检索结果-南通市图书馆

面向手过头任务的残差神经网络肌肉疲劳预测模型

维普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

医用生物力学 2024年第3期39卷 482-488页

作者：赵晓一赵川杨文鑫刘思棋青岛大学机电工程学院山东青岛266000

目的探讨手过头任务中上肢关节角度与肌肉疲劳之间的关系,并构建了一种基于残差神经网络(residual neural networks, ResNet)的肌肉疲劳预测模型。方法通过模拟不同作业姿势和不同操作面下的钻孔试验,测量了肌肉最大自主收缩力、最大... 详细信息

目的探讨手过头任务中上肢关节角度与肌肉疲劳之间的关系,并构建了一种基于残差神经网络(residual neural networks, ResNet)的肌肉疲劳预测模型。方法通过模拟不同作业姿势和不同操作面下的钻孔试验,测量了肌肉最大自主收缩力、最大耐受时间、最大剩余肌力和主观疲劳评分。将测量后数据进行数据处理作为ResNet预测模型的输入,构建残差神经网络模型,以预测肌肉疲劳水平。结果 ResNet模型具有出色的预测精度,均方根误差(root mean square error, RMSE)为0.028,相较于传统的BP神经网络(RMSE=0.053)和MLP多层感知器神经网络(RMSE=0.059),其误差更小,拟合更好。结论提出的残差神经网络肌肉疲劳预测模型能够有效准确地预测肌肉疲劳,为提高工作效率、减少工作相关肌肉骨骼疾病风险提供了有力支持。

关键词：手过头作业肌肉疲劳关节角度残差神经网络工作相关肌肉骨骼疾患

维普期刊数据库博看期刊

融合自注意力与残差神经网络的3D打印激光在机测量误差修正方法

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2024年第4期38卷 27-36页

作者：刘清涛王子俊张玉隆张义超赵斌尹恩怀吕景祥长安大学道路施工技术与装备教育部重点实验室西安710064 西安瑞特三维科技有限公司西安710061

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种... 详细信息

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先,将影响测量精度的因素作为输入变量,采集激光测量值,得到样本数据集;然后利用残差网络提取出样本数据的深层次特征,并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征;再通过全连接网络对带权重特征进行学习,得到测量误差的预测值,基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统,采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明,所提的方法与卷积神经网络和自注意力神经网络相比,均方误差、均方根误差和平均绝对误差均最小,稳定性最好,修正结果最接近真实值;对激光测量结果进行校正后,使其误差由原来的±28μm减小到±9μm以下,显著提高了3D打印激光在机测量的精度和稳定性。

关键词： 3D打印激光在机测量残差神经网络自注意力机制误差修正

同方期刊数据库

基于孪生残差神经网络的GF-2影像林地变化检测——以浙江省建德林场为例

在线全文

学校读者我要写书评

暂无评论

遥感技术与应用 2024年第1期39卷 24-33页

作者：艾遒一黄华国郭颖刘炳杰陈树新田昕北京林业大学森林资源和环境管理国家林草局重点实验室北京100083 中国林业科学研究院资源信息研究所北京100091

森林是世界上生产力最高的可再生自然资源之一,但由于火灾、洪水、砍伐等多种自然或人为因素干扰,森林的生态环境受到严重威胁。准确掌握林地资源变化的情况,可以为森林资源的管理与保护提供有效信息。由于林地类别及树种差异较大,在林... 详细信息

森林是世界上生产力最高的可再生自然资源之一,但由于火灾、洪水、砍伐等多种自然或人为因素干扰,森林的生态环境受到严重威胁。准确掌握林地资源变化的情况,可以为森林资源的管理与保护提供有效信息。由于林地类别及树种差异较大,在林地变化检测任务中传统的机器学习变化检测方法难以捕捉深层次语义信息,存在提取特征适应性差、识别能力弱以及因季相导致的伪变化等问题。提出以孪生残差神经网络构建深度学习模型,进行林地变化的检测实验。分别采用残差神经网络ResNet50、添加不同轻量级注意力机制如卷积注意力机制模块CBAM和压缩和激励模块SE 3种不同特征提取方法作为主干特征提取模块。3种主干特征提取网络都基于预训练权重进行训练,通过将提取的多尺度的特征图进行融合,使得不同特征图中信息粗略细节和精细细节互补,从而改善变化检测效果,同时具有相同数量的参数,共享权值的优点。以浙江省建德林场为实验区,获取2015年和2020年两期高分二号卫星影像,构建一套分辨率为1 m的林地变化检测数据集。对孪生残差神经网络变化检测的结果和真实变化标签进行比较,其中主干特征提取网络SE-ResNet50综合结果最好,精确率为0.91,召回率为0.78,F1分数为0.83,要优于主流的变化检测模型FC-Siam-conc、FC-Siam-diff。证明孪生残差神经网络在高分辨率遥感影像林地变化检测任务中能够准确捕捉林地变化,为森林资源管理部门提供了新的林地变化检测方法。

