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218,383篇文章
< 1 2 … 250 >
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：
基于Transformer的DETR目标检测算法综述 认领 引用 被引量：6
1
作者 李沂杨 陆声链 +1 位作者 王继杰 陈明 《计算机工程》 CAS CSCD 北大核心 2026年第4期62-81,共20页
在目标检测领域,卷积神经网络(CNN)凭借其优异的准确性和可扩展性,长期主导着相关研究,并获得了学术界的广泛认可。在此框架下,先后涌现出基于区域的卷积神经网络(R-CNN)系列(如Fast R-CNN、Faster R-CNN)与YOLO(You Only Look Once)系... 在目标检测领域,卷积神经网络(CNN)凭借其优异的准确性和可扩展性,长期主导着相关研究,并获得了学术界的广泛认可。在此框架下,先后涌现出基于区域的卷积神经网络(R-CNN)系列(如Fast R-CNN、Faster R-CNN)与YOLO(You Only Look Once)系列等多个代表性模型。随着Transformer在自然语言处理领域的成功,研究者开始探索将其用于计算机视觉领域,由此产生了视觉Transformer(ViT)和Swin Transformer等视觉骨干网络。Facebook团队为减少目标检测任务中的先验知识和后处理,在2020年推出了一种端到端目标检测算法——基于Transformer的DETR(DEtection TRansformer)。尽管DETR在目标检测领域展现出潜力,但也存在收敛速度慢、准确性较差、目标查询的物理意义不明确等缺点。这促使研究者对该算法开展了进一步的研究和改进。本研究旨在归纳总结针对DETR的改进探索,并分析它们的优势与不足,同时对利用DETR开展的前沿研究和细分应用领域进行概括,最后给出DETR在计算机视觉领域的未来展望。 展开更多
关键词 计算机视觉 目标检测 DETR算法 视觉Transformer 图像分割
暂未订购 下载PDF
融合Transformer与CNN的正样本缓冲滑坡易发性评价模型:以宝鸡市为例 认领 引用 被引量：2
2
作者 瞿伟 边子策 +2 位作者 李久元 唐兴友 陈沛男 《武汉大学学报（信息科学版）》 EI CAS CSCD 北大核心 2026年第4期726-740,共15页
宝鸡市滑坡灾害频发,但当前该区域滑坡编录数据样本较少,同时若仅采用滑坡点样本训练模型会导致模型的空间代表性不足,从而制约对该区域滑坡易发性评价的精度。针对此,结合卷积神经网络模型(convolutional neural net‐work,CNN)的局部... 宝鸡市滑坡灾害频发,但当前该区域滑坡编录数据样本较少,同时若仅采用滑坡点样本训练模型会导致模型的空间代表性不足,从而制约对该区域滑坡易发性评价的精度。针对此,结合卷积神经网络模型(convolutional neural net‐work,CNN)的局部特征提取优势和注意力机制Transformer的全局建模能力,提出一种融合Transformer与CNN的正样本缓冲滑坡易发性评价模型。依据滑坡规模设置90~130 m动态缓冲区扩展正样本,并综合考虑地形地貌、地质条件、水文气象和人类工程等选取13类滑坡影响因子,通过多重共线性分析后构建了滑坡评价体系。研究结果显示,采用缓冲区将随机森林、CNN、Transformer、Transformer-CNN模型四者的ROC曲线下的面积(area under the curve,AUC)从0.834、0.852、0.847、0.875分别提升至0.883、0.913、0.926、0.959。此外,Transformer-CNN相较CNN、Transformer,未缓冲时AUC分别从0.852、0.847提升至0.875,进行缓冲时分别从0.913、0.926提升至0.959;基于夏普利加性解释算法可解释性分析进一步揭示出岩性、年降雨、坡向三类因子对滑坡易发性预测贡献度最大,贡献度分别达0.55、0.47、0.43,且三者交互效应显著,为锁定区域滑坡高易发区提供了可量化的依据。 展开更多
关键词 滑坡 易发性评价 正样本缓冲 CNN Transformer SHAP
暂未订购 下载PDF
基于CNN-Transformer encoder-BiLSTM模型的轴承剩余寿命预测 认领 引用 被引量：7
3
