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5,250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
Learning Laws for Deep Convolutional Neural Networks With Guaranteed Convergence 认领 引用 被引量：1
2
作者 Sitan Li Chien Chern Cheah 《IEEE/CAA Journal of Automatica Sinica》 SCIE EI CSCD 2026年第1期170-185,共16页
Convolutional neural networks(CNNs)have shown remarkable success across numerous tasks such as image classification,yet the theoretical understanding of their convergence remains underdeveloped compared to their empir... Convolutional neural networks(CNNs)have shown remarkable success across numerous tasks such as image classification,yet the theoretical understanding of their convergence remains underdeveloped compared to their empirical achievements.In this paper,the first filter learning framework with convergence-guaranteed learning laws for end-to-end learning of deep CNNs is proposed.Novel update laws with convergence analysis are formulated based on the mathematical representation of each layer in convolutional neural networks.The proposed learning laws enable concurrent updates of weights across all layers of the deep convolutional neural network and the analysis shows that the training errors converge to certain bounds which are dependent on the approximation errors.Case studies are conducted on benchmark datasets and the results show that the proposed concurrent filter learning framework guarantees the convergence and offers more consistent and reliable results during training with a trade-off in performance compared to stochastic gradient descent methods.This framework represents a significant step towards enhancing the reliability and effectiveness of deep convolutional neural network by developing a theoretical analysis which allows practical implementation of the learning laws with automatic tuning of the learning rate to guarantee the convergence during training. 展开更多
关键词 Convergence convolution neural networks(CNNs) end-to-end learning online learning
暂未订购 下载PDF
基于ACNN-LFSwin Transformer的双通道滚动轴承故障诊断方法 认领 引用 被引量：3
3
作者 火久元 李昕 +1 位作者 常琛 张耀南 《计算机工程》 CAS CSCD 北大核心 2026年第5期430-444,共15页
滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道... 滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道故障诊断方法,分别在一维数据和二维图像上进行故障诊断。首先,对原始信号分别进行基于完全自适应指数模型分解(CEEMDAN)与短时傅里叶变换(STFT)处理,获取模态分量(IMF)与二维图像;然后,在通道1中将CEEMDAN分解后的IMF送入基于注意力机制的卷积神经网络(ACNN)中进行特征提取,在通道2中将轴承数据构成的二维图像作为局部特征提取的Swin Transformer网络(LFSwin Transformer)的输入,进行图像特征提取;最后,将两通道特征进行串联融合,以进行故障诊断,其中,ACNN运用注意力机制对信号特征进行自动权重分配,以强调关键特征,LFSwin Transformer模型在传统Swin Transformer的基础上进行向量转换,将输入向量转换为图像并对其进行卷积操作,使模型在故障局部特征提取方面更具优势。分别采用CWRU数据集和帕德博恩数据集进行实验验证,结果表明,该方法的故障诊断准确率达97%以上,说明所提方法不仅能对多种故障进行精确诊断,还能有效避免复杂噪声的干扰。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 短时傅里叶变换 Swin Transformer
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
4
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：2
5
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
一种改进的CNN-Seq2Seq电池荷电与健康状态联合估计方法 认领 引用 被引量：5
6
作者 张宇 周天宇 +1 位作者 张永康 吴铁洲 《电源学报》 CSCD 北大核心 2026年第1期217-224,共8页
为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-L... 为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-LSTM(convolutional neural networks-long short-term memory)神经网络改进的卷积神经网络-序列到序列CNN-Seq2Seq(CNN-sequence-to-sequence)神经网络的锂电池SOC与SOH联合估计方法。在公共数据集上的对比实验表明,该方法提高了锂电池SOC与SOH估计结果的稳定性与准确性。 展开更多
关键词 荷电状态 健康状态 卷积神经网络 序列到序列 锂电池 深度学习
暂未订购 下载PDF
考虑谐波激励的电工钢片SAMCNN-BiLSTM磁致伸缩特性精细预测方法 认领 引用 被引量：1
7
作者 肖飞 杨北超 +4 位作者 王瑞田 范学鑫 陈俊全 张新生 王崇 《中国电机工程学报》 EI CSCD 北大核心 2026年第3期1274-1285,I0034,共12页
针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,... 针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。 展开更多
关键词 磁致伸缩效应 谐波激励 卷积神经网络 空间注意力机制 双向长短期记忆网络
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
8
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
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
9
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
Residual resampling-based physics-informed neural network for neutron diffusion equations 认领 引用
10
作者 Heng Zhang Yun-Ling He +3 位作者 Dong Liu Qin Hang He-Min Yao Di Xiang 《Nuclear Science and Techniques》 SCIE EI CAS CSCD 2026年第2期16-41,共26页
