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10,096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：
Recognition and classification of microseismic signals based on Bayesian-optimized CNN-LSTM neural network 认领 引用
1
作者 WU Yang LIU Jian-feng +4 位作者 WANG Chun-ping LIU Jun-jie JI Zhen-xing TIAN Cheng-yu XUE Fu-jun 《Journal of Central South University》 SCIE EI CAS CSCD 2026年第6期2762-2787,共26页
Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"S... Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"Surface+Underground"microseismic intelligent monitoring system to evaluate dynamic disaster risks during construction at the Beishan High-level Radioactive Waste Geological Disposal Laboratory in China.The datasets of four typical one-dimensional time-domain microseismic signals,including rock fracture,blasting,TBM tunneling,and drilling,were constructed,and the BO-CNN-LSTM model is developed to identify and classify these signals..Based on the classification results,the typical time-frequency domain characteristics of the four types of signals are analyzed.The classification results of BO-CNN-LSTM,CNN,LSTM and CNN-LSTM models show that the recognition accuracy of the four models is 98.0%,85.7%,66.7%and 91.0%,respectively.Among all types,the four models demonstrate the highest effectiveness in identifying rock fracture and borehole signals.The findings further confirm that the BO-CNN-LSTM model efficiently recognizes and extracts microseismic signal features,demonstrating superior performance and stability in the classification task.Finally,the study suggests several future research directions,particularly in the areas of raw signal denoising,and automation of feature extraction. 展开更多
关键词 deep ground engineering microseismic monitoring signal classification neural network Bayesian optimization convolutional neural network(CNN) long short-term memory network(LSTM) BO-CNN-LSTM model
暂未订购 下载PDF
基于CNN-LSTM混合模型的农业灌溉机械深度学习异常检测 认领 引用
2
作者 崔方圆 《农业装备与智能技术》 2026年第1期1-6,共6页