关键词：林地变化检测深度学习注意力机制孪生神经网络残差神经网络

在线全文

学校读者我要写书评

暂无评论

基于残差神经网络的鸡蛋分类识别研究

河南农业大学学报 2024年第3期58卷 456-466页

作者：梁旭王玲赵书涵河南农业大学机电工程学院河南郑州450002

【目的】探究残差神经网络(residual neural network,ResNet)对不同种类鸡蛋的分类效果,明确深度学习应用存在智能鸡蛋巡检装置的可行性,为家禽养殖智能化进程提供新思路,并为鸡蛋分类研究提供数据支撑。【方法】在鸡舍实地取样,采用自... 详细信息

【目的】探究残差神经网络(residual neural network,ResNet)对不同种类鸡蛋的分类效果,明确深度学习应用存在智能鸡蛋巡检装置的可行性,为家禽养殖智能化进程提供新思路,并为鸡蛋分类研究提供数据支撑。【方法】在鸡舍实地取样,采用自适应矩估计优化器(adaptive moment estimation,Adam)以微调最后1层、微调所有层和重新训练所有层3种迁移学习策略分别训练,并通过调整模型权重参数及改变学习率的方式训练出最佳分类模型。【结果】得到识别准确率高达98.971%的鸡蛋分类模型。计算出模型在数据集上的各类评估指标,并借助混淆矩阵及语义特征降维可视化,分析出鸡蛋分类识别中易被误判的类别及语义。该模型部署后实时性良好,满足实际需求。【结论】鸡蛋的分类识别中光照条件是关键影响因素,应尽可能使鸡舍光照稳定均衡。针对6类鸡蛋,微调所有层并调整学习率参数为0.6,可得最佳模型。其在鸡舍场景下分类效果优良,尤其是颜色语义,应用于智能鸡蛋巡检装置,可有效降低人力成本。后续研究中应注重畸形蛋及软壳蛋的记录,为进一步优化提供数据支撑。

关键词：鸡蛋分类家禽养殖残差神经网络学习率智慧农业迁移学习

同方期刊数据库

基于改进残差神经网络的机械故障智能诊断方法研究

在线全文

学校读者我要写书评

暂无评论

基于改进残差神经网络的机械故障智能诊断方法研究

作者：付振宝北京化工大学

学位级别：硕士

残差神经网络能够有效地避免网络性能的退化,具有良好的模式识别性能,已初步应用于机械设备故障智能诊断领域,但仍存在特征提取不足、故障特征难以充分利用、网络参数和规模大等问题。为此,论文以旋转机械关键零部件--齿轮与轴承为研究... 详细信息

残差神经网络能够有效地避免网络性能的退化,具有良好的模式识别性能,已初步应用于机械设备故障智能诊断领域,但仍存在特征提取不足、故障特征难以充分利用、网络参数和规模大等问题。为此,论文以旋转机械关键零部件--齿轮与轴承为研究对象,开展了基于改进残差神经网络的机械故障智能诊断方法研究,主要研究工作如下:(1)针对残差神经网络因卷积运算缺乏全局特征信息学习能力,导致特征信息提取不足的问题,提出了基于卷积自注意力机制(Convolution self-Attention,CA)模块的残差神经网络故障诊断方法。首先,将原始信号转换为灰度图像作为网络输入,并将CA模块嵌入残差块以完成全局特征的不同信息交互,更好地捕捉不同特征之间的依赖关系。其次,利用残差神经网络强大的特征提取能力提取故障特征,以克服深层神经网络梯度消失或梯度爆炸等缺陷。最后,在风电齿轮箱数据集与离心泵轴承数据集上进行实验验证,证明了该方法有效性。(2)针对残差神经网络不同层次特征包含较多冗余信息、层次特征信息利用不足等问题,提出了基于多特征融合的注意力残差神经网络诊断模型。首先,使用Concat层将残差神经网络不同层次的浅层特征与深层特征融合,以更好捕捉数据的全面特征;其次,利用三条不同注意力机制路径对不同层次深浅特征进行筛选,从而关注有效特征信息,降低冗余信息的干扰;然后,引入密集连接方式使得浅层特征在网络深层得以重用,完善故障特征信息,利于网络梯度的传播与更新;最后,通过与对比方法在工业风机数据集和离心式水泵数据集进行实验验证,证明了所提模型具有更好的诊断识别效果。(3)针对残差神经网络参数量大、计算复杂度高导致在有限计算资源设备难以利用等问题,提出了基于轻量化改进的残差神经网络诊断方法。首先,设计并行层作为网络模型首层,提取输入数据的高低频分量,以弥补首层卷积难以提取复杂特征缺陷,同时引入自注意力机制,帮助网络模型学习关键特征;其次,以低秩分解方式对传统残差块进行改进,以降低网络模型的参数与运算量;然后,改进Hard-swish激活函数的负区域,实现复杂特征的非线性变换;最后,使用非批量归一化增强模型表达能力,提升轻量化改进模型的稳定性。通过对比实验证明,该方法具有更小的网络模型参数量、更低的运算量和较好的诊断识别准确率。