作者 张代林 孔康 +1 位作者 朱晨曦 杨奕婷 《华中科技大学学报（自然科学版）》 EI CAS CSCD 北大核心 2026年第5期1-8,共8页
针对复杂工况下轴承退化过程非线性强且长期依赖关系难以有效建模的问题,提出一种基于改进的CNNTransformer encoder-BiLSTM模型的剩余寿命预测方法.在该方法中,卷积神经网络(CNN)关注局部信息以更好地提取特征;改进的Transformer enco... 针对复杂工况下轴承退化过程非线性强且长期依赖关系难以有效建模的问题,提出一种基于改进的CNNTransformer encoder-BiLSTM模型的剩余寿命预测方法.在该方法中,卷积神经网络(CNN)关注局部信息以更好地提取特征;改进的Transformer encoder引入三种不同的注意力掩码机制,计算过程仅关注长期信息中重要的部分;使用双向长短期记忆网络(BiLSTM)关注所有信息的长期依赖关系.在C-MAPSS和XJTU-SY数据集上验证了模型的精度,实验结果表明:在加入高斯噪声后,该模型的估计效果优于其他方法,具有更好的稳定性. 展开更多
关键词 剩余寿命预测 注意力掩码机制 卷积神经网络 Transformer encoder 双向长短期记忆网络
暂未订购 下载PDF
基于ACNN-LFSwin Transformer的双通道滚动轴承故障诊断方法 认领 引用 被引量：3
4
作者 火久元 李昕 +1 位作者 常琛 张耀南 《计算机工程》 CAS CSCD 北大核心 2026年第5期430-444,共15页
滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道... 滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道故障诊断方法,分别在一维数据和二维图像上进行故障诊断。首先,对原始信号分别进行基于完全自适应指数模型分解(CEEMDAN)与短时傅里叶变换(STFT)处理,获取模态分量(IMF)与二维图像;然后,在通道1中将CEEMDAN分解后的IMF送入基于注意力机制的卷积神经网络(ACNN)中进行特征提取,在通道2中将轴承数据构成的二维图像作为局部特征提取的Swin Transformer网络(LFSwin Transformer)的输入,进行图像特征提取;最后,将两通道特征进行串联融合,以进行故障诊断,其中,ACNN运用注意力机制对信号特征进行自动权重分配,以强调关键特征,LFSwin Transformer模型在传统Swin Transformer的基础上进行向量转换,将输入向量转换为图像并对其进行卷积操作,使模型在故障局部特征提取方面更具优势。分别采用CWRU数据集和帕德博恩数据集进行实验验证,结果表明,该方法的故障诊断准确率达97%以上,说明所提方法不仅能对多种故障进行精确诊断,还能有效避免复杂噪声的干扰。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 短时傅里叶变换 Swin Transformer
暂未订购 下载PDF
基于贝叶斯参数优化Transformer时间段分割模型的超短期风电功率预测方法 认领 引用 被引量：2
5
作者 江善和 徐小艳 +1 位作者 涂亮 陈文胜 《太阳能学报》 EI CAS CSCD 北大核心 2026年第1期593-603,共11页
针对风电场数据具有复杂的非线性关系,且难以捕捉长距离依赖关系的问题,引入时间段分割策略,提出一种新的基于贝叶斯参数优化Transformer时间段分割模型的超短期风电功率预测方法(PBY-Trans)。该方法采用时间段分割技术分割风电场数据... 针对风电场数据具有复杂的非线性关系,且难以捕捉长距离依赖关系的问题,引入时间段分割策略,提出一种新的基于贝叶斯参数优化Transformer时间段分割模型的超短期风电功率预测方法(PBY-Trans)。该方法采用时间段分割技术分割风电场数据为子序列,将其作为Transformer模型编码器的输入,从而更好地适应时间序列的非线性特征;使用贝叶斯算法搜索Transformer模型参数的最优配置,实现模型性能提升,进一步提高预测准确度。采用Bengaluru某风电场数据集对所提方法的预测性能进行比较验证,相较于SVM、RNN、Informer、LSTM、GRU和TCN模型,所提PBY-Trans方法在平均绝对误差(MAE)分别下降33.56%、59.75%、47.27%、32.34%、40.46%和27.71%,均方根误差(RMSE)分别下降68.99%、37.05%、27.60%、14.43%、16.42%和12.29%。结果表明,该文提出的Transform时间段分割模型的风电功率预测方法能够进一步提高预测精度,鲁棒性能得到有效提升。 展开更多
