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7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：
基于混合卷积自编码极限学习机的RGB-D物体识别 被引量：9
1
作者 殷云华 李会方 《红外与激光工程》 EI CSCD 北大核心 2018年第2期52-59,共8页
有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构,包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM),该结构合并... 有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构,包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM),该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征,然后在共享层合并两种模型特征,输入到自编码极限学习机中以得到高层次的特征,最终的特征使用极限学习机(ELM)进行分类,以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试,其实验结果表明,相比较深度学习和其他的ELM方法,文中的混合卷积自编码极限学习机模型取得了良好的测试准确率,并且有效地缩减了训练时间。 展开更多
关键词 极限学习机 卷积神经网络 自编码极限学习机 物体识别
在线阅读 下载PDF
基于表层温度深度学习的电缆接头绝缘劣化非接触式诊断
2
作者 严丹昭 陈晶 +1 位作者 兰旺耀 廖一鹏 《红外技术》 CSCD 北大核心 2024年第6期712-721,共10页
为提升电缆中间接头绝缘层劣化程度的现场诊断效率和准确度,提出一种基于表层温度自适应深度学习的接头绝缘劣化状态非接触式诊断方法。首先,对电缆接头及两端电缆的绝缘表层进行红外热成像,实现电缆接头中心两边多个对称区域的表层温... 为提升电缆中间接头绝缘层劣化程度的现场诊断效率和准确度,提出一种基于表层温度自适应深度学习的接头绝缘劣化状态非接触式诊断方法。首先,对电缆接头及两端电缆的绝缘表层进行红外热成像,实现电缆接头中心两边多个对称区域的表层温度、接头两端电缆的表层温度的非接触式采集;其次,构建基于双隐层自编码极限学习机的深度学习网络,以挖掘表层温度数据内部深层次隐含特征,将提取的深度隐含特征作为随机森林诊断模型输入;然后,提出一种非线性动态自适应旋转角的量子旋转门以改进量子烟花算法的更新策略,并用于诊断模型参数优化;最后,结合接头表层红外温度和绝缘介质损耗角正切值构建数据集,对诊断模型进行训练和现场测试。实验结果表明,改进后的量子烟花算法可以较好地逼近全局最优解、收敛效率高,深度学习随机森林诊断模型具有较强的特征抽取和分类能力,参数优化后诊断模型的分类精度和稳定性得到有效提高,在小样本训练集条件下就能达到较好的诊断效果,可实现接头绝缘劣化状态的非接触式诊断。 展开更多
关键词 电缆中间接头 红外测温 绝缘劣化诊断 双隐层自编码极限学习机 随机森林 量子烟花算法
在线阅读 下载PDF
基于双模态卷积神经网络自适应迁移学习的浮选工况识别 被引量：9
3
作者 廖一鹏 杨洁洁 +1 位作者 王志刚 王卫星 《光子学报》 EI CAS CSCD 北大核心 2020年第10期167-178,共12页
为提高小规模训练集下CNN特征驱动的浮选工况识别效果,提出一种基于泡沫红外与可见光图像CNN特征提取及自适应迁移学习的工况识别方法.首先构建基于AlexNet的双模态CNN特征提取及识别模型,并通过RGB-D大规模数据集对模型的结构参数进行... 为提高小规模训练集下CNN特征驱动的浮选工况识别效果,提出一种基于泡沫红外与可见光图像CNN特征提取及自适应迁移学习的工况识别方法.首先构建基于AlexNet的双模态CNN特征提取及识别模型,并通过RGB-D大规模数据集对模型的结构参数进行预训练;其次,用多个串联的双隐层自编码极限学习机代替预训练模型的全连接层,实现对双模态CNN特征的融合及逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策;最后构建浮选小规模数据集对迁移后的模型进行训练,并改进量子狼群算法用于模型参数优化.实验结果表明:自适应迁移学习能够明显提高小样本数据集下的识别准确度,采用双模态CNN迁移学习较单模态CNN迁移学习的工况识别精度提高了3.06%,各工况的平均识别准确率达到96.83%,识别精度和稳定性较现有方法有较大提升. 展开更多
关键词 机器视觉 浮选工况识别 红外与可见光图像 卷积神经网络 迁移学习 双隐层自编码极限学习机 量子狼群算法
