期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到85篇文章
< 1 2 … 5 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
Method of Multi-Mode Sensor Data Fusion with an Adaptive Deep Coupling Convolutional Auto-Encoder 认领 引用
1
作者 Xiaoxiong Feng Jianhua Liu 《Journal of Sensor Technology》 2023年第4期69-85,共17页
To address the difficulties in fusing multi-mode sensor data for complex industrial machinery, an adaptive deep coupling convolutional auto-encoder (ADCCAE) fusion method was proposed. First, the multi-mode features e... To address the difficulties in fusing multi-mode sensor data for complex industrial machinery, an adaptive deep coupling convolutional auto-encoder (ADCCAE) fusion method was proposed. First, the multi-mode features extracted synchronously by the CCAE were stacked and fed to the multi-channel convolution layers for fusion. Then, the fused data was passed to all connection layers for compression and fed to the Softmax module for classification. Finally, the coupling loss function coefficients and the network parameters were optimized through an adaptive approach using the gray wolf optimization (GWO) algorithm. Experimental comparisons showed that the proposed ADCCAE fusion model was superior to existing models for multi-mode data fusion. 展开更多
关键词 Multi-Mode Data Fusion Coupling Convolutional Auto-Encoder Adaptive Optimization Deep Learning
暂未订购 下载PDF
Multi-Label Classification Model Using Graph Convolutional Neural Network for Social Network Nodes 认领 引用
2
作者 Junmin Lyu Guangyu Xu +4 位作者 Feng Bao Yu Zhou Yuxin Liu Siyu Lu Wenfeng Zheng 《Computer Modeling in Engineering & Sciences》 SCIE EI 2026年第2期1235-1256,共22页
Graph neural networks(GNN)have shown strong performance in node classification tasks,yet most existing models rely on uniform or shared weight aggregation,lacking flexibility in modeling the varying strength of relati... Graph neural networks(GNN)have shown strong performance in node classification tasks,yet most existing models rely on uniform or shared weight aggregation,lacking flexibility in modeling the varying strength of relationships among nodes.This paper proposes a novel graph coupling convolutional model that introduces an adaptive weighting mechanism to assign distinct importance to neighboring nodes based on their similarity to the central node.Unlike traditional methods,the proposed coupling strategy enhances the interpretability of node interactions while maintaining competitive classification performance.The model operates in the spatial domain,utilizing adjacency list structures for efficient convolution and addressing the limitations of weight sharing through a coupling-based similarity computation.Extensive experiments are conducted on five graph-structured datasets,including Cora,Citeseer,PubMed,Reddit,and BlogCatalog,as well as a custom topology dataset constructed from the Open University Learning Analytics Dataset(OULAD)educational platform.Results demonstrate that the proposed model achieves good classification accuracy,while significantly reducing training time through direct second-order neighbor fusion and data preprocessing.Moreover,analysis of neighborhood order reveals that considering third-order neighbors offers limited accuracy gains but introduces considerable computational overhead,confirming the efficiency of first-and second-order convolution in practical applications.Overall,the proposed graph coupling model offers a lightweight,interpretable,and effective framework for multi-label node classification in complex networks. 展开更多
关键词 GNN social networks nodes multi-label classification model graphic convolution neural network coupling principle