关键词 风电功率 预测模型 贝叶斯优化 Transformer模型 时间段分割
暂未订购 下载PDF
基于改进Swin Transformer的公路隧道衬砌裂缝检测算法 认领 引用 被引量：2
6
作者 刘健 牛沛 +2 位作者 郭峰 寇磊 张瀚鸣 《中国公路学报》 EI CAS CSCD 北大核心 2026年第2期187-201,共15页
针对已有目标检测算法在隧道衬砌裂缝检测过程中出现的误检、漏检、抗干扰能力差及检测精度低等问题,提出一种面向实际工况的隧道衬砌裂缝检测算法RSwin。该算法的创新点在于:(1)首次提出了Residual Swin Transformer Block(RSTB),该模... 针对已有目标检测算法在隧道衬砌裂缝检测过程中出现的误检、漏检、抗干扰能力差及检测精度低等问题,提出一种面向实际工况的隧道衬砌裂缝检测算法RSwin。该算法的创新点在于:(1)首次提出了Residual Swin Transformer Block(RSTB),该模块具有针对复杂衬砌裂缝特征的全局建模及局部特征提取能力,增强了多尺度衬砌裂缝特征融合与表征,提高了模型性能及泛化能力;(2)首次融合了Shape-IoU损失函数,优化了形状匹配问题的评估方法,全面地考虑了边界框特性并以此来计算损失值,提高了模型在隧道衬砌裂缝识别任务中的目标框匹配表现。为验证所提出算法的有效性,在自采隧道巡检数据集上采用共11种经典目标检测模型(YOLOv7、YOLOv8、YOLOv9、YOLOv10、Cascade Mask R-CNN、Cascade R-CNN、Faster R-CNN、FSAF(Feature Selective Anchor-free Module)、FCOS(Fully Convolutional One-stage Object Detection)、NAS FCOS(Neural Architecture Search Fully Convolutional One-stage Object Detection)、Mask R-CNN)进行模型对比、训练、验证和测试。训练结果和可视化结果表明:RSwin算法的mAP50为97.6%,相对7种对比算法,分别提高了14.51%、5.57%、4.41%、2.98%、3.2%、2.5%、6.43%、11.7%、3.1%、4.7%、2.4%;同时拥有最快的推理速度,在807像素×606像素的条件下,帧率为9.3帧·s-1。RSwin算法识别精度最高,综合性能最优,可有效应用于实际隧道裂缝检测任务。 展开更多
关键词 隧道工程 目标识别 衬砌检测 Swin Transformer 计算机视觉 残差结构
暂未订购 下载PDF
融合群分解与Transformer-KAN的短期风速预测 认领 引用 被引量：3
7
作者 史加荣 张思怡 《南京信息工程大学学报》 CAS 北大核心 2026年第1期60-68,共9页
针对风速固有的不稳定性,通过融合群分解(Swarm Decomposition,SWD)、Transformer和Kolmogorov-Arnold网络(KAN),提出一种SWD-Transformer-KAN预测模型.首先,利用SWD对原始风速数据进行分解,以提取关键特征.其次,针对每个被分解的子序列... 针对风速固有的不稳定性,通过融合群分解(Swarm Decomposition,SWD)、Transformer和Kolmogorov-Arnold网络(KAN),提出一种SWD-Transformer-KAN预测模型.首先,利用SWD对原始风速数据进行分解,以提取关键特征.其次,针对每个被分解的子序列,建立Transformer-KAN模型,所建模型充分利用了Transformer的时序处理能力和KAN的非线性逼近能力.最后,对所有子序列的预测结果进行叠加,得到最终的风速预测值.为了验证所提出模型的有效性,将其与其他模型进行实验对比,结果表明,SWD-Transformer-KAN模型具有最优的预测性能,其决定系数(R2)高达99.91%. 展开更多
关键词 风速预测 群分解 Transformer Kolmogorov-Arnold网络
暂未订购 下载PDF
基于图Transformer和多任务协同的电力系统潮流智能计算及可信性评估方法 认领 引用 被引量：2
