期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
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3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 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：
不均衡小样本下多特征优化选择的生命体触电故障识别方法 被引量：2
1
作者 高伟 饶俊民 +1 位作者 全圣鑫 郭谋发 《电工技术学报》 EI CSCD 北大核心 2024年第7期2060-2071,共12页
针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时... 针对现有的剩余电流保护装置无法有效识别触电事故的问题,该文提出了一种不均衡小样本下多特征优化选择的生命体触电故障识别方法。首先通过变分自编码器(VAE)对实验收集到的生命体触电小样本数据进行增殖以实现正负样本均衡;然后在时域上提取能够反映波形动态变化特性的23个特征量,并利用高斯核Fisher判别分析(GKFDA)与最大信息系数(MIC)法从中选择最优表达特征组;最后,提出基于遗忘因子的在线顺序极限学习机(FOS-ELM)算法实现生命体触电行为的鉴别。实验结果表明,所提方法利用不均衡小样本触电数据集就可以训练出一个优秀的分类模型,诊断准确率可达98.75%,诊断时间仅为1.33 ms。其优良的性能结合在线增量式学习分类器设计,使得模型具备新知识学习能力,具有极好的工程应用前景。 展开更多
关键词 剩余电流保护装置 生命体触电故障 多特征优化选择 基于遗忘因子的在线顺序 极限学习机(FOS-ELM) 不均衡小样本
在线阅读 下载PDF
DCGAN结合CNN诊断不均衡小样本的滚动轴承故障 被引量：7
2
作者 施杰 胡益嘉 +2 位作者 王森 张溟晨 张毅杰 《噪声与振动控制》 CSCD 北大核心 2022年第6期130-136,142,共8页
针对滚动轴承故障样本过少且故障类间样本不均衡所导致诊断效果不佳的问题,提出一种将深度卷积生成对抗网络(Deep Convolution Generative Adversarial Network,DCGAN)与以遗传算法(Genetic Algorithm,GA)优化卷积神经网络(Convolution ... 针对滚动轴承故障样本过少且故障类间样本不均衡所导致诊断效果不佳的问题,提出一种将深度卷积生成对抗网络(Deep Convolution Generative Adversarial Network,DCGAN)与以遗传算法(Genetic Algorithm,GA)优化卷积神经网络(Convolution Neural Network,CNN)相结合的智能诊断方法。首先,利用GA以最小信息熵作为目标函数解决变分模态分解(variational Mode Decomposition,VMD)中本征模态函数分解个数和二次惩罚因子难以确定的问题。再根据平均峭度指标对分解后的信号进行重构,并将其转换为二维时频信号。然后,将小批量时频信号样本作为训练集放入构建的DCGAN模型中,对抗生成辅助故障样本。其次,通过GA寻优CNN中学习率和批处理大小的最优组合,实现对CNN的优化(Convolution Neural Network Optimized by Genetic Algorithm,GA-CNN)。再将对抗后的样本放到优化后的GA-CNN模型中进行训练,构造出适应于小故障样本及故障类间样本不均衡条件下的机械故障智能诊断模型。最后,采用西储大学和XJTU-SY轴承振动数据对该诊断方法进行测试。测试结果表明,该方法的诊断正确率达到95.22%,模型具有较好的泛化能力和鲁棒性。 展开更多
关键词 故障诊断 不均衡小样本 深度卷积生成对抗网络 卷积神经网络 变分模态分解
在线阅读 下载PDF
不均衡小样本下的病理性近视自动检测
3
作者 刘懿 孟凡杰 +1 位作者 章超伟 刁鹏飞 《医学理论与实践》 2023年第15期2538-2541,共4页
目的:探索不均衡小样本的眼底彩照病理性近视自动检测方法,使得深度学习模型能在病例量较小且分布不均衡的情况下取得同样有效的结果,推动深度学习方法在中小规模眼科临床中的应用。方法:选取南京医科大学附属逸夫医院眼科中心门诊的46... 目的:探索不均衡小样本的眼底彩照病理性近视自动检测方法,使得深度学习模型能在病例量较小且分布不均衡的情况下取得同样有效的结果,推动深度学习方法在中小规模眼科临床中的应用。方法:选取南京医科大学附属逸夫医院眼科中心门诊的466只近视眼底彩照作为小样本病例数据,以目前最新的TNT神经网络模型(Transformer-iN-Transformer)作为基准,采用对不均衡小样本病例数据进行数据增强的方法,建立小样本的眼底彩照病理性近视自动检测模型,并与传统的大规模训练模型性能进行对比。结果:合理的数据增强方法能为基准模型带来显著的性能提升,最终建立的眼底彩照病理性近视自动检测模型在不均衡小样本上的准确率为(98.09±0.89)%,敏感性为(93.33±6.09)%,特异性为(88.14±7.92)%,AUC值为0.99,达到了传统大规模训练模型的性能。结论:在病例量较小且分布不均衡的情况下,合理的数据增强方法能显著改善深度学习模型的性能,对病理性近视检测具有与大规模训练模型同等的准确率、敏感性和特异性,这些结果将有助于进一步推广对病理性近视的自动筛查,并在随后保护患者免受由病理性近视眼底病变引起的低视力和失明。 展开更多
关键词 不均衡小样本 病理性近视 自动检测 数据增强
在线阅读 下载PDF
已选择0条
导出题录 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 下一页 到第 页
使用帮助 返回顶部