暂未订购 下载PDF
A multi-scale convolutional auto-encoder and its application in fault diagnosis of rolling bearings 认领 引用 被引量：12
3
作者 Ding Yunhao Jia Minping 《Journal of Southeast University(English Edition)》 EI CAS 2019年第4期417-423,共7页
Aiming at the difficulty of fault identification caused by manual extraction of fault features of rotating machinery,a one-dimensional multi-scale convolutional auto-encoder fault diagnosis model is proposed,based on ... Aiming at the difficulty of fault identification caused by manual extraction of fault features of rotating machinery,a one-dimensional multi-scale convolutional auto-encoder fault diagnosis model is proposed,based on the standard convolutional auto-encoder.In this model,the parallel convolutional and deconvolutional kernels of different scales are used to extract the features from the input signal and reconstruct the input signal;then the feature map extracted by multi-scale convolutional kernels is used as the input of the classifier;and finally the parameters of the whole model are fine-tuned using labeled data.Experiments on one set of simulation fault data and two sets of rolling bearing fault data are conducted to validate the proposed method.The results show that the model can achieve 99.75%,99.3%and 100%diagnostic accuracy,respectively.In addition,the diagnostic accuracy and reconstruction error of the one-dimensional multi-scale convolutional auto-encoder are compared with traditional machine learning,convolutional neural networks and a traditional convolutional auto-encoder.The final results show that the proposed model has a better recognition effect for rolling bearing fault data. 展开更多
关键词 fault diagnosis deep learning convolutional auto-encoder multi-scale convolutional kernel feature extraction
暂未订购 下载PDF
Reconstruction of bridge‑sensor data and detection of structural damage based on gradient‑coupled autoencoder and fully connected network 认领 引用
4
作者 DUAN Yuanfeng DING Pengyao +1 位作者 DUAN Zhengteng CHENG J.J.Roger 《Journal of Southeast University(English Edition)》 EI CAS 2026年第1期1-11,共11页
A dual‑task parallel machine learning framework was developed by integrating a convolutional autoencoder(CAE)and a fully connected neural network(FCNN)via the gradient‑coupled mechanism,enabling simultaneous data comp... A dual‑task parallel machine learning framework was developed by integrating a convolutional autoencoder(CAE)and a fully connected neural network(FCNN)via the gradient‑coupled mechanism,enabling simultaneous data compression‑reconstruction and structural damage identification.Under the condition where 40% of the sensor nodes are missing,the model successfully reconstructs the full sensor network with an R2 of 0.916 and normalized root mean square error(NRMSE)of 0.0288.Even under significant noise contamination with an SNR of 12 dB,the model maintains strong reconstruction performance,achieving a R2 of 0.910 and NRMSE of 0.0253.Forty‑six structural damage scenarios were simulated using the scaled bridge model.The accuracy of spatial localization and quantification of the damage severity using the framework exceeds 99.3%.The proposed framework reduces the training time by 54.4%and iteration counts by 45.5% compared to conventional two‑stage machine learning approaches,demonstrating the efficiency of gradient‑coupled optimization. 展开更多
关键词 structural health monitoring machine learning data compression damage identification convolutional neural network fully connected neural network gradient‑coupled mechanism
暂未订购 下载PDF
A Residual Convolutional Autoencoder-Based Structural Damage Detection Approach for Deep-Sea Mining Riser Considering Data Fusion 认领 引用
5