8
作者 李永哲 管霖 +3 位作者 黄济宇 蔡锱涵 许丹阳 张锦扬 《中国电机工程学报》 EI CSCD 北大核心 2026年第11期4524-4536,I0012,共13页
数据驱动的潮流计算方法是应对新能源强随机性下海量场景在线分析的有效手段。然而,现有数据驱动模型在支路功率计算中存在误差放大效应,且缺乏对结果可信性的有效校验,难以满足实际工程应用需求。该文以模型准确性与可信性提升为目标,... 数据驱动的潮流计算方法是应对新能源强随机性下海量场景在线分析的有效手段。然而,现有数据驱动模型在支路功率计算中存在误差放大效应,且缺乏对结果可信性的有效校验,难以满足实际工程应用需求。该文以模型准确性与可信性提升为目标,提出一种具备自主可信校验能力的多任务协同智能潮流计算框架和模型。通过适用于潮流计算的拓扑感知图Transformer模块,可实现不同拓扑结构下潮流特征的有效提取;设计节点电压和支路功率的多任务并行预测架构,从源头上抑制支路功率计算的误差传播;构建基于功率平衡与相角反演等物理约束的结果可信性自校验机制,满足模型应用的可信性要求。在IEEE 39节点系统和某省级333节点主干网开展大规模训练与测试,通过对比实验、模型规模扩展测试与可视化分析,全面验证所提方法在准确性、可拓展性与可信性方面的优势。 展开更多
关键词 潮流计算 可信性评估 拓扑感知图Transformer 多任务学习 深度学习
暂未订购 下载PDF
基于近红外光谱与Transformer的烟叶感官指标预测方法 认领 引用 被引量：1
9
作者 张云伟 张健涛 +3 位作者 张海 周渭皓 李斌 陶成金 《农业机械学报》 EI CAS CSCD 北大核心 2026年第1期386-396,共11页
为克服传统卷烟配方设计与维护过程中存在的主观性强、过度依赖人工经验及感官评吸等技术瓶颈,利用“近红外光谱-化学成分-感官指标”的间接关联,提出了一种基于近红外光谱与Transformer架构的端到端烟叶感官质量指标预测方法。首先采用... 为克服传统卷烟配方设计与维护过程中存在的主观性强、过度依赖人工经验及感官评吸等技术瓶颈,利用“近红外光谱-化学成分-感官指标”的间接关联,提出了一种基于近红外光谱与Transformer架构的端到端烟叶感官质量指标预测方法。首先采用Savitzky-Golay卷积平滑法(SG)、一阶导数法(D1)、多元散射校正(MSC)3种光谱预处理技术有效消除基线漂移和散射干扰;进而设计了一种面向光谱数据特征的Transformer预测模型,实现了烟叶感官质量三维评价体系(风格特征:清香、甜香、焦香;烟气特征:浓度、劲头;质量特征:香气质、香气量、杂气、刺激、余味)的精准预测,并采用了SHAP方法对模型进行分析,增强了模型的可解释性。结果表明,模型对各感官指标测试集预测的平均绝对误差均不高于0.56,具有较好可用性;针对不同感官指标,模型表现出对不同光谱特征波段的捕捉,有效挖掘了光谱特征的协同作用机制,具有较好可解释性。在此基础上,进一步结合多维相似度分析设计了一种辅助烟叶替代方法,可为烟叶替代与配方优化提供量化决策支持。 展开更多
关键词 烟叶感官指标 近红外光谱 Transformer 预测模型 烟叶替代
暂未订购 下载PDF
基于多信息增强模块改进的Transformer微藻细胞目标检测模型 认领 引用 被引量：1
10
作者 王雷 惠康洲 +3 位作者 陆宏伟 赵艺琨 段宪明 刘明勇 《海洋科学进展》 CAS CSCD 北大核心 2026年第2期344-355,共12页
藻类细胞检测对生态系统的监测具有重要意义,然而目前藻类细胞检测仍依赖于人工,不仅耗时费力,还消耗大量成本。本文将计算机辅助检测与Transformer目标检测模型结合,并用于微藻细胞检测任务,针对微藻细胞特征模糊的问题,设计一种融合... 藻类细胞检测对生态系统的监测具有重要意义,然而目前藻类细胞检测仍依赖于人工,不仅耗时费力,还消耗大量成本。本文将计算机辅助检测与Transformer目标检测模型结合,并用于微藻细胞检测任务,针对微藻细胞特征模糊的问题,设计一种融合感受野注意力(Receptive Field Attention,RFA)与通道注意力(Coordinate Attention,CA)特征强化卷积模块,并选择ResNet50、ResNet34和ResNet18三种不同的主干进行实验。实验结果表明,Kaggle公开微藻图像数据集中的扁藻、小球藻、盐藻、黄藻、紫球藻和红球藻六种微藻利用改进后的模型所获得的最高检测精确率分别为87.6%、73.3%、85.7%、95.2%、97.7%和99.0%,由此证明Transformer模型在微藻目标检测领域具有可行性和科学性,可为人工智能在生态学研究和微藻检测领域应用提供新的思路和方法。 展开更多
