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1D卷积神经网络的滚动轴承故障诊断方法 被引量：15
1
作者 于景洋 宁德军 毛建华 《工业控制计算机》 2019年第6期90-92,共3页
随着现代科学技术的飞速发展,传统工业正朝着智能工业的方向发展,工业系统日益呈现出规模大型化、结构复杂化的特点,工业系统中的设备日益智能化、复杂化、精密化和综合化,其运行工况和工作环境也愈发复杂。滚动轴承作为旋转机械中最为... 随着现代科学技术的飞速发展,传统工业正朝着智能工业的方向发展,工业系统日益呈现出规模大型化、结构复杂化的特点,工业系统中的设备日益智能化、复杂化、精密化和综合化,其运行工况和工作环境也愈发复杂。滚动轴承作为旋转机械中最为关键的零部件之一,使用有效的故障诊断技术监控其运转状态,及时判断故障的发生,具有现实意义。加速传感器所采集的滚动轴承振动信号为一维时序数据,故利用深度学习中的1D卷积神经网络对滚动轴承进行故障诊断。实验表明,该方法具有一定的可行性和有效性。 展开更多
关键词 故障诊断技术 1d卷积神经网络 智能工业 振动信号处理
在线阅读 下载PDF
基于一维卷积神经网络的螺旋铣刀具磨损监测 被引量：20
2
作者 汪海晋 尹宗宇 +2 位作者 柯臻铮 郭英杰 董辉跃 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2020年第5期931-939,共9页
基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法... 基于传统机器学习的螺旋铣刀具磨损监测方法需要复杂的特征提取和丰富的经验知识,不同磨损阶段具有相同的错误分类代价,针对这些问题,结合电流信号一维性特点,提出基于一维卷积神经网络(1D CNN)和代价敏感学习的螺旋铣刀具磨损监测方法.采集机器人螺旋铣末端执行器主轴、公转轴和进给轴电流作为监测信号,并采用滑动窗口法进行样本划分,在降低网络容量的同时增加样本数量和多样性;在网络损失函数中引入代价矩阵并增加急剧磨损阶段的错误分类代价,使得1D CNN具有代价敏感性;直接将电流时域信号输入1D CNN,网络可以自动提取刀具磨损特征,并将特征提取和不同磨损阶段分类融合在一起.试验结果表明,在机器人螺旋铣系统中,该方法的刀具磨损监测准确率为99.29%,在急剧磨损阶段的查全率为99.60%. 展开更多
关键词 螺旋铣 刀具磨损监测 电流信号 一维卷积神经网络(1d CNN) 代价敏感学习
在线阅读 下载PDF
基于一维卷积神经网络与自编码算法的松属物种鉴别机制
3
作者 陈冬英 翁伟雄 +1 位作者 陈培亮 魏建崇 《生态学报》 2025年第5期2401-2411,共11页
松属植物具有重要的生态和经济价值。但松属植物的基因组庞大、分子进化慢,物种的特征相似性极高,辨别难度大。为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题,提出了一种基于松属近红外光谱数据(NIRS)并... 松属植物具有重要的生态和经济价值。但松属植物的基因组庞大、分子进化慢,物种的特征相似性极高,辨别难度大。为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题,提出了一种基于松属近红外光谱数据(NIRS)并结合一维连续型卷积神经网络(1D⁃CS⁃CNN)与自编码技术的松属物种检测机制。使用更高效率的连续型结构替代传统1D⁃CNN模型中隐含层结构,并针对松属NIRS数据适应性改进为1D⁃CS⁃CNN模型,使其可直接应用于一维NIRS数据。结合自编码器的重构误差设计一种考虑未知类别的松属物种鉴别方法,通过待测样本的自编码重构误差来解决卷积神经网络置信度过高的问题,将修正的置信度与预先设定的阈值进行比较,判断该样本是否为未知品种。实验结果表明,1D⁃CS⁃CNN训练集与测试集准确率均达到近100%,损失值收敛为0.015,改进后的1D⁃CS⁃CNN模型识别速度更快;同时,自编码模型对未知类别松属检测机制识别率为99%。实验结果证明,该模型可快速高效分类出不同松属物种,同时检测出松属新物种。 展开更多
关键词 松属物种 近红外光谱(NIRS) 自编码器 一维连续卷积神经网络(1d⁃CS⁃CNN) 鉴别
在线阅读 下载PDF
基于Conv1D和LSTM组合模型的多步交通流量预测分析 被引量：1
4
作者 赵晓娟 李峰 《微型电脑应用》 2023年第5期1-3,共3页
为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间... 为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间信息的条件下,交通流量预测结果与实际结果间存在更大相似度,考虑时间信息影响能够获得更准确的预测结果。经过外部因素提取处理后可以获得更高精度交通流预测结果,采用Conv1D+LSTM模型可以达到比LSTM更高的精度。 展开更多
