检索结果-南通市图书馆

第35届中国过程控制会议

作者： Minglv Jin Ning Wang Baiyu Zhu Dibo Hou Pingjie Huang Hongjian Zhang State Key Laboratory of Industrial Control Technology College of Control Science and Engineering Zhejiang University

Inductive oil debris monitoring has played an important role in monitoring the working conditions of mechanical systems. However, when two or more wear debris pass through the sensor at a close distance, the sensor's signal experiences aliasing, impacting the peak-to-peak value of the wear particle signals, which can lead to false alarms from the sensor. A framework is proposed for separating aliased signals, which includes a fractional-order integral filter and a model based on auto encoder and convolutional neural networks. Experimental results show that, compared to the unseparated signals, the method proposed in this paper reduces the average error rate of peak-to-peak value from 53.05% to 17.21%.

关键词： aliasing signal separation oil debris sensor auto encoder convolutional neural networks

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

Application of deep autoencoder model for structural condition monitoring

引用

Journal of Systems Engineering and Electronics 2018年第4期29卷 873-880页

作者： PATHIRAGE Chathurdara Sri Nadith LI Jun LI Ling HAO Hong LIU Wanquan Department of Computing Curtin University Centre for Infrastructural Monitoring and Protection Curtin University

Damage detection in structures is performed via vibra-tion based structural identification. Modal information, such as fre-quencies and mode shapes, are widely used for structural dama-ge detection to indicate the health conditions of civil *** deep learning algorithm that works on a multiple layer neuralnetwork model termed as deep autoencoder is proposed to learnthe relationship between the modal information and structural stiff-ness parameters. This is achieved via dimension reduction of themodal information feature and a non-linear regression against thestructural stiffness parameters. Numerical tests on a symmetri-cal steel frame model are conducted to generate the data for thetraining and validation, and to demonstrate the efficiency of theproposed approach for vibration based structural damage detec-tion.

关键词： auto encoder non-linear regression deep auto en-coder model damage identification vibration structural health monitoring

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

Parkinson’s Detection Using RNN-Graph-LSTM with Optimization Based on Speech Signals

引用

Computers, Materials & Continua 2022年第7期72卷 871-886页

作者： Ahmed S.Almasoud Taiseer Abdalla Elfadil Eisa Fahd N.Al-Wesabi Abubakar Elsafi Mesfer Al Duhayyim Ishfaq Yaseen Manar Ahmed Hamza Abdelwahed Motwakel Department of Information Systems College of Computer and Information SciencesPrince Sultan UniversityMahayil62529Saudi Arabia Department of Information Systems-Girls Section King Khalid UniversityMahayil62529Saudi Arabia Department of Computer Science College of Science and Artsat MahayilKing Khalid UniversityMahayil62529Saudi Arabia Faculty of Computer and IT Sana’a UniversitySana’aYemen Department of Software Engineering College of Computer Science and EngineeringUniversity of JeddahSaudi Arabia Department of Natural and Applied Sciences College of Community-AflajPrince Sattam bin Abdulaziz UniversityMahayil62529Saudi Arabia Department of Computer and Self Development Preparatory Year DeanshipPrince Sattam bin Abdulaziz UniversityAlKharj62529Saudi Arabia

Early detection of Parkinson’s Disease(PD)using the PD patients’voice changes would avoid the intervention before the identification of physical *** machine learning algorithms were developed to detect PD ***,these ML methods are lack in generalization and reduced classification performance due to subject *** overcome these issues,this proposed work apply graph long short term memory(GLSTM)model to classify the dynamic features of the PD patient speech *** proposed classification model has been further improved by implementing the recurrent neural network(RNN)in batch normalization layer of GLSTM and optimized with adaptive moment estimation(ADAM)on network hidden *** consider the importance of feature engineering,this proposed system use Linear Discriminant analysis(LDA)for dimensionality reduction and Sparseauto-encoder(SAE)for extracting the dynamic speech *** on the computation of energy content transited from unvoiced to voice(onset)and voice to voiceless(offset),dynamic features are *** PD datasets is evaluated under 10 fold cross validation without sample *** proposed smart PD detection method called RNN-GLSTM-ADAM is numerically experimented with persistent phonations in terms of accuracy,sensitivity,and specificity andMatthew correlation *** evaluated result of RNN-GLSTM-ADAM extremely improves the PD detection accuracy than static feature based conventional ML and DL approaches.