作者 JIANG Yufeng ZHENG Zepeng +4 位作者 LIU Yu WANG Shuqing LIU Yuchi YANG Zeyun YANG Yuan 《Journal of Ocean University of China》 SCIE CAS CSCD 2025年第6期1657-1669,共13页
A deep-sea riser is a crucial component of the mining system used to lift seafloor mineral resources to the vessel.Even minor damage to the riser can lead to substantial financial losses,environmental impacts,and safe... A deep-sea riser is a crucial component of the mining system used to lift seafloor mineral resources to the vessel.Even minor damage to the riser can lead to substantial financial losses,environmental impacts,and safety hazards.However,identifying modal parameters for structural health monitoring remains a major challenge due to its large deformations and flexibility.Vibration signal-based methods are essential for detecting damage and enabling timely maintenance to minimize losses.However,accurately extracting features from one-dimensional(1D)signals is often hindered by various environmental factors and measurement noises.To address this challenge,a novel approach based on a residual convolutional auto-encoder(RCAE)is proposed for detecting damage in deep-sea mining risers,incorporating a data fusion strategy.First,principal component analysis(PCA)is applied to reduce environmental fluctuations and fuse multisensor strain readings.Subsequently,a 1D-RCAE is used to extract damage-sensitive features(DSFs)from the fused dataset.A Mahalanobis distance indicator is established to compare the DSFs of the testing and healthy risers.The specific threshold for these distances is determined using the 3σcriterion,which is employed to assess whether damage has occurred in the testing riser.The effectiveness and robustness of the proposed approach are verified through numerical simulations of a 500-m riser and experimental tests on a 6-m riser.Moreover,the impact of contaminated noise and environmental fluctuations is examined.Results show that the proposed PCA-1D-RCAE approach can effectively detect damage and is resilient to measurement noise and environmental fluctuations.The accuracy exceeds 98%under noise-free conditions and remains above 90%even with 10 dB noise.This novel approach has the potential to establish a new standard for evaluating the health and integrity of risers during mining operations,thereby reducing the high costs and risks associated with failures.Maintenance activities can be scheduled more efficiently by enabling early and accurate detection of riser damage,minimizing downtime and avoiding catastrophic failures. 展开更多
关键词 deep-sea mining riser structural damage detection residual convolutional auto-encoder data fusion principal component analysis
暂未订购 下载PDF
Hamiltonian Reduction Using a Convolutional Auto-Encoder Coupled to a Hamiltonian Neural Network 认领 引用
6
作者 Raphaël Côte Emmanuel Franck +2 位作者 Laurent Navoret Guillaume Steimer Vincent Vigon 《Communications in Computational Physics》 SCIE CSCD 2025年第2期315-352,共38页
The reduction of Hamiltonian systems aims to build smaller reduced models,valid over a certain range of time and parameters,in order to reduce computing time.By maintaining the Hamiltonian structure in the reduced mod... The reduction of Hamiltonian systems aims to build smaller reduced models,valid over a certain range of time and parameters,in order to reduce computing time.By maintaining the Hamiltonian structure in the reduced model,certain longterm stability properties can be preserved.In this paper,we propose a non-linear reduction method for models coming from the spatial discretization of partial differential equations:it is based on convolutional auto-encoders and Hamiltonian neural networks.Their training is coupled in order to learn the encoder-decoder operators and the reduced dynamics simultaneously.Several test cases on non-linear wave dynamics show that the method has better reduction properties than standard linear Hamiltonian reduction methods. 展开更多