针对农业灌溉机械在复杂环境下易发生故障且传统检测方法精度不足的问题,提出一种基于CNN-LSTM混合模型的深度学习异常检测方法。该方法通过融合多模态传感器数据(振动、温度、压力),利用CNN提取空间特征、LSTM捕捉时间依赖关系,实现端... 针对农业灌溉机械在复杂环境下易发生故障且传统检测方法精度不足的问题,提出一种基于CNN-LSTM混合模型的深度学习异常检测方法。该方法通过融合多模态传感器数据(振动、温度、压力),利用CNN提取空间特征、LSTM捕捉时间依赖关系,实现端到端的异常识别。实验结果表明,所提模型在准确率、F1分数和AUC等多项指标上均优于传统机器学习模型及单一深度学习模型,验证了其在实际农业环境中的有效性和优越性。此外,该模型具备良好的实时性与鲁棒性,推理延迟为每个样本102 ms,模型大小仅为8.7 MB,适用于边缘部署。该研究为农业机械智能运维提供了高效、可靠的解决方案,具有较高的工程应用价值。 展开更多
关键词 农业灌溉机械 异常检测 深度学习 卷积神经网络(CNN) 长短期记忆网络(LSTM) CNN-LSTM混合模型 多模态传感器融合
暂未订购 下载PDF
An Overall Optimization Model Using Metaheuristic Algorithms for the CNN-Based IoT Attack Detection Problem 认领 引用 被引量：1
3
作者 Le Thi Hong Van Le Duc Thuan +1 位作者 Pham Van Huong Nguyen Hieu Minh 《Computers, Materials & Continua》 SCIE EI 2026年第4期1934-1964,共31页
Optimizing convolutional neural networks(CNNs)for IoT attack detection remains a critical yet challenging task due to the need to balance multiple performance metrics beyond mere accuracy.This study proposes a unified... Optimizing convolutional neural networks(CNNs)for IoT attack detection remains a critical yet challenging task due to the need to balance multiple performance metrics beyond mere accuracy.This study proposes a unified and flexible optimization framework that leverages metaheuristic algorithms to automatically optimize CNN configurations for IoT attack detection.Unlike conventional single-objective approaches,the proposed method formulates a global multi-objective fitness function that integrates accuracy,precision,recall,and model size(speed/model complexity penalty)with adjustable weights.This design enables both single-objective and weightedsum multi-objective optimization,allowing adaptive selection of optimal CNN configurations for diverse deployment requirements.Two representativemetaheuristic algorithms,GeneticAlgorithm(GA)and Particle Swarm Optimization(PSO),are employed to optimize CNNhyperparameters and structure.At each generation/iteration,the best configuration is selected as themost balanced solution across optimization objectives,i.e.,the one achieving themaximum value of the global objective