关键词： Dimensionality reduction LDA feature extraction auto encoder classification recurrent neural network LSTM and optimization

来源：

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

基于深度学习的autoencoder地震信号去噪、重建及压缩研究

基于深度学习的AutoEncoder地震信号去噪、重建及压缩研究

引用

作者：张世立河北工业大学

学位级别：硕士

地震信号处理包括去噪、重建和压缩等重要环节。由于勘探环境恶劣以及勘探成本提高,采集的地震信号常伴随各种噪声和信息缺失现象,会影响地震信号后续处理。另外随着勘探技术提高,采集得到的地震信号数据量增多,使得地震信号传输及存储... 详细信息

地震信号处理包括去噪、重建和压缩等重要环节。由于勘探环境恶劣以及勘探成本提高,采集的地震信号常伴随各种噪声和信息缺失现象,会影响地震信号后续处理。另外随着勘探技术提高,采集得到的地震信号数据量增多,使得地震信号传输及存储成本提高。近几年深度学习在机器学习领域有了长足发展,特别是深度学习中自编码网络(auto encoder)灵活的端到端编码-解码特点,引起了广大研究者的兴趣。如何将深度学习中auto encoder用于地震信号处理尤其是去噪、重建和压缩这三个重要环节是一项崭新研究课题。本文在深度学习auto encoder的框架下,对地震信号去噪、重建和压缩实施研究。主要研究内容如下:(1)基于auto encoder的含加性噪声地震信号去噪算法为衰减地震信号中的加性噪声,有效提高信噪比,提出一种基于auto encoder的含加性噪声地震信号去噪算法。算法核心在于构建一个端对端的具有跳跃连接的深度卷积auto encoder网络(简称AE-SC)。在AE-SC输入层中,将含加性噪声地震信号作为网络的输入,输入层先进行卷积操作,再进行Leaky Re LU激活函数处理;AE-SC隐藏层含有9层,前8层隐藏层先进行卷积或反卷积操作,再进行Leaky Re LU激活函数处理之前,需要进行批归一化操作,第九隐藏层只进行反卷积操作;AE-SC输出层输出加性噪声。分别针对高斯白噪声、瑞利噪声和指数噪声三种加性噪声,进行海上地震信号去噪实验,并对比卷积神经网络(CNN)去噪算法、常规波原子变换去噪算法和曲波变换去噪算法。实验结果表明AE-SC能有效去除加性噪声,与CNN相比能够缩短训练时间,提高去噪精度。与常规去噪算法相比AE-SC具有更强的去噪能力,从而验证了AE-SC算法的可行性。(2)结合深度卷积auto encoder和生成对抗网络的地震信号重建算法为精确重建地震信号,提出一种结合深度卷积auto encoder和生成对抗网络的地震信号重建算法。此算法网络结构包括两部分:由深度卷积auto encoder构成的生成对抗网络的生成器(简称自编码生成器)和生成对抗网络的判别器。自编码生成器将输入缺失道地震信号进行重建并且输出生成地震信号。在自编码生成器中引入跳跃连接来加快训练速度和提高重建精度。为使生成对抗网络条件生成,由缺失道地震信号与生成地震信号通道叠加形成伪地震信号,由同一缺失道地震信号与作为生成条件的原始地震信号通道叠加形成真地震信号,判别器用于区分伪地震信号和真地震信号。通过训练,生成地震信号不断学习原始地震信号的数据分布规律,最后致使生成地震信号与原始地震信号一致。在测试阶段,只用自编码生成器作为生成重建地震信号的网络结构。以海上地震信号为样本,通过与波原子变换、曲波变换和小波变换重建算法实验对比,结果表明此算法具备较高重建精度。因此该算法对地震信号重建具有可行性。(3)基于深度卷积auto encoder的地震信号压缩算法为缩短地震信号传输时间和减少其存储空间,有效压缩地震信号很有必要。为此提出一种基于深度卷积auto encoder的地震信号压缩算法(简称CAE)。CAE的网络结构包括四部分:编码器、编码、量化和解码器。首先将待压缩地震信号作为编码器的输入,编码器由一系列卷积层构建而成,在这些卷积层中引入3个残差块来减少杂波,在众多卷积层之后为量化层,量化层之后是输出层,用于输出编码。解码器的输入为编码,解码器由一系列卷积层和反卷积层构成,并且在这些卷积层和反卷积层中同样引入3个残差块,最终解码器的输出为压缩后重构地震信号。用海上地震信号作为训练数据集来训练网络参数。为检测CAE压缩的有效性,针对海上地震信号测试数据集进行压缩实验,并且与JPEG2000压缩算法对比。实验表明在相同压缩比下,CAE的均方误差和峰值信噪指标要比JPEG2000好,CAE压缩后重构效果好;并且在峰值信噪比相同时,CAE具有更高的压缩比。

关键词：地震信号去噪地震信号重建地震信号压缩深度学习 auto encoder

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：