关键词 Hamiltonian dynamics model order reduction convolutional auto-encoder Hamiltonian neural network non-linear wave equations shallow water equation
基于改进电压控制的并网逆变器频率耦合抑制方法 认领 引用
7
作者 杨苓 朱涤凡 +2 位作者 何奇峻 连晨曦 罗坚强 《电工技术学报》 EI CSCD 北大核心 2026年第12期4160-4175,共16页
在逆变器并网系统中,频率耦合效应使系统呈现“多输入多输出”特性,使系统稳定性分析复杂化。抑制频率耦合的核心目标是实现“主增耦减”,即在主对角线子系统增大或不变的同时减小耦合子系统,使后者远小于前者,从而实现解耦。然而,强耦... 在逆变器并网系统中,频率耦合效应使系统呈现“多输入多输出”特性,使系统稳定性分析复杂化。抑制频率耦合的核心目标是实现“主增耦减”,即在主对角线子系统增大或不变的同时减小耦合子系统,使后者远小于前者,从而实现解耦。然而,强耦合作用常导致两种子系统仅能发生同向变化。为此,该文提出利用频域卷积在正负序分量上的符号差异来实现“主增耦减”的思想:先后利用q轴电压、电流变量和q轴卷积运算在正负序分量上的符号差异,分别实现导纳矩阵中同一行和同一列子系统的反向变化,从而达到“主增耦减”的控制目标。基于这一思想,对直流电压环进行q轴补偿,设计基于改进电压控制的频率耦合抑制方法。该方法可在小幅提升主对角线子系统幅值的同时,大幅降低耦合子系统幅值,实现对频率耦合效应的强力抑制。此外,“主增耦减”效果不仅通过伯德图进行展示,还从数学机理层面进行了量化分析。最后通过实验验证所提方法的有效性。 展开更多
关键词 并网逆变器 频率耦合 序导纳模型 频域卷积 解耦控制
暂未订购 下载PDF
基于车桥耦合振动和深度学习的连续梁桥损伤间接识别 认领 引用
8
作者 陈代海 崔华 +2 位作者 李整 许世展 张宇 《应用基础与工程科学学报》 EI CSCD 北大核心 2026年第1期188-198,共11页
针对现有以车辆响应间接识别桥梁损伤方法的不足,基于公路桥梁车桥耦合振动理论,将车桥耦合振动响应与不同类型的深度学习模型相结合,对桥梁损伤间接识别方法的应用进行拓展.以三跨连续梁桥为例,建立汽车和桥梁分析模型,以单元刚度折减... 针对现有以车辆响应间接识别桥梁损伤方法的不足,基于公路桥梁车桥耦合振动理论,将车桥耦合振动响应与不同类型的深度学习模型相结合,对桥梁损伤间接识别方法的应用进行拓展.以三跨连续梁桥为例,建立汽车和桥梁分析模型,以单元刚度折减的方式模拟桥梁损伤,拟定不同的损伤工况.考虑路面粗糙度的随机性,在多种路面粗糙度下进行车桥耦合振动分析,获取车辆的竖向加速度振动信号.运用以车辆加速度响应作为网络输入的端对端损伤识别方法,分别构建一维卷积神经网络(1D-CNN)和卷积长短期记忆神经网络(CNN-LSTM)两种模型,对两者的识别效果进行对比分析.研究结果表明:两种网络均取得了较好的识别效果,CNN-LSTM在识别准确度和计算效率上要比1D-CNN更有优势. 展开更多
关键词 公路桥梁 车桥耦合振动 损伤识别 深度学习 卷积神经网络 车辆响应
暂未订购 下载PDF
Attributes-based person re-identification via CNNs with coupled clusters loss 认领 引用 被引量：2
9
作者 SUN Rui HUANG Qiheng +1 位作者 FANGWei ZHANG Xudong 《Journal of Systems Engineering and Electronics》 SCIE CSCD 2020年第1期45-55,共11页
Person re-identification(re-id)involves matching a person across nonoverlapping views,with different poses,illuminations and conditions.Visual attributes are understandable semantic information to help improve the iss... Person re-identification(re-id)involves matching a person across nonoverlapping views,with different poses,illuminations and conditions.Visual attributes are understandable semantic information to help improve the issues including illumination changes,viewpoint variations and occlusions.This paper proposes an end-to-end framework of deep learning for attribute-based person re-id.In the feature representation stage of framework,the improved convolutional neural network(CNN)model is designed to leverage the information contained in automatically detected attributes and learned low-dimensional CNN features.Moreover,an attribute classifier is trained on separate data and includes its responses into the training process of our person re-id model.The coupled clusters loss function is used in the training stage of the framework,which enhances the discriminability of both types of features.The combined features are mapped into the Euclidean space.The L2 distance can be used to calculate the distance between any two pedestrians to determine whether they are the same.Extensive experiments validate the superiority and advantages of our proposed framework over state-of-the-art competitors on contemporary challenging person re-id datasets. 展开更多
关键词 person re-identification(re-id) convolutions neural network(CNN) attributes coupled clusters loss(CCL)
暂未订购 下载PDF
一类带卷积非线性项的波动方程耦合方程组解的破裂 认领 引用
10
作者 亓明泽 明森 韩伟 《兰州理工大学学报》 CAS 北大核心 2026年第2期151-157,共7页
在n维空间中探究一类包含卷积非线性项和尺度不变阻尼项波动方程耦合方程组的Cauchy问题.通过构造泛函并运用迭代方法进行研究,得到次临界和临界时小初值问题的解在有限时间内出现破裂,进而给出解的生命跨度的上界估计.