function.Experimental validation on two benchmark datasets,Edge-IIoT and CIC-IoT2023,demonstrates that the proposed GA-and PSO-based models significantly enhance detection accuracy(94.8%–98.3%)and generalization compared with manually tuned CNN configurations,while maintaining compact architectures.The results confirm that the multi-objective framework effectively balances predictive performance and computational efficiency.This work establishes a generalizable and adaptive optimization strategy for deep learning-based IoT attack detection and provides a foundation for future hybrid metaheuristic extensions in broader IoT security applications. 展开更多
关键词 Genetic algorithm(GA) particle swarm optimization(PSO) multi-objective optimization convolutional neural network—CNN IoT attack detection metaheuristic optimization CNN configuration
暂未订购 下载PDF
基于双通道CNN-LSTM-Attention预测模型的晋华炉煤气化过程操作优化 认领 引用 被引量：3
4
作者 韩永明 李帅 +2 位作者 耿志强 汪京培 王孟志 《控制与决策》 EI CSCD 北大核心 2026年第4期1110-1121,共12页
煤气化过程具有强非线性、强耦合以及多目标冲突等特点,传统基于机理模型的操作优化方法难以达到高效且稳健的效果.晋华炉作为我国煤气化工艺中应用广泛的典型炉型,其运行优化亟需智能化建模和决策支持.鉴于此,提出一种基于双通道卷积-... 煤气化过程具有强非线性、强耦合以及多目标冲突等特点,传统基于机理模型的操作优化方法难以达到高效且稳健的效果.晋华炉作为我国煤气化工艺中应用广泛的典型炉型,其运行优化亟需智能化建模和决策支持.鉴于此,提出一种基于双通道卷积-长短期记忆网络-注意力机制(CNN-LSTM-Attention)预测模型的晋华炉操作优化方法.预测模型使用双通道结构融合工艺特征和历史序列信息,并利用层次化注意力机制提升关键特征的表达能力.在氢气、一氧化碳比例预测任务中,所构建双通道CNN-LSTM-Attention模型分别取得0.9322和0.9637的判定系数,显示出良好的精度和鲁棒性.在此基础上,结合粒子群优化算法,将预测模型作为代理模型对关键操作变量进行智能寻优.实验结果表明,优化方案相较于原始工况氢气比例提高了1.22%,一氧化碳比例提高了1.51%,总体有效气含量提升了1.38%.该研究为晋华炉气化过程的智能建模和工况优化提供了有效支撑,对煤气化典型炉型的高效运行具有重要参考价值. 展开更多
关键词 晋华炉 操作优化 LSTM CNN 注意力机制 粒子群算法
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
5
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
小样本轴承故障诊断:一种基于Laplace-CNN的图神经网络方法 认领 引用 被引量：1
6
作者 何俊 黄承纬 +3 位作者 刘士亚 陈志文 朱文杰 戴磊 《振动与冲击》 EI CSCD 北大核心 2026年第1期313-320,共8页
基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,... 基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,将Laplace小波卷积嵌入到卷积神经网络(convolutional neural network,CNN)的第一层并替换其普通卷积核,以实现原始振动信号的多尺度时频特征提取;然后,利用多头注意力机制处理时频特征并构建特征矩阵,以捕获全局长距离依赖的特征,实现完整的实例图构建与切比雪夫图神经网络故障诊断;最后,分别使用西储大学(CWRU)与东南大学(SEU)轴承数据集进行验证,结果表明所提方法的性能优于其他当前较先进方法。 展开更多