关键词 微藻检测 Transformer 感受野注意力 RT-DETR
暂未订购 下载PDF
改进型Transformer在基坑形变预测中的应用 认领 引用 被引量：1
11
作者 胡波 李文 +4 位作者 卢薇锋 赵飞龙 李粤彬 李日浚 吴鸿江 《安全与环境学报》 CAS CSCD 北大核心 2026年第3期1014-1024,共11页
基坑形变预测对早期预警至关重要,但传统监测方法存在局限。提出了一种改进型Transformer模型,结合长短期记忆(Long Short-Term Memory,LSTM)捕捉时间依赖性、高效加性注意力(Efficient Additive Attention,EAA)降低计算复杂性并关注关... 基坑形变预测对早期预警至关重要,但传统监测方法存在局限。提出了一种改进型Transformer模型,结合长短期记忆(Long Short-Term Memory,LSTM)捕捉时间依赖性、高效加性注意力(Efficient Additive Attention,EAA)降低计算复杂性并关注关键因素,并利用Transformer机制模拟全局数据关系,旨在提高基坑形变预测精度。以广州市南沙区220 kV口岸开关站基坑为案例,采用永久散射体干涉合成孔径雷达(Permanent Scatterer Interferometric Synthetic Aperture Radar,PS-InSAR)和小基线集合成孔径雷达干涉(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)测量技术进行形变监测,二者监测结果显示高度相关(相关系数0.92)。通过灰色关联分析,确定降雨、地铁建设、住宅建筑、土壤温度和水文地质为影响形变的主要因素,其中降雨的影响最大(关联度0.838)。将这些因素纳入改进型Transformer模型,与传统门控循环单元(Gated Recurrent Unit,GRU)、LSTM和Transformer模型相比,平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)降低了35.9%~47.5%,均方根误差(Root Mean Square Error,RMSE)降低了20.9%~29.1%。该方法为基础设施形变预测和安全管理提供了有效框架。 展开更多
关键词 安全工程 Transformer 基坑形变 InSAR技术 时间序列预测
暂未订购 下载PDF
基于CNN-Transformer-ARG的双护盾TBM掘进速度预测模型 认领 引用 被引量：1
12
作者 刘永胜 沈军宏 +1 位作者 李达 候超 《河海大学学报（自然科学版）》 CAS CSCD 北大核心 2026年第1期112-118,176,共7页
为准确预测双护盾TBM掘进速度,提出了一种结合CNN、Transformer以及自适应残差门控(ARG)机制的智能预测模型。该模型通过双层卷积模块提取不同视角下掘进参数的局部特征,通过Transformer捕捉掘进参数的全局特征,并引入ARG机制动态加权... 为准确预测双护盾TBM掘进速度,提出了一种结合CNN、Transformer以及自适应残差门控(ARG)机制的智能预测模型。该模型通过双层卷积模块提取不同视角下掘进参数的局部特征,通过Transformer捕捉掘进参数的全局特征,并引入ARG机制动态加权所提取的局部和全局特征,基于历史掘进段监测数据预测未来掘进段的掘进速度均值、最大值和最小值。采用四川某山地轨道交通项目提取的927组掘进数据对模型进行了验证,结果表明:模型预测的均方误差、平均绝对误差、均方根误差和决定系数分别为0.07、0.21、0.26和0.86,均优于3个对比模型;模型提取的多源特征经过权重分配关注重点信息后提升了预测结果的精度,验证了ARG机制对于多源模型的有效性,可为类似结构模型多源特征数据流的处理提供参考。 展开更多
关键词 双护盾TBM 掘进速度预测 Transformer 自适应残差门控
暂未订购 下载PDF
基于CNN-Transformer融合的频谱感知方法研究 认领 引用 被引量：2
13
作者 刘思佚 徐东辉 +2 位作者 刘丁胤 胡国杰 陈梓钰 《无线电通信技术》 北大核心 2026年第1期189-196,共8页