关键词 波动方程组 卷积非线性项 迭代方法 破裂 生命跨度估计
暂未订购 下载PDF
基于双流异构特征融合网络模型的轴承故障诊断方法 认领 引用
11
作者 刘传宇 于林辉 +2 位作者 白晓天 谷晓娇 陈学东 《机电工程》 CAS 北大核心 2026年第4期734-743,共10页
为了解决并行传统的卷积神经网络(CNN)和Transformer特征融合网络研究受限的问题,提出了一种基于双流异构特征融合网络(THFCN)模型的轴承故障诊断方法。首先,该模型采用双流并行架构,实现了对CNN和Transformer互补语义特征信息的深度整... 为了解决并行传统的卷积神经网络(CNN)和Transformer特征融合网络研究受限的问题,提出了一种基于双流异构特征融合网络(THFCN)模型的轴承故障诊断方法。首先,该模型采用双流并行架构,实现了对CNN和Transformer互补语义特征信息的深度整合目的;然后,构建了特征耦合交互模块,对两路异构特征进行了映射与对齐,完成了转换与拼接,为缓解CNN在全局信息建模上的局限性,引入了Transformer分支以捕获长程依赖,在融合阶段显式注入了全局上下文,提升了对噪声与工况变化的适应性与泛化潜力;最后,采用全局特征聚合与决策层优化的方式,对全局信息进行了有效整合,使模型在学习局部故障特征的同时,能基于全局信息做出更稳健的诊断决策。研究结果表明:在模拟实验台测试中,双流异构特征融合网络模型在各噪声环境下的准确率较其他模型高出3%~8%;在复杂工业环境的西格玛数控机床电主轴测试中,在-4 dB噪声影响下,故障诊断平均准确率仍保持在80%以上,显著优于其他网络模型。在实际工业与试验台受各种噪声影响下,采用THFCN模型检测轴承故障均表现出稳定且可靠的性能,在诊断性能上显著优于其他网络模型,可为解决复杂工况下的轴承故障诊断问题提供新的有效途径。 展开更多
关键词 滚动轴承 故障诊断模型 卷积神经网络 Transformer 双流异构特征融合网络 特征耦合交互模块
暂未订购 下载PDF
DCNN-BiLSTM驱动的天然气管网压力联合预测预警方法 认领 引用
12
作者 吴倩颖 宋林隆 +3 位作者 胡昌权 张易黎 叶富铭 尹爱军 《科学技术与工程》 EI 北大核心 2026年第12期5063-5071,共9页
管道与阀室压力的联合预测和实时预警是保障天然气管网输送系统安全高效运行的关键环节。传统的物理建模难以捕捉非线性、非平稳的动态压力特征,现有数据驱动方法对管道与阀室之间复杂的时空耦合关系建模不足。针对上述问题,基于真实作... 管道与阀室压力的联合预测和实时预警是保障天然气管网输送系统安全高效运行的关键环节。传统的物理建模难以捕捉非线性、非平稳的动态压力特征,现有数据驱动方法对管道与阀室之间复杂的时空耦合关系建模不足。针对上述问题,基于真实作业数据提出一种动态卷积神经网络-双向长短时记忆网络(dynamic convolutional neural network-bidirectional long short-term memory,DCNN-BiLSTM)的压力预测方法:动态卷积能够根据输入数据的波动自适应调整卷积核权重,从而增强对非平稳和局部动态特征的提取能力;双向长短时记忆网络则通过捕捉双向时间依赖结构,提高对复杂时序规律的建模精度。该方法在压力预测任务中取得了决定系数R2为0.998、均方根误差为8.632×10-3的优异性能,优于其他主流对比模型。基于此,设计了一种动态预警机制,利用工况数据自适应更新阈值,实现98.23%的异常识别准确率。所设计开发的压力预测预警系统已部署于真实作业场景,能够有效提升天然气输送系统的智能化监测与安全预警能力,具有广泛的工程应用价值与现实意义。 展开更多
关键词 管网安全 压力预测 异常检测 动态卷积神经网络(DCNN) 时空耦合
暂未订购 下载PDF
高温高载工况下航空发动机模具材料热疲劳损伤行为与寿命预测研究 认领 引用
13