关键词 故障诊断 小样本学习 图神经网络 Laplace-卷积神经网络(CNN)
暂未订购 下载PDF
基于CNN-Transformer的黄河水质参数并行预测模型 认领 引用 被引量：1
7
作者 王超梁 郭荣幸 +3 位作者 赵雪专 王军 赵妮媛 陈济民 《人民黄河》 CAS 北大核心 2026年第3期152-156,共5页
针对传统水质参数预测方法在处理复杂非线性水质参数变化时精度不足的问题,基于水质参数变化的周期性和非线性特征,提出一种基于CNN-Transformer的黄河水质参数并行预测模型,对2020—2025年黄河流域七里铺监测断面的溶解氧、高锰酸盐指... 针对传统水质参数预测方法在处理复杂非线性水质参数变化时精度不足的问题,基于水质参数变化的周期性和非线性特征,提出一种基于CNN-Transformer的黄河水质参数并行预测模型,对2020—2025年黄河流域七里铺监测断面的溶解氧、高锰酸盐指数、氨氮、总磷进行预测。模型将监测数据并行输入CNN(卷积神经网络)模块和Transformer模块,分别提取局部细节特征和全局动态特征,利用全连接层将融合特征映射至预测结果。对比CNN-Transformer模型与RNN(循环神经网络)、CNN、LSTM(长短期记忆网络)、Transformer模型的预测性能,结果表明,与其他4种模型相比,CNN-Transformer模型的MSE减小了3.93%~10.96%,RMSE减小了5.82%~9.33%,MAE减小了12.44%~14.48%,R2增大了6.56%~26.65%,其表现出优异的性能。 展开更多
关键词 水质参数 并行预测 CNN-Transformer模型 黄河
暂未订购 下载PDF
基于多维故障特征提取的CNN-BiGRU-ATT多分支配电网故障定位 认领 引用 被引量：1
8
作者 张玉敏 王德龙 +4 位作者 张晓 吉兴全 张祥星 黄心月 王学林 《中国电力》 CSCD 北大核心 2026年第1期163-174,共12页
针对多分支配电网故障定位在微弱故障条件下故障特征提取困难的问题,提出了基于多维故障特征提取的卷积神经网络(convolution neural network,CNN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)-注意力机制(attention m... 针对多分支配电网故障定位在微弱故障条件下故障特征提取困难的问题,提出了基于多维故障特征提取的卷积神经网络(convolution neural network,CNN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)-注意力机制(attention mechanism,ATT)多分支配电网故障定位方法。首先,分析不同故障位置和故障分支的行波特性,采用基于直线检测(line segment detector,LSD)的波头标定方法提取故障波头的坐标、幅值和斜率等信息,利用主成分分析法(principal component analysis,PCA)构造与故障位置成映射关系的多维故障特征空间;其次,构建CNN-BiGRU-ATT故障定位模型,深入挖掘时序特征和幅值特征与故障位置之间的关联;最后,结合分类与回归任务,分别实现故障区段定位与精准定位。在有限样本的情况下,区段定位准确率达99.6429%,精准定位误差55.77 m,跨工况误差最低2.95 m。结果表明,该模型能有效关联多维故障特征与故障信息,较对比模型具有更优的故障定位精度稳定性与场景泛化能力。 展开更多
关键词 故障定位 多分支配电网 LSD 多维故障特征 CNN-BiGRU-ATT
暂未订购 下载PDF
GNSS失锁下基于CNN-BiLSTM-Attention模型的机载组合导航算法 认领 引用 被引量：1
9
作者 赵桂玲 汪远 +1 位作者 石茜宇 周彤 《中国惯性技术学报》 EI CSCD 北大核心 2026年第1期60-66,72,共7页