随着行业领域用频设备的激增,频谱使用环境愈发复杂多变,导致频谱资源日益短缺。在此背景下,频谱感知技术的引入具有重要意义。频谱感知技术可通过实时监测频谱空洞和动态分配频谱资源,提高频谱资源的利用率,有效缓解频谱资源短缺,并确... 随着行业领域用频设备的激增,频谱使用环境愈发复杂多变,导致频谱资源日益短缺。在此背景下,频谱感知技术的引入具有重要意义。频谱感知技术可通过实时监测频谱空洞和动态分配频谱资源,提高频谱资源的利用率,有效缓解频谱资源短缺,并确保通信设备在高效稳定的频谱环境中运行。针对现有频谱感知方法存在识别精度低、训练代价高等问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和Transformer融合的频谱感知方法,充分利用CNN和Transformer的互补特征提取能力。CNN能够通过多层卷积自动学习空间层级特征,有效提取图像局部特征;Transformer可较好地学习调制信号的带内频谱特征,同时通过编码器与解码器更好地解决梯度消失问题。实验结果表明:基于CNN-Transformer融合的频谱感知模型,在数据量相同的条件下,与传统的CNN模型以及改进的ResNet-CBAM算法相比,提高了模型的性能和感知精确度,且在低信噪比下,该模型具有更低的虚警概率。 展开更多
关键词 认知无线电 频谱感知 卷积神经网络和Transformer融合 频谱图
暂未订购 下载PDF
基于多尺度残差注意力网络和自适应Transformer编码器的滚动轴承故障诊断 认领 引用 被引量：3
14
作者 付文龙 李帅 +3 位作者 郑波 祝鑫锋 熊浩伟 邵孟欣 《机床与液压》 北大核心 2026年第6期1-8,共8页
针对滚动轴承振动信号故障特征的多尺度性与时序依赖性,为克服传统卷积神经网络(CNN)在相关特征提取方面的局限,提升复杂工况下的故障诊断精度与模型效率,提出一种基于多尺度残差注意力网络(MSRAN)和自适应Transformer编码器(ATE)的滚... 针对滚动轴承振动信号故障特征的多尺度性与时序依赖性,为克服传统卷积神经网络(CNN)在相关特征提取方面的局限,提升复杂工况下的故障诊断精度与模型效率,提出一种基于多尺度残差注意力网络(MSRAN)和自适应Transformer编码器(ATE)的滚动轴承故障诊断模型——MSRAN-ATE。通过MSRAN提取多尺度故障特征,并通过残差连接增强特征传递,同时结合通道注意力机制优化特征表达,减少冗余并提升计算效率。引入ATE提取信号时序特征,并通过自适应位置编码,使模型学习时序信息。将融合特征经过全局平均池化处理,并输入Softmax层进行故障诊断。最后,为验证该模型的有效性,在机械故障模拟实验台轴承数据集上进行实验。结果表明:t-SNE可视化表明,经MSRAN-ATE模型提取后的特征聚类清晰,各类故障得到有效区分;测试集在4种转速下的混淆矩阵对角线元素均为最大值52,表明MSRAN-ATE模型具备精确的分类能力,且模型训练迭代10轮便收敛稳定,相较于对比模型训练速度更快;在4种不同转速的测试集上均取得最高准确率,均高于99.8%,优于对比的CNN、ResNet等基准模型。该模型为在复杂运行状态下实现滚动轴承高精度、高效率的智能故障诊断提供了有效的解决方案。 展开更多
关键词 滚动轴承 故障诊断 多尺度残差注意力网络 自适应Transformer编码器
暂未订购 下载PDF
基于频域Mamba与递归门控Transformer融合的路面裂缝分割方法 认领 引用 被引量：1
15
作者 王建新 李林益 +2 位作者 王进 李毅 吕松涛 《中国公路学报》 EI CAS CSCD 北大核心 2026年第4期18-34,共17页
路面裂缝分割是道路养护管理的关键技术,对提升道路安全性与耐久性至关重要。然而,由于路面场景复杂多样、裂缝形态的不规则性以及背景噪声干扰,实施高精度裂缝分割仍然面临诸多挑战。为此,提出一种基于频域Mamba与递归门控Transformer... 路面裂缝分割是道路养护管理的关键技术,对提升道路安全性与耐久性至关重要。然而,由于路面场景复杂多样、裂缝形态的不规则性以及背景噪声干扰,实施高精度裂缝分割仍然面临诸多挑战。为此,提出一种基于频域Mamba与递归门控Transformer融合的路面裂缝分割方法,通过深度融合频域建模与空间特征提取,有效提升了模型对裂缝边缘特征和全局上下文信息的捕获能力。首先,采用大核递归注意机制构建Transformer架构作为U型网络骨干,通过增强空间特征交互,实现模块内局部细节与全局上下文特征的有效融合。