针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memo...针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。展开更多
由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目...由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。展开更多
文摘针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。
文摘由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。