针对全球导航卫星定位系统(GNSS)信号失锁导致惯性导航系统(INS)/GNSS组合导航系统误差发散的问题,提出了一种基于CNN-BiLSTM-Attention模型的机载组合导航算法。通过将注意力机制引入CNN-BiLSTM中,构建CNN-BiLSTM-Attention模型,利用G... 针对全球导航卫星定位系统(GNSS)信号失锁导致惯性导航系统(INS)/GNSS组合导航系统误差发散的问题,提出了一种基于CNN-BiLSTM-Attention模型的机载组合导航算法。通过将注意力机制引入CNN-BiLSTM中,构建CNN-BiLSTM-Attention模型,利用GNSS信号正常时的惯性测量单元输出信息、INS姿态信息及GNSS导航信息训练模型,以预测信号失锁时的GNSS导航信息,从而解决信息缺失问题并提升飞行轨迹预测精度。实验结果表明:在GNSS信号失锁且飞行轨迹发生突变时,基于CNN-BiLSTM-Attention模型的组合导航系统定位精度优于BiLSTM与CNN-BiLSTM模型:相较于BiLSTM模型,速度精度提高26.74%~72.97%,位置精度提高28.67%~65.22%;相较于CNN-BiLSTM模型,速度精度提高3.33%~28.57%,位置精度提高2.88%~32.03%。 展开更多
关键词 GNSS信号失锁 INS/GNSS组合导航系统 CNN-BiLSTM-Attention模型 轨迹突变
暂未订购 下载PDF
基于CNN-LSTM的锚链提升器液压系统故障诊断 认领 引用 被引量：1
10
作者 李文华 杨镜田 +3 位作者 叶浩然 王火平 林珊颖 洪磊 《机床与液压》 北大核心 2026年第6期193-199,共7页
针对单一浅层学习模型不能有效处理时序数据的时空特征,而导致锚链提升器液压系统故障诊断准确率低的问题,提出一种基于CNN-LSTM的故障诊断方法。该方法结合CNN提取空间局部特征的能力和LSTM捕捉时序依赖关系的性能,实现时序数据时空特... 针对单一浅层学习模型不能有效处理时序数据的时空特征,而导致锚链提升器液压系统故障诊断准确率低的问题,提出一种基于CNN-LSTM的故障诊断方法。该方法结合CNN提取空间局部特征的能力和LSTM捕捉时序依赖关系的性能,实现时序数据时空特征的深度融合。依托锚链提升器实验台,模拟液压泵泄漏、管路老化和单向阀堵塞3种典型故障,并采集各工况下系统压力、流量和温度的多传感器时序数据,为故障的诊断提供数据支撑。诊断结果表明:该模型能准确识别故障严重程度,准确率达到99.62%,相较于单一的CNN、LSTM及RBF模型,准确率分别提高了5.61%、7.38%、11.64%。该方法为复杂机电液系统提供了一种有效的智能故障诊断解决方案,具有重要的工程应用价值。 展开更多
关键词 锚链提升器 液压系统 故障诊断 CNN-LSTM
暂未订购 下载PDF
基于多头注意力CNN-LSTM碳排放量预测研究 认领 引用 被引量：2
11
作者 仵晓聪 冯鑫 蒋豪 《重庆工商大学学报（自然科学版）》 2026年第3期116-124,共9页
目的由于碳排放具有不规律性和非线性的特点,针对如何提升碳排放量预测效果,提出一种基于多头注意力CNN-LSTM的碳排放预测方法。方法基于CNN网络具有的空间特征提取优势和LSTM算法有效利用长、短期时间的依赖关系,引入多头注意力机制以... 目的由于碳排放具有不规律性和非线性的特点,针对如何提升碳排放量预测效果,提出一种基于多头注意力CNN-LSTM的碳排放预测方法。方法基于CNN网络具有的空间特征提取优势和LSTM算法有效利用长、短期时间的依赖关系,引入多头注意力机制以分配不同权重的方式,采用多头注意力机制引导下的CNN-LSTM模型对我国碳排放量进行预测。结果对过去1724 d碳排放量的数据集进行训练和预测,发现测试集的RMSE、MASE、MAPE指标数值分别为0.0802、0.3020、0.1057;与BP神经网络算法、ARIMA(2,1,4)、GM(1,1)进行对比,可以明显看出设计的模型在3种评价指标方面均优于其余预测算法。结论采用基于多头注意力的CNN-LSTM碳排放预测方法能够有效提高预测精确度,适用于时间序列预测。 展开更多
关键词 碳排放量预测 多头注意力机制 CNN-LSTM模型 多头注意力CNN-LSTM预测模型
暂未订购 下载PDF
基于CNN的光伏发电功率预测 认领 引用 被引量：1
12
作者 刘安茳 龙金莲 +2 位作者 张丰硕 张依轩 马帅 《电力大数据》 2026年第1期85-92,共8页
随着全球能源结构向低碳转型,新能源尤其是光伏发电,越来越多地融入电力系统中。然而光伏发电固有的间歇性、随机性和波动性给配电网络系统的安全稳定运行带来了重大挑战。为解决这一问题,提出一种基于深度学习卷积神经网络(convolution... 随着全球能源结构向低碳转型,新能源尤其是光伏发电,越来越多地融入电力系统中。然而光伏发电固有的间歇性、随机性和波动性给配电网络系统的安全稳定运行带来了重大挑战。为解决这一问题,提出一种基于深度学习卷积神经网络(convolutional neural network,CNN)的光伏发电功率短期预测方法。首先,对原始数据进行最小-最大归一化处理,以消除不同数据的量纲影响,并采用主成分分析对历史光伏功率、辐照度、环境温度等六个维度特征进行降维,成功将特征空间降至五维,保留了超过95%的原始信息。