作者 王甜甜 王玉芳 姬伊雯 《模具技术》 2026年第2期90-96,共7页
针对航空发动机模具在高温高载工况下面临的热疲劳寿命难以精准评估问题,本文构建了一种融合热力学先验与深度时序建模的寿命预测框架。基于212组多参数热冲击实验,系统采集了Inconel 718合金在不同峰值温度(650~950℃)、冷却速率(15~85... 针对航空发动机模具在高温高载工况下面临的热疲劳寿命难以精准评估问题,本文构建了一种融合热力学先验与深度时序建模的寿命预测框架。基于212组多参数热冲击实验,系统采集了Inconel 718合金在不同峰值温度(650~950℃)、冷却速率(15~85℃/s)及保载应力(300~650 MPa)下的多模态损伤演化数据,并以此训练嵌入Arrhenius热激活因子与单调性约束的时间卷积网络模型。实验验证表明,该模型在独立测试集上取得18.3次的均方根误差(RMSE)和6.8%的平均绝对百分比误差(MAPE),寿命区间覆盖率(LIC)达91.9%,显著优于传统经验公式与纯数据驱动方法。进一步部署于某型高压压气机模具的工程原型系统中,对18台发动机服役记录的回溯预测显示,整体相对误差仅为2.9%,并成功识别全部3台实际寿命低于950次的提前失效机组。结果证实,所提方法兼具高精度与强泛化能力,可为航空关键部件的视情维护提供可靠技术支撑。 展开更多
关键词 热疲劳损伤 高温高载耦合 镍基高温合金 时间卷积网络 寿命预测模型
暂未订购 下载PDF
计及时空特性的变压器油中溶解气体预测模型 认领 引用 被引量：5
14
作者 李紫豪 何怡刚 +1 位作者 周亚中 雷蕾潇 《电子测量与仪器学报》 EI CSCD 北大核心 2025年第3期1-12,共12页
针对电力变压器复杂运行环境下油中溶解气体随时间呈现非平稳和非线性特性,仅考虑时间维度关联特征的神经网络预测模型难以满足高准确性、高可靠性需求,且在数据采集过程中不可避免的存在异常值,导致数据质量下降,进而影响预测模型精度... 针对电力变压器复杂运行环境下油中溶解气体随时间呈现非平稳和非线性特性,仅考虑时间维度关联特征的神经网络预测模型难以满足高准确性、高可靠性需求,且在数据采集过程中不可避免的存在异常值,导致数据质量下降,进而影响预测模型精度。因此首先采用基于密度的噪声应用空间聚类(DBSCAN)对油中溶解气体数据清洗,然后提出自适应非线性权重和莱维飞行策略改进鲸鱼优化算法,提高其局部及全局寻优能力,利用改进的鲸鱼优化算法优化DBSCAN中超参数提高数据清洗效果,最后分析气体成分间复杂关联关系,构建时空耦合卷积神经网络模型挖掘气体的时空特征,实现油中溶解气体时间序列预测。通过某电站变压器油中溶解气体实测数据验证,结果表明数据清洗后预测拟合优度(R2)提高0.727,在6种特征气体预测中R2都在0.9以上。相较于其他模型,所提模型在特征气体预测中均取得了最佳的预测结果,充分证明所提模型的有效性。 展开更多
关键词 改进的鲸鱼优化算法 数据清洗 时空耦合卷积神经网络 油中溶解气体预测
暂未订购 下载PDF
基于复合域多尺度分解的红外偏振图像融合方法 认领 引用 被引量：2
15
作者 陈广秋 魏洲 +1 位作者 段锦 黄丹丹 《吉林大学学报（理学版）》 CAS 北大核心 2025年第2期479-491,共13页
针对目前红外偏振融合图像质量差、偏振信息缺失、目标纹理细节不够等问题,提出一种基于复合域多尺度分解的红外偏振图像融合方法.首先,在空间域内利用引导滤波器对源图像进行二尺度分解,得到细节层和基础层,在频域内利用非下采样剪切... 针对目前红外偏振融合图像质量差、偏振信息缺失、目标纹理细节不够等问题,提出一种基于复合域多尺度分解的红外偏振图像融合方法.首先,在空间域内利用引导滤波器对源图像进行二尺度分解,得到细节层和基础层,在频域内利用非下采样剪切波变换对基础层图像进行多尺度多方向分解,得到低频子带图像和高频子带图像;其次,对高频子带采用主成分分析-自适应脉冲耦合神经网络融合规则,对低频子带采用改进的卷积稀疏表示进行系数合并,细节层融合采用基于像素相似度的局部能量加权和选择性融合规则;最后,在复合域内利用逆变换重构出融合图像.实验结果表明,该方法在主观视觉性能和8个客观评价指标上均优于其他对比融合方法,说明该方法在红外偏振图像融合中具有较多优势,能有效提高融合图像的质量. 展开更多