其次,在前馈网络(Feedforward Network,FFN)中集成Sobel算子与门控机制,动态调节信息流,显著提升了边缘特征提取能力及噪声抑制效果。最后,提出一种嵌入跳跃连接的频域Mamba增强模块,通过在小波变换的频域分解中引入状态空间模型(State Space Model,SSM),旨在增强频域和空间域的特征融合,以补偿下采样的细节信息损失。为验证所提方法的有效性,在DeepCrack537、CrackLS315和YCD数据集上进行了系统的试验与对比分析。试验结果表明:该方法在视觉效果与定量指标上均优于当前主流的分割方法,展现了良好的鲁棒性与实用价值,为路面裂缝的智能化检测提供了新的解决方案。 展开更多
关键词 路面工程 路面裂缝 频域Mamba 递归门控Transformer 前馈网络 状态空间模型
暂未订购 下载PDF
基于Transformer多尺度融合网络的暖通空调能耗预测模型 认领 引用 被引量：1
16
作者 于水 韩府宏 +1 位作者 罗宇晨 孙圣坤 《太阳能学报》 EI CAS CSCD 北大核心 2026年第2期300-309,共10页
提出一种基于Transformer的多尺度融合网络模型,用于预测建筑暖通空调的能耗。通过引入多尺度金字塔模块与时间卷积网络结构,该模型能够有效捕捉时序特征的局部与整体信息,从而提高预测的准确性。实验结果表明,该模型在预测性能上优于... 提出一种基于Transformer的多尺度融合网络模型,用于预测建筑暖通空调的能耗。通过引入多尺度金字塔模块与时间卷积网络结构,该模型能够有效捕捉时序特征的局部与整体信息,从而提高预测的准确性。实验结果表明,该模型在预测性能上优于传统的单一模型,均方根误差(RMSE)与平均绝对误差(MAE)均显著降低,决定系数(R2)达到0.9826。该模型可为建筑能耗管理提供一种高效且准确的预测工具,有助于实现更高效的建筑能源管理与节能策略。 展开更多
关键词 HVAC 特征提取 深度学习 负荷预测 多尺度特征 Transformer模型
暂未订购 下载PDF
基于局部自注意力Transformer的长期车辆轨迹预测模型 认领 引用 被引量：2
17
作者 严利鑫 利健华 +1 位作者 李黄承成 陶璐 《地球信息科学学报》 EI CAS CSCD 北大核心 2026年第1期194-208,共15页
【背景】当前城市交通环境复杂且交通流呈现高度非线性特征,现有的基于统计方法、深度学习及注意力机制的预测模型虽已能刻画短期非线性演化,但在城市尺度下面对长时序和强噪声时,仍存在长期依赖表征不足和误差累积明显等问题,不能准确... 【背景】当前城市交通环境复杂且交通流呈现高度非线性特征,现有的基于统计方法、深度学习及注意力机制的预测模型虽已能刻画短期非线性演化,但在城市尺度下面对长时序和强噪声时,仍存在长期依赖表征不足和误差累积明显等问题,不能准确实现车辆长期轨迹预测。【方法】针对上述问题,本文提出一种基于局部自注意力Transformer的长期车辆轨迹预测模型。该模型基于城市车辆轨迹数据局部相关性强与易受噪声干扰的特性,以局部自注意力机制替代了传统Transformer的全局自注意力结构,并在数据预处理、嵌入层及输出方式等方面进行了适配车辆轨迹的调整,采用离散高维嵌入增强输入轨迹的空间表达,构建双独立嵌入向量和解码结构以提升坐标预测精度,从而提升了对轨迹数据的捕获能力。【结果】基于罗马320辆出租车连续一个月GPS轨迹数据所开展的实验结果表明,所提模型在短、中、长期预测任务的平均误差和单步误差均优于主流基线模型,平均位移误差和均方根误差分别最大下降了41%和35%。此外,进一步分析表明,适当的局部自注意力时间窗能够提高模型对轨迹特征的捕获能力,而当时间窗从最优的30 min扩大至35 min和40 min时,平均位移误差相较30 min分别上升约3.78%与5.17%,说明过大的时间窗会引入额外噪声并削弱模型的预测性能。【结论】研究成果可为个性化导航推荐、实时交通管理和轨迹数据恢复等实际应用提供技术方法和数据支持。 展开更多
关键词 城市交通 车辆轨迹预测 GPS轨迹数据 Transformer模型 局部自注意力 城市车辆 交通数据挖掘 深度学习
暂未订购 下载PDF
基于Transformer模型的医患沟通语义分析与满意度预测研究 认领 引用 被引量：1
18
作者 任昱君 黄先涛 +2 位作者 宋晶晶 金宣伯 贾丽群 《电子设计工程》 2026年第5期12-16,共5页