随后,利用滑动窗口法对时间序列数据进行重构,构建了适用于一维卷积神经网络模型的输入张量。在模型构建中,采用了带渗漏线性整流单元(leaky rectified linear unit,Leaky ReLU)激活函数以避免神经元死亡,并结合最大池化和Dropout正则化技术,如此来加强模型的鲁棒性和泛化能力。通过对比不同训练循环次数下的预测效果,实验结果表明,在训练循环次数为100次时,模型表现出最佳性能,其平均绝对误差为28.0365,均方根误差为33.5684,显著优于欠拟合(20次循环)和过拟合(500次循环)情况下的结果。研究证明,所构建的CNN模型能够有效捕捉光伏功率序列中的局部特征和时序依赖关系,为配电网的稳定运行和调度提供了精准的短期功率预测支持。 展开更多
关键词 光伏发电 功率预测 卷积神经网络(CNN) 主成分分析(PCA)
暂未订购 下载PDF
基于CNN-BiLSTM-SSA的锅炉再热器壁温预测模型 认领 引用 被引量：1
13
作者 徐世明 何至谦 +6 位作者 彭献永 商忠宝 范景玮 王俊略 曲舒杨 刘洋 周怀春 《动力工程学报》 CAS CSCD 北大核心 2026年第1期121-130,共10页
针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成... 针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成分变量作为模型的最终输入。其次,考虑利用CNN捕捉局部相关性,BiLSTM学习数据的长期序列依赖性的优势,使用卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)捕捉时序数据中的短期和长期依赖关系,引入稀疏自注意力SSA机制,通过为不同特征部分分配自适应权重,从而增强CNN-BiLSTM模型的特征提取与建模能力,最后利用在役1000 MW超超临界锅炉的历史数据进行仿真实验。结果表明:CNN-BiLSTM-SSA模型在高温再热器壁温预测中的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)分别为4.92℃、3.81℃和0.6241%,相应的指标均优于CNN、LSTM、BiLSTM、CNN-LSTM和CNN-BiLSTM模型。 展开更多
关键词 再热器壁温软测量 深度学习 卷积神经网络 长短期记忆网络 注意力机制 核主成分分析 CNN-BiLSTM
暂未订购 下载PDF
基于部分频率复用扩张CNN的智能语音多模态增强方法 认领 引用 被引量：1
14
作者 张明存 刘先梅 李钢 《安徽水利水电职业技术学院学报》 2026年第1期31-36,共6页
当前语音增强面临的一大难题是难以精准定位语音多模态信号中的遮挡或掩盖区域。为解决这一问题,文章提出一种基于部分频率复用扩张卷积神经网络(CNN)的智能语音多模态增强方法。引入部分频率复用扩张技术,有效捕捉语音时频谱的上下文信... 当前语音增强面临的一大难题是难以精准定位语音多模态信号中的遮挡或掩盖区域。为解决这一问题,文章提出一种基于部分频率复用扩张卷积神经网络(CNN)的智能语音多模态增强方法。引入部分频率复用扩张技术,有效捕捉语音时频谱的上下文信息;利用深度神经网络(DNN)对这些信息进行处理,初步估算出反映语音信号中掩盖部分的遮挡信息;将遮挡信息转化为可视化的灰度图像,并借助CNN识别图像中的掩盖值;引入分位数损失函数,以平衡不同模态和噪声类型下语音信号的高估与低估问题,根据掩盖值动态调整各模态下的分位值,从而实现语音多模态增强。对比实验显示,所提方法能有效识别并处理语音信号的掩盖值,显著提升语音质量。 展开更多
关键词 频率复用扩张 掩盖值识别 增强方法 多模态 智能语音 CNN
暂未订购 下载PDF
基于YOLO v8n-seg与轻量化CNN的草莓成熟度级联检测方法 认领 引用
15
作者 洪旗 孔鸣宇 +3 位作者 贺磊磊 孔朔琳 杨蜀秦 傅隆生 《农业机械学报》 EI CAS CSCD 北大核心 2026年第11期354-363,共10页
针对自然环境下草莓成熟度识别受枝叶遮挡及光照不均影响导致分类精度低的问题,本研究提出一种融合改进的YOLO v8实例分割与轻量化CNN分类网络的级联检测方法。该方法首先使用GhostNet轻量化结构和注意力机制改进的YOLO v8n-seg模型实... 针对自然环境下草莓成熟度识别受枝叶遮挡及光照不均影响导致分类精度低的问题,本研究提出一种融合改进的YOLO v8实例分割与轻量化CNN分类网络的级联检测方法。该方法首先使用GhostNet轻量化结构和注意力机制改进的YOLO v8n-seg模型实现果实定位与分割,在模型参数量较低(2.6×106)的前提下,实现在复杂背景中对目标的准确分割。