在线阅读 下载PDF
结合双模多尺度CNN特征及自适应深度KELM的浮选工况识别 被引量：10
4
作者 廖一鹏 张进 +1 位作者 王志刚 王卫星 《光学精密工程》 EI CAS CSCD 北大核心 2020年第8期1785-1798,共14页
针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多... 针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。 展开更多
关键词 浮选工况识别 双模态图像 卷积神经网络 深度双隐层自编码极限学习机 量子细菌觅食算法
在线阅读 下载PDF
NSST域改进ORB的泡沫流动特征提取及加药状态识别 被引量：3
5
作者 廖一鹏 陈诗媛 +2 位作者 杨洁洁 王志刚 王卫星 《光学精密工程》 EI CAS CSCD 北大核心 2020年第12期2684-2699,共16页
针对浮选泡沫表面图像动态变化、光照影响、噪声干扰导致流动特征难于提取的问题,提出了一种在NSST域改进ORB的泡沫流动特征提取方法,并应用于浮选加药状态识别。对相邻两帧泡沫图像NSST分解,对多尺度高频子带先通过尺度相关系数去除噪... 针对浮选泡沫表面图像动态变化、光照影响、噪声干扰导致流动特征难于提取的问题,提出了一种在NSST域改进ORB的泡沫流动特征提取方法,并应用于浮选加药状态识别。对相邻两帧泡沫图像NSST分解,对多尺度高频子带先通过尺度相关系数去除噪声再分为多个内层和外层,在各内层通过方向模极大值检测提取兴趣点,然后在本层和上下层通过非极大值抑制提取特征点,采用多尺度BRIEF描述子对特征点描述,结合泡沫的运动趋势动态调整搜索的匹配区域,根据匹配结果计算泡沫流动特征。最后,构建行列自编码极限学习机对泡沫形态、尺寸分布特征和流动特征进行融合,然后通过自适应随机森林对加药状态分类识别。实验结果表明,改进的ORB受噪声和光照影响小,流动特征检测精度和效率较现有方法有较大提高,能准确地表征不同加药状态下泡沫表面的流动特性,加药状态的平均识别精度达97.85%,较现有文献方法有较大提升,为后续的加药量优化控制奠定基础。 展开更多
关键词 浮选泡沫图像 流动特征提取 ORB 非下采样剪切波变换 行列自编码极限学习机 自适应随机森林
在线阅读 下载PDF
基于相似时段和PCA-ELM的超短期风电功率预测 被引量：1
6
作者 王磊 马磊娟 《兵工自动化》 2022年第11期32-36,53,共6页
为提高风电场输出功率的预测精度,提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM)组合算法(PCA-ELM)的预测... 为提高风电场输出功率的预测精度,提出一种采用相似时段选取原则和基于主成分分析(principal component analysis,PCA)与多层自编码极限学习机(multi-layer auto encoder extreme learning machine,ML-AE-ELM)组合算法(PCA-ELM)的预测模型。通过关联度分析明确待测时段的相似时段范围,结合天气数据、机组状态和历史功率构建训练和测试样本,利用预测算法完成样本的训练和测试,得到输出功率预测结果并验证。实验结果表明:与常见的算法模型相比,该预测模型在不同装机容量和不同工作状态的风电场中均具有较高的预测精度,表现出良好的预测稳定性和泛化能力。 展开更多
关键词 风电功率预测 相似时段 主成分分析 多层自编码极限学习机
在线阅读 下载PDF
基于多尺度CNN特征及RAE-KELM的浮选加药状态识别 被引量：5
7
作者 张进 廖一鹏 +1 位作者 陈诗媛 王卫星 《激光与光电子学进展》 CSCD 北大核心 2021年第12期401-410,共10页
针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取... 针对浮选加药状态在线检测困难、识别效率低和主观性强等问题,提出了一种基于多尺度卷积神经网络(CNN)特征及行列自编码核极限学习机(RAE-KELM)的浮选加药状态识别方法。首先,对浮选泡沫图像进行非下采样Shearlet多尺度分解,用CNN提取每个尺度图像的深度特征并进行多尺度特征融合;然后,构建RAEKELM,将用量子计算改进的细菌觅食算法用于RAE-KELM的参数优化;最后,通过自建数据集训练得到最优的RAE-KELM模型,实现了浮选加药状态的自适应识别。实验结果表明,本方法的识别准确率可达到98.88%;且本方法减少了人工干预,有利于提高生产效率。 展开更多
关键词 图像处理 卷积神经网络 非下采样Shearlet变换 行列自编码核极限学习机 量子细菌觅食算法
原文传递
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