信息

在当前工业信息化时代,有效获取设备的状态信息以保证其高效的安全生产和故障维护是一个重大挑战。在故障诊断领域中,全局信息特征和局部信息特征分别表示数据的整体结构和邻域关系,故应兼顾考虑数据结构的局部和全局信息。传统的机器学习算法所提取特征单一具有很强主观性并且区分度较低。本文针对传统的机器学习算法不能协调轴承的局部和全局故障特征信息的问题,提出了基于局部全局深层神经网络算法的新型轴承故障诊断方法。该算法作为一种折中将局部特征提取器与全局特征提取器融合对轴承进行故障诊断。首先将轴承原始振动谱信号经过双稀疏表达对数据降噪降维同时消除数据不平衡现象减少数据的冗余属性,其次局部特征提取层利用基于改进卷积深度信念网络有效地提取数据的局部判别信息对故障类别有效识别,然后全局特征提取层使用核主成分分析提取数据的全局判别信息,最后将所提取的综合特征使用soft-max分类器对不同故障进行分类。基于开源性的特点选用西储大学轴承振动信号数据为样本进行故障分类以验证该方法的有效性并和现有方法进行对比,观察诊断结果表明所提出的故障诊断方法能够兼顾考虑轴承的局部和全局故障特征信息对轴承故障有效分类。选用实验室轴承振动信号数据证明该模型具有较强的泛化能力。

关键词：智能诊断滚动轴承稀疏表示局部全局特征深度学习

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

基于概率相关核主元分析的微小故障检测方法研究

基于概率相关核主元分析的微小故障检测方法研究

引用

作者：蔡配配中国石油大学(华东)

学位级别：硕士

日益复杂化的现代工业对生产过程的安全性和连续性提出了更高的要求,故障检测技术成为过程系统领域的关注焦点。近年来,先进的集散控制和数据采集技术在工业系统中得到广泛应用,收集了大量的工业系统运行数据。因此,基于数据挖掘的故障... 详细信息

日益复杂化的现代工业对生产过程的安全性和连续性提出了更高的要求,故障检测技术成为过程系统领域的关注焦点。近年来,先进的集散控制和数据采集技术在工业系统中得到广泛应用,收集了大量的工业系统运行数据。因此,基于数据挖掘的故障检测方法受到了研究学者们的广泛关注。然而,对于幅值小、变化缓慢的微小故障来讲,传统的故障检测方法往往难以取得较好的监控效果。针对非线性工业过程的微小故障监控问题,本文立足于正常数据和故障数据的概率分布差异,研究基于概率相关核主元分析(probability related kernel principal component analysis,PRKPCA)的微小故障检测方法,并基于微小故障数据特性,进一步提出相应的改进方法,以满足微小故障检测需求。首先,针对传统核主元分析(kernel principal component analysis,KPCA)方法中微小故障数据和正常数据的核成分往往重叠严重、造成检测困难的问题,本文从概率分析的角度出发,提出一种基于PRKPCA的微小故障检测方法。该方法在KPCA模型提取核成分的基础上,利用KL散度(Kullback-Leibler divergence,KLD)度量正常数据和故障数据概率分布之间的差异,进而建立基于KLD成分的非线性统计量实现对微小故障的检测。对非线性数值例子和有杆抽油机(sucker rod pump,SRP)系统的仿真结果表明,PRKPCA方法具有比传统KPCA更好的微小故障监控能力。其次,针对PRKPCA方法在构建统计量时忽略各KLD成分所包含的故障信息差异问题,本文研究基于加权概率相关核主元分析(weighted PRKPCA,WPRKPCA)的微小故障检测方法。通过设计基于核密度估计方法的加权策略,按照包含故障信息量的差异对各个KLD成分分配相应的指数权值,增强故障KLD成分的影响。以非线性数值例子和连续搅拌反应釜(continuous stirred tank reactor,CSTR)系统为仿真对象,结果表明该方法对微小故障的检测能力要优于KPCA和PRKPCA方法。再次,PRKPCA方法仅注重于提取过程的全局特征,而忽略数据所包含的局部结构信息。为此,本文从全面提取过程数据特征的角度出发,提出一种基于局部全局概率相关核主元分析(local global KPCA,LG-PRKPCA)的非线性微小故障检测方法。该方法对传统的KPCA模型优化目标函数进行改进,融入局部结构保持约束,构造综合考虑局部与全局数据结构的优化目标提取核成分,进而建立基于KLD成分的统计监控模型,提高对微小故障检测的灵敏性。最后,对非线性数值例子和CSTR系统的仿真结果表明,该方法具有比传统KPCA和PRKPCA更好的微小故障检测能力。最后,考虑到PRKPCA方法在计算KL散度时,忽略了过程数据的动态特性,且整体建模方法难以充分挖掘微小故障特征问题,研究基于动态多块概率相关核主元分析(dynamic multi-block PRKPCA,DM-PRKPCA)的微小故障检测方法。为充分利用数据的时序相关性,结合指数加权移动平均方法在滑动窗内计算KLD成分。进一步,对KLD成分按照均值和方差进行分块处理,并对每一块建立故障监控子模型,最后采用贝叶斯融合策略将子模型的监控结果进行融合。在非线性数值例子和CSTR系统上的仿真结果表明,相比于KPCA和PRKPCA方法,该方法能够取得更加及时的微小故障检测效果。

关键词：过程监控微小故障检测概率相关核主元分析加权策略局部全局特征动态分块

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

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

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

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：