关键词 红外偏振图像融合 非下采样剪切波变换 自适应脉冲耦合神经网络 卷积稀疏表示
暂未订购 下载PDF
考虑源荷储时空耦合特性的主动配电网分层分区电力电量平衡方法 认领 引用
16
作者 郑红娟 张卫国 +1 位作者 张宇峰 姚孟阳 《自动化与仪器仪表》 2025年第11期287-291,共5页
为解决目前主动配电网的电力电量平衡方法调度效果不佳的问题,提出了一个考虑源荷储时空耦合特性的主动配电网分层分区电力电量平衡方法。该方法首先利用时序卷积网络和图注意网络对用电住户的用电负荷进行预测,然后通过多时间尺度和多... 为解决目前主动配电网的电力电量平衡方法调度效果不佳的问题,提出了一个考虑源荷储时空耦合特性的主动配电网分层分区电力电量平衡方法。该方法首先利用时序卷积网络和图注意网络对用电住户的用电负荷进行预测,然后通过多时间尺度和多控制分区实现配电网的电力电量平衡。实验结果表明,预测模型的预测精度达到了96.84%,响应时间仅为0.06 s。电力电量平衡方法应用后,配电网的平均供电可用率、负荷期望损失以及能源消纳率分别达到了99.87%、0.02%和98.54%。研究提出的电力电量平衡方法能够有效提升电网电能稳定性,为主动配电网的源荷储调度提供可靠的决策依据。 展开更多
关键词 时空 耦合特性 配电网 分层分区策略 时序卷积
暂未订购 下载PDF
基于CNN和Transformer双流融合的人体姿态估计 认领 引用 被引量：3
17
作者 李鑫 张丹 +2 位作者 郭新 汪松 陈恩庆 《计算机工程与应用》 EI CSCD 北大核心 2025年第5期187-199,共13页
卷积神经网络(CNN)和Transformer模型在人体姿态估计中有着广泛应用,然而Transformer更注重捕获图像的全局特征,忽视了局部特征对于人体姿态细节的重要性,而CNN则缺乏Transformer的全局建模能力。为了充分利用CNN处理局部信息和Transfor... 卷积神经网络(CNN)和Transformer模型在人体姿态估计中有着广泛应用,然而Transformer更注重捕获图像的全局特征,忽视了局部特征对于人体姿态细节的重要性,而CNN则缺乏Transformer的全局建模能力。为了充分利用CNN处理局部信息和Transformer处理全局信息的优势,构建一种CNN-Transformer双流的并行网络架构来聚合丰富的特征信息。由于传统Transformer的输入需要将图片展平为多个patch,不利于提取对位置敏感的人体结构信息,因此将其多头注意力结构进行改进,使模型输入能够保持原始2D特征图的结构;同时提出特征耦合模块融合两个分支不同分辨率下的特征,最大限度地保留局部特征与全局特征;最后引入改进后的坐标注意力模块(coordinate attention),进一步提升网络的特征提取能力。在COCO和MPII数据集上的实验结果表明所提模型相对目前主流模型具有更高的检测精度,从而说明所提模型能够充分捕获并融合人体姿态中的局部和全局特征。 展开更多
关键词 卷积神经网络 Transformer 局部特征 全局特征 2D特征图 特征耦合
暂未订购 下载PDF
Nadam算法优化卷积神经网络的滚动轴承多故障耦合诊断 认领 引用 被引量：1
18
作者 唐蒙 张义民 张凯 《机械设计与制造》 北大核心 2025年第3期23-26,39,共4页