关键词 一维卷积神经网络(Conv1d) 长短期记忆神经网络(LSTM) 交通流量 预测
在线阅读 下载PDF
基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别 被引量：16
5
作者 赵红伟 陈仲新 +1 位作者 姜浩 刘佳 《农业工程学报》 EI CAS CSCD 北大核心 2020年第3期169-177,共9页
作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1... 作物的早期识别对粮食安全至关重要。在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据。欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇。为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数。以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果。为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验。结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效。研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行。研究结果可为深度学习在作物早期分类任务中的应用提供参考。 展开更多
关键词 作物 遥感 识别 早期 一维卷积神经网络(1d CNN) 深度学习 合成孔径雷达 Sentinel-1
在线阅读 下载PDF
(2+1)D多时空信息融合模型及在行为识别的应用 被引量：3
6
作者 谈咏东 王永雄 +1 位作者 陈姝意 缪银龙 《信息与控制》 CSCD 北大核心 2019年第6期715-722,共8页
针对常规的卷积神经网络时空感受野尺度单一,难以提取视频中多变的时空信息的问题,利用(2+1)D模型将时间信息和空间信息在一定程度上解耦的特性,提出了(2+1)D多时空信息融合的卷积残差神经网络,并用于人体行为识别.该模型以3×3空... 针对常规的卷积神经网络时空感受野尺度单一,难以提取视频中多变的时空信息的问题,利用(2+1)D模型将时间信息和空间信息在一定程度上解耦的特性,提出了(2+1)D多时空信息融合的卷积残差神经网络,并用于人体行为识别.该模型以3×3空间感受野为主,1×1空间感受野为辅,与3种不同时域感受野交叉组合构建了6种不同尺度的时空感受野.提出的多时空感受野融合模型能够同时获取不同尺度的时空信息,提取更丰富的人体行为特征,因此能够更有效识别不同时间周期、不同动作幅度的人体行为.另外提出了一种视频时序扩充方法,该方法能够同时在空间信息和时间序列扩充视频数据集,丰富训练样本.提出的方法在公共视频人体行为数据集UCF101和HMDB51上子视频的识别率超过或接近最新的视频行为识别方法. 展开更多
关键词 时空信息融合 人体行为识别 (2+1)d卷积残差神经网络 感受野 卷积神经网络
原文传递
融合多维度CNN的高光谱遥感图像分类算法 被引量：30
7
作者 刘金香 班伟 +4 位作者 陈宇 孙亚琴 庄会富 富尔江 张克非 《中国激光》 EI CAS CSCD 北大核心 2021年第16期153-163,共11页
随着计算机深度学习技术的不断发展,卷积神经网络(Convolutional Neural Network, CNN)作为代表算法,为高光谱图像分类提供了新的解决方案。但是,因为数据量迅速膨胀,复杂模型的分类精度和速度并不令人满意。因此提出了一种面向高光谱... 随着计算机深度学习技术的不断发展,卷积神经网络(Convolutional Neural Network, CNN)作为代表算法,为高光谱图像分类提供了新的解决方案。但是,因为数据量迅速膨胀,复杂模型的分类精度和速度并不令人满意。因此提出了一种面向高光谱图像分类的轻量级融合CNN算法3D-2D-1D CNN。该算法融合不同维度的CNN,联合空间信息和光谱信息进行高光谱遥感图像分类。利用Indian Pines、Pavia University、Salinas Scene和WHU-Hi-Han Chuan数据集对该算法进行测试,结果显示,总体分类精度分别达到99.65%、99.95%、100%和99.85%;与3D CNN算法和3D-2D CNN算法相比,训练时间和测试时间都明显降低。研究表明,所提算法能够在保证高分类精度的前提下有效地提高数据的分析速度。所提算法综合利用三种CNN对高光谱空-谱联合信息的抽象表达能力,有效促进了CNN在高光谱遥感图像分类领域中的应用。 展开更多
关键词 遥感 高光谱图像分类 3d-2d-1d卷积神经网络 深度学习
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