其次,利用分割掩码从原始图像中裁剪出果实目标区域,并输入至基于EfficientNet-Lite构建的CNN分类网络,该网络借助MBConv(Mobile inverted bottleneck convolution)模块和Softmax分类器,专注于捕捉果实表面细微的颜色与纹理特征变化,有效提升了模型对“转熟”等过渡阶段果实的辨识能力。试验结果表明,本研究提出的解耦式空间定位与属性识别协同策略显著增强了系统的鲁棒性,成熟度识别平均准确率达到88.1%,整体系统参数量为7.3×106(EfficientNet-Lite参数量为4.7×106),推理速度为71.9 f/s,在保证实时处理的同时实现了对未熟、转熟及成熟草莓的准确分级,为草莓智能采摘机器人的视觉系统提供了技术支撑。 展开更多
关键词 草莓 成熟度检测 YOLO v8n-seg EfficientNet-Lite CNN 实例分割
暂未订购 下载PDF
基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型 认领 引用
16
作者 窦真兰 吴松梅 +2 位作者 郭慧 张春雁 汪飞 《太阳能学报》 EI CAS CSCD 北大核心 2026年第2期67-75,共9页
为提高光伏功率的预测精度,提出一种基于完全自适应噪声经验模态分解(CEEMDAN)和串行卷积神经网络及门控神经网络(CNN-GRU)的光伏功率组合预测模型。首先,针对光伏功率波动性对预测结果的影响,采用CEEMDAN将原始光伏功率分解为若干子序... 为提高光伏功率的预测精度,提出一种基于完全自适应噪声经验模态分解(CEEMDAN)和串行卷积神经网络及门控神经网络(CNN-GRU)的光伏功率组合预测模型。首先,针对光伏功率波动性对预测结果的影响,采用CEEMDAN将原始光伏功率分解为若干子序列降低序列的非平稳性,并通过样本熵(SE)计算各子序列的复杂度,将SE值相近的序列,进行重组以减少计算量。其次,为克服单一神经网络在学习光伏功率历史数据特征的局限性,提出串行CNN-GRU混合神经网络以充分挖掘光伏功率的时空特征;将各子序列输入串行CNN-GRU得到预测结果,并将子序列预测结果叠加得到光伏功率预测结果。最后,对两个地区的光伏电站进行实例验证,同时构建LSTM、GRU、CEEMDAN-LSTM、CEEMDAN-GRU和串行CNN-GRU,进行对比验证。结果表明,所提模型能得到良好的预测结果,拥有良好的预测精度和泛化能力。 展开更多
关键词 光伏功率预测 CNN GRU 混合神经网络 CEEMDAN SE
暂未订购 下载PDF
融合注意力增强CNN与Transformer的电网关键节点识别 认领 引用
17
作者 黎海涛 乔禄 +2 位作者 杨艳红 谢冬雪 高文浩 《北京工业大学学报》 CAS CSCD 北大核心 2026年第2期117-129,共13页
为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、... 为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、电气距离及节点电压的多维特征集;然后,利用压缩-激励(squeeze-and-excitation,SE)自注意力机制改进CNN以增强对节点特征的提取能力,并引入多头自注意力的Transformer编码器以实现拓扑特征与电气特征的深度融合。结果表明:在IEEE 30节点和IEEE 118节点的标准测试系统上,该方法识别关键节点的准确性更高,并且在节点影响力评估和网络鲁棒性方面,得到的电网关键节点对网络的影响更大,鲁棒性更好,为电网的安全稳定运行提供了有效的决策支持。 展开更多
关键词 复杂网络 电网 关键节点识别 卷积神经网络(convolutional neural network,CNN) 注意力 特征融合
暂未订购 下载PDF
多无人机射频信号CNN|Triplet-DNN异构网络特征提取与机型识别 认领 引用
18
作者 赵慎 李广选 +3 位作者 周鲜成 黄雯蒂 杨玲玲 高丽萍 《电子与信息学报》 EI CAS CSCD 北大核心 2026年第3期1230-1240,共11页