针对滚动轴承在变载荷,变转速环境和多故障耦合工况下,传统故障诊断方法存在诊断准确率低,泛化能力差的问题,提出了一种基于Nadam算法优化的卷积神经网络模型。其优点是加深卷积神经网络模型的结构,进一步加强网络对特征的表达能力。利... 针对滚动轴承在变载荷,变转速环境和多故障耦合工况下,传统故障诊断方法存在诊断准确率低,泛化能力差的问题,提出了一种基于Nadam算法优化的卷积神经网络模型。其优点是加深卷积神经网络模型的结构,进一步加强网络对特征的表达能力。利用Nadam算法提高所建立网络模型的收敛速度和学习质量,利用新的网络模型实现滚动轴承故障诊断。为验证提出方法的有效性,通过对BL2060实验平台上变载荷、变转速的19类多故障耦合的实验数据集进行实验分析,并与目前常用网络模型进行对比,结果表明该模型对多故障耦合的轴承故障分类可达到100%的准确率,优于其他网络模型。该方法的诊断准确率高,收敛速度快,适用于多故障类型耦合的滚动轴承的故障诊断。 展开更多
关键词 滚动轴承 多故障耦合 卷积神经网络 Nadam算法 变载荷 变转速 故障诊断
暂未订购 下载PDF
基于改进StyleGAN乡村道路图像数据增强方法 认领 引用
19
作者 希仁娜 张太红 姚芷馨 《计算机系统应用》 2025年第4期45-54,共10页
针对现有乡村道路图像数据集数据样本少且类别不均衡的问题,提出了一种基于改进StyleGAN的数据增强方法.在原有StyleGAN框架基础上引入了解耦映射网络,以降低W空间隐编码的耦合度;综合卷积与Transformer的优点,设计了一个卷积耦合迁移模... 针对现有乡村道路图像数据集数据样本少且类别不均衡的问题,提出了一种基于改进StyleGAN的数据增强方法.在原有StyleGAN框架基础上引入了解耦映射网络,以降低W空间隐编码的耦合度;综合卷积与Transformer的优点,设计了一个卷积耦合迁移模块(CCTB),该模块中的核心十字形窗口自注意力机制增强了网络对复杂上下文和空间布局的捕捉能力.这两项改进使网络性能大幅提升.通过消融实验对比改进前后的StyleGAN网络,IS指标从42.38提高到了77.31,FID值从25.09降至12.42,表明了数据生成质量和真实性得到了显著提升.为了验证数据增强对模型性能的影响,采用了2种经典且主流的目标检测算法进行测试,比较了原数据集与增强后数据集的性能差异,进一步证实了改进措施的有效性. 展开更多
关键词 数据增强 StyleGAN 解耦映射 卷积耦合迁移
暂未订购 下载PDF
基于改进YOLO11n的胡麻幼苗目标检测轻量化模型 认领 引用
20
作者 许远鸿 韩俊英 《软件工程》 2025年第9期34-38,72,共5页
胡麻生长后期叶茎团簇难以检测,苗期叶茎分明可做研究对象,但现有模型对硬件要求高,难以在低配置设备中实时检测胡麻幼苗目标。为此提出基于改进YOLO11n的轻量级胡麻幼苗目标检测模型,引入幽灵卷积(Ghost Convolution,Ghost Conv),提出C... 胡麻生长后期叶茎团簇难以检测,苗期叶茎分明可做研究对象,但现有模型对硬件要求高,难以在低配置设备中实时检测胡麻幼苗目标。为此提出基于改进YOLO11n的轻量级胡麻幼苗目标检测模型,引入幽灵卷积(Ghost Convolution,Ghost Conv),提出C3k2G_Ghost主干网络结构;颈部网络重新设计,构造出幽灵卷积分组(Group Ghost Conv,GrGhConv),提出GrGh_Ghost颈部网络结构;研究引入高效耦合检测头(Efficient Coupled Detection Head,ECDH)替换原有检测头,用于降参数和稳精度。实验表明:所提模型对比原模型在体积、参数量和GFLOPs上分别降低56.86%、60.56%和65.00%;在FPS上提升60.33%。实现了模型轻量化效果。 展开更多
关键词 幽灵卷积 幽灵分组卷积 高效耦合检测头 轻量化 YOLO11 目标检测 胡麻幼苗
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 5 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