为提升医疗服务质量,提出一种基于深度语义分析与满意度预测的医患沟通文本评价方法。该方法采用多任务建模框架,融合Transformer架构,利用预训练语言模型提取文本语义特征,并结合情感分析任务引导模型学习文本中的主观情绪信息,最终通... 为提升医疗服务质量,提出一种基于深度语义分析与满意度预测的医患沟通文本评价方法。该方法采用多任务建模框架,融合Transformer架构,利用预训练语言模型提取文本语义特征,并结合情感分析任务引导模型学习文本中的主观情绪信息,最终通过回归任务实现满意度预测。为进一步提升模型性能的稳定性与预测精度,引入量子粒子群算法对关键超参数进行全局优化。实验结果表明,在情感分类任务中,模型AUC达到0.921,情感分类准确率为85.27%;在满意度预测任务中,MSE和MAE分别为0.559与0.436,预测准确率达81.40%,多项性能指标显著优于基线模型。研究表明,所提方法能有效挖掘医患沟通文本中的深层语义关联与情感倾向,在医患沟通评价与医疗服务优化方面具有较好的应用潜力。 展开更多
关键词 医患沟通 语义分析 Transformer 满意度 预测
暂未订购 下载PDF
基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法 认领 引用 被引量：1
19
作者 任惠 于光发 +3 位作者 强涵悦 王飞 甄钊 常喜强 《太阳能学报》 EI CAS CSCD 北大核心 2026年第5期639-649,共11页
针对区域内各电站的光伏数据存在不同程度的缺失值而导致预测精度低的问题,提出基于时空关联性与动态图注意力网络建模的光伏功率缺失数据填充和基于周期—趋势分量解耦模型的分布式光伏功率预测的新方法框架。首先基于贝叶斯算法优化... 针对区域内各电站的光伏数据存在不同程度的缺失值而导致预测精度低的问题,提出基于时空关联性与动态图注意力网络建模的光伏功率缺失数据填充和基于周期—趋势分量解耦模型的分布式光伏功率预测的新方法框架。首先基于贝叶斯算法优化后的变分模态分解模型对光伏功率分解为多个趋势平稳的子序列,并将对应子序列合并构造特征矩阵。其次,提出基于动态图注意力网络和Transformer组合模型,提高对特征矩阵在时空双维度上动态关联关系表征的准确性,并利用此模型对缺失时刻各个子序列预测后加以重构,得到光伏电站的完备数据集。最后,引入基于变分推断原理的周期—趋势分量解耦的预测模型(LaST),将光伏功率分解为周期性分量与趋势性分量,分别预测后加以重构,以提高光伏预测精度。仿真结果验证了该文所提方法获得的数据集真实性更高,并以此作为训练样本的预测精度显著优于其他方法,同时验证了LaST模型相较于传统算法在光伏预测中的优越性能。 展开更多
关键词 光伏发电 图神经网络 变分模态分解 Transformer 数据准确性 动态关联性
暂未订购 下载PDF
结合空间多层图卷积和时序分段Transformer的分心驾驶识别方法 认领 引用 被引量：1
20
作者 葛慧敏 欧阳宁 吴沛桐 《计算机工程与应用》 EI CSCD 北大核心 2026年第4期152-167,共16页
识别分心驾驶行为是提升驾驶安全性的重要手段之一。目前基于图卷积的骨架动作识别方法采用单一的骨架图结构而忽略了关节点间的多种交互关系,且对骨架序列局部及全局时间特征提取能力不足。针对上述问题,提出一种结合空间多层图卷积和... 识别分心驾驶行为是提升驾驶安全性的重要手段之一。目前基于图卷积的骨架动作识别方法采用单一的骨架图结构而忽略了关节点间的多种交互关系,且对骨架序列局部及全局时间特征提取能力不足。针对上述问题,提出一种结合空间多层图卷积和时序分段Transformer的分心驾驶识别模型。在空间建模方面,通过多种索引方式构建包含多种空间关系的驾驶员关节点的多层图结构,并引入图注意力机制动态调整图结构中边的连接强度,利用层内与层间图卷积操作提取与融合空间特征。在时间建模方面,对时间序列进行分段处理,并使用Transformer来有效捕捉分段时间的局部特征及跨时段的全局特征。最终在Drive&Act、DAD数据集上对模型进行了性能验证,结果表明,模型相较于现有方法进一步提高了分心驾驶行为识别的准确率。 展开更多
关键词 智能交通 分心驾驶 基于骨架的动作识别 时序Transformer 空间多层图
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 … 250 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