随着无人机技术的广泛应用,多机共存场景中机型识别对空域管理与黑飞无人机反制具有重要意义。针对射频(RF)信号的特征提取与机型识别需求,该文提出CNN|Triplet-DNN异构网络模型。该模型采用不同深度卷积层与三元组(Triplet)结合的三分... 随着无人机技术的广泛应用,多机共存场景中机型识别对空域管理与黑飞无人机反制具有重要意义。针对射频(RF)信号的特征提取与机型识别需求,该文提出CNN|Triplet-DNN异构网络模型。该模型采用不同深度卷积层与三元组(Triplet)结合的三分支结构,通过交叉熵、中心及三元组损失的动态协同,从分类准确性、类内聚集性和类间分离性3个角度,提取并融合时频图的异构多层特征;进一步利用深度神经网络(DNN)增强特征的非线性拟合能力,提升机型的识别准确率。基于DroneRFa数据集进行消融实验,验证了模型分支设计的有效性;通过叠加DroneRFa中单无人机信号模拟4类及以下多机共存场景,CNN|Triplet-DNN模型的机型识别准确率达83%~100%;在实飞实验中,该模型对2~4类共存场景中的机型识别准确率分别为86%,57%和73%。与CNN,Triplet-CNN和Transformer模型相比,CNN|Triplet-DNN模型的识别性能更优。 展开更多
关键词 多无人机共存 机型识别 CNN|Triplet-DNN模型 RF信号 时频图
暂未订购 下载PDF
基于Transformer与CNN架构的路面裂缝语义分割 认领 引用
19
作者 赵全满 马志浩 +4 位作者 葛鲁民 刘朝晖 朱琳琳 刘继法 郭桂宏 《昆明理工大学学报（自然科学版）》 CAS 北大核心 2026年第2期144-156,共13页
为解决传统路面裂缝分割精度差、完整度不高的问题,提出一种基于Transformer与CNN架构的路面裂缝语义分割模型TCU-Net.该模型以Transformer架构的FastViT作为主干提取全局语义表征,引入EVC Block增强局部纹理与边界响应,并设计融合坐标... 为解决传统路面裂缝分割精度差、完整度不高的问题,提出一种基于Transformer与CNN架构的路面裂缝语义分割模型TCU-Net.该模型以Transformer架构的FastViT作为主干提取全局语义表征,引入EVC Block增强局部纹理与边界响应,并设计融合坐标注意力的CAFusion模块实现全局与局部特征的高效协同;训练阶段采用Focal Dice Loss作为损失函数,避免样本不均衡带来的影响.通过与UNet、SegNet、DcsNet、DTrc-Net等模型的对比实验及消融实验验证了方法的有效性.结果表明:TCU-Net在Pavementscapes和Crack500两个路面裂缝数据集上均取得了最优性能,mIoU分别达77.62%和73.28%,mPA分别达86.2%和82.73%,F1-score分别为85.70%和82.19%,显著优于现有主流语义分割模型,体现了其在裂缝检测任务中的强大表达能力与泛化性能.FastViT作为主干网络,显著提升了模型在复杂图像分割任务中的表现,各项指标均有大幅提升;EVC Block能够提高模型对局部细节的感知能力,进一步提升了模型的精度;CAFusion通过自适应地为各个通道分配权重,充分融合低维局部信息和高维全局信息,较传统融合方法显著提升了模型对边缘细节和结构连续性的表征能力.基于Transformer与CNN架构的TCU-Net能够实现完整准确的路面裂缝分割,为道路养护工作提供精准的决策依据. 展开更多
关键词 路面工程 深度学习 语义分割 Transformer CNN
暂未订购 下载PDF
面向实验教学的增强灰度图与单层次CNN融合电机滚动轴承故障识别 认领 引用
20
作者 陈波 李尧 +1 位作者 孙辉 阚超豪 《实验技术与管理》 CAS 北大核心 2026年第1期234-243,共10页
在电机滚动轴承故障诊断实验教学中,往往依赖传统振动时频信号分析仪器或预置故障的标准数据集进行演示讲解,不利于学生直观理解原始振动信号如何转化为具有判别力的视觉特征并完成智能识别。为此,该文提出增强灰度图与单层次卷积神经网... 在电机滚动轴承故障诊断实验教学中,往往依赖传统振动时频信号分析仪器或预置故障的标准数据集进行演示讲解,不利于学生直观理解原始振动信号如何转化为具有判别力的视觉特征并完成智能识别。为此,该文提出增强灰度图与单层次卷积神经网络(convolutional neural network,CNN)融合的滚动轴承振动特征及故障识别技术。设计了自适应滑动窗截取振动信号,经变分模态分解(variational mode decomposition,VMD)与经验模态分解(empirical mode decomposition,EMD)提取频域特征,构建了频率谱、功率谱多特征灰度图并进行了增强处理,设计了单层CNN模型进行训练并实现故障识别。实验结果表明,增强灰度图方法可以提高识别准确率,单层次CNN网络模型可以减少运行时间,而增强灰度图与单层次CNN融合的滚动轴承振动故障识别方法,通过可视化特征表达与低算力需求支撑了实验教学的实现,能够使学生直观掌握信号转化与故障识别过程,为深度学习的工程化应用提供技术途径。 展开更多
关键词 故障识别 变分模态分解 经验模态分解 增强灰度图 单层次CNN
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