关键词：故障诊断深度学习残差神经网络特征融合注意力机制

基于深度残差神经网络的道路积水深度提取方法

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

净水技术 2024年

作者：陈汪洋中国水务投资有限公司

针对现有道路积水深度传感器安装维护成本高的问题，文章提出了一种基于深度残差神经网络的道路积水深度提取方法，从“全球眼系统”“网络平台”“洪涝应急抢险照片”多渠道收集数据集，解决了积水图像数据集数量、质量不高的问题；并... 详细信息

针对现有道路积水深度传感器安装维护成本高的问题，文章提出了一种基于深度残差神经网络的道路积水深度提取方法，从“全球眼系统”“网络平台”“洪涝应急抢险照片”多渠道收集数据集，解决了积水图像数据集数量、质量不高的问题；并以积水严重程度作为标签分级，解决了现有研究无法识别积水深度的问题，在原始测试集上可以达到96.5%的准确率。实例分析结果表明，采用深度残差神经网络从积水图像中提取积水深度信息的方法确实可行，并且在实际应用中能够满足积水监测的精度要求。

关键词：排水系统道路积水残差神经网络积水深度提取内涝防控

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于改进残差神经网络的滚动轴承故障检测

计算机仿真 2024年第5期41卷 81-87页

作者：刘晓阳刘旭陈伟王文清中国矿业大学(北京)机电与信息工程学院中煤信息技术(北京)有限公司北京工业职业技术学院

针对在矿井等特殊环境下在面对运算量大的复杂算法时，传统深度学习算法由于运算量大，现场检测设备由于需要消耗大量的资源无法完成现场检测的问题，提出了一种基于改进残差神经网络的滚动轴承故障检测方法。方法通过在卷积残差块和恒... 详细信息

针对在矿井等特殊环境下在面对运算量大的复杂算法时，传统深度学习算法由于运算量大，现场检测设备由于需要消耗大量的资源无法完成现场检测的问题，提出了一种基于改进残差神经网络的滚动轴承故障检测方法。方法通过在卷积残差块和恒等残差块中加入跳跃连接，尽可能地减少了信息的损失，并且将部分残差块中的普通卷积替换成深度可分离卷积，大大降低了运算量。实验表明，改进残差神经网络能够有效地提取数据的特征信息，提高运算的速度，在解决恶劣环境下大数据量难以现场运算的同时对滚动轴承故障检测的准确率有很大提高，准确率可达99.97%。

关键词：滚动轴承残差神经网络故障检测深度可分离卷积

基于混合注意力残差神经网络的齿轮箱故障诊断

在线全文

学校读者我要写书评

暂无评论

变频器世界 2024年第5期27卷 61-67页

作者：杨朝辉张文锋吴定会无锡隆玛科技股份有限公司江苏无锡214000 江南大学物联网工程学院江苏无锡214122

针对齿轮箱的振动信号中存在噪声干扰,导致特征提取困难、故障诊断精确度低的问题,提出一种基于混合注意力残差神经网络的齿轮箱故障诊断方法。该方法利用残差神经网络作为模型的特征提取网络,在特征提取网络中融合时域注意力与频谱通... 详细信息

针对齿轮箱的振动信号中存在噪声干扰,导致特征提取困难、故障诊断精确度低的问题,提出一种基于混合注意力残差神经网络的齿轮箱故障诊断方法。该方法利用残差神经网络作为模型的特征提取网络,在特征提取网络中融合时域注意力与频谱通道注意力机制,以增强模型提取一维信号特征的能力。并对时域注意力分段以降低模型的计算量,根据多频谱通道注意力获取的不同通道权值,强化与故障分类相关的特征,抑制无关特征。采用东南大学数据集验证该方法的有效性,仿真结果表明,所提方法的平均诊断准确率为97.5%,同时在有噪声干扰测试集的情况下,所提方法的平均诊断准确率为85.5%,高于对比算法,表明该方法具有较高的故障诊断性能和较强的模型鲁棒性。

关键词：齿轮箱故障诊断残差神经网络注意力机制

基于颜色编码和残差神经网络的非侵入式负荷识别

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

电工材料 2024年第2期 94-99页

作者：杨苗游文霞刘玥汪芯茜三峡大学电气与新能源学院湖北宜昌443002

在非侵入式负荷识别任务中,随着家用电器类型的不断增加,功率差距不大但V-I轨迹相似的设备很容易被分类错误。针对这些问题,本研究提出了基于颜色编码和残差神经网络的非侵入式负荷识别方法。首先,对采集到的高频电压、电流数据进行预处... 详细信息

在非侵入式负荷识别任务中,随着家用电器类型的不断增加,功率差距不大但V-I轨迹相似的设备很容易被分类错误。针对这些问题,本研究提出了基于颜色编码和残差神经网络的非侵入式负荷识别方法。首先,对采集到的高频电压、电流数据进行预处理;然后,再通过二值轨迹映射和HSV颜色编码将V-I轨迹转换为视觉表示,不仅在V-I轨迹中融入了丰富的电气特征,还增强了负荷特征的唯一性;最后利用PLAID公共数据集对本研究所提方法进行了验证。结果表明,本研究所提方法显著提高了识别准确率,并能够有效区分各个电器设备。

关键词：非侵入式负荷识别 V-I轨迹 HSV颜色编码残差神经网络