The neutron diffusion equation plays a pivotal role in nuclear reactor analysis.Nevertheless,employing the physics-informed neural network(PINN)method for its solution entails certain limitations.Conventional PINN app... The neutron diffusion equation plays a pivotal role in nuclear reactor analysis.Nevertheless,employing the physics-informed neural network(PINN)method for its solution entails certain limitations.Conventional PINN approaches generally utilize a fully connected network(FCN)architecture that is susceptible to overfitting,training instability,and gradient vanishing as the network depth increases.These challenges result in accuracy bottlenecks in the solution.In response to these issues,the residual-based resample physics-informed neural network(R2-PINN)is proposed.It is an improved PINN architecture that replaces the FCN with a convolutional neural network with a shortcut(S-CNN).It incorporates skip connections to facilitate gradient propagation between network layers.Additionally,the incorporation of the residual adaptive resampling(RAR)mechanism dynamically increases the number of sampling points.This,in turn,enhances the spatial representation capabilities and overall predictive accuracy of the model.The experimental results illustrate that our approach significantly improves the convergence capability of the model and achieves high-precision predictions of the physical fields.Compared with conventional FCN-based PINN methods,R 2-PINN effectively overcomes the limitations inherent in current methods.Thus,it provides more accurate and robust solutions for neutron diffusion equations. 展开更多
关键词 Neutron diffusion equation Physics-informed neural network CNN with shortcut Residual adaptive resampling
暂未订购 下载PDF
基于MTF-CNN的三相光伏并网逆变器IGBT故障诊断 认领 引用 被引量：2
11
作者 董唯光 王宁 +1 位作者 张周卫 郎雄飞 《电源学报》 CSCD 北大核心 2026年第6期311-318,共8页
绝缘栅双极晶体管IGBT(insulated gate bipolar transistor)是光伏PV(photovolatic)逆变器的核心部件,其稳定性和可靠性对逆变器的正常运行至关重要。因此通过对光伏并网逆变器的故障诊断来确保发电系统的安全和稳定运行尤为重要。针对... 绝缘栅双极晶体管IGBT(insulated gate bipolar transistor)是光伏PV(photovolatic)逆变器的核心部件,其稳定性和可靠性对逆变器的正常运行至关重要。因此通过对光伏并网逆变器的故障诊断来确保发电系统的安全和稳定运行尤为重要。针对三相光伏并网两电平逆变器IGBT常见的单管开路故障,提出一种基于马尔可夫转移场-卷积神经网络MTF-CNN(Markov transition field-convolutional neural network)的三相光伏并网逆变器IGBT开路故障诊断方法。在MATLAB/Simulink上搭建三相光伏并网逆变器仿真模型,模拟几种IGBT开路故障,采集逆变器输出的故障电流信号作为一维时域信号,利用MTF将其转化为二维图像作为2D-CNN的数据集并进行训练,完成故障检测与诊断。实验结果表明,该方法具有较强的抗干扰能力,相较于其他传统方法,诊断速度较快,准确性更高。 展开更多
关键词 故障诊断 马尔可夫转移场 卷积神经网络 绝缘栅双极晶体管
暂未订购 下载PDF
Deep learning-based end-to-end depth estimation from a single-frame fringe pattern with the FDSUNet++ network 认领 引用
12
作者 Xinjun ZHU Jialei ZHANG +2 位作者 Limei SONG Hongyi WANG Ruiqin TIAN 《Optoelectronics Letters》 EI 2026年第6期373-378,共6页
Recently the depth estimation methods based on deep learning(DL)retain challenging to estimate a high-precision depth map in fringe projection structured light three-dimensional(3D)measurement with limited information... Recently the depth estimation methods based on deep learning(DL)retain challenging to estimate a high-precision depth map in fringe projection structured light three-dimensional(3D)measurement with limited information from a single-frame fringe pattern.In this letter,we proposed a FDSUNet++convolutional neural network(CNN),which consists of a UNet++base model,an improved squeeze-andexcitation(ISE)block,a Fourier transform(FT)data preprocessing block,and a discrete wavelet transform(DWT)block.The proposed ISE block can improve the ability of feature extraction and the designed FT data preprocessing block preserves the key features of the fringe pattern by FT.The introduced DWT block reduces the complexity and training cost of the model.By integrating these three blocks into the UNet++,it can better achieve depth estimation.Experimental results from two structured light datasets demonstrate that the proposed FDSUNet++outperforms the state-of-the-art networks,achieving the best performance in both qualitative and quantitative evaluation. 展开更多
关键词 neural network cnn which single frame fringe pattern fdsunet unet depth estimation fringe projection discrete wavelet deep learning
暂未订购 下载PDF
基于时频图特征压缩的低复杂度CNN干扰识别方法 认领 引用 被引量：1
13
作者 刘子龙 张军 +1 位作者 丁良辉 杨峰 《南京邮电大学学报（自然科学版）》 北大核心 2026年第2期39-47,共9页
在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时... 在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时频图中信息的冗余性和无效性,使用时频图的时域均值滤波、频域均值滤波和极值滤波结果联合表征干扰的时频图特征,将滤波后的三组一维特征序列输入CNN网络,实现干扰识别。所提方法结合减少输入数据量和降低CNN规模两种方式,在保证识别性能的同时显著降低干扰识别复杂度。实验结果表明,针对常见的7种压制式干扰,与传统的基于时频图的CNN识别方法相比,所提方法能减少98.78%的网络参数量和降低93.57%网络计算量,且在低干噪比情况下识别性能提升约2 dB;此外,所提方法在识别准确率和网络复杂度两方面均优于深度可分离卷积、网络剪枝和时频图尺寸压缩这几种低复杂度方案。该方法特别适用于无人机、便携式通信设备等资源受限设备中的实时干扰识别任务,为复杂电磁环境下的干扰识别提供了一种高精度、低复杂度的解决方案。 展开更多
关键词 通信干扰识别 卷积神经网络 宽带通信系统 短时傅里叶变换 时频图
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
14
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
基于改进Faster R-CNN的输变电工程塔基隐性病害GPR图像识别研究 认领 引用 被引量：1
15
作者 程江洲 杨静怡 +1 位作者 鲍刚 罗应权 《地球物理学进展》 CSCD 北大核心 2026年第1期442-452,共11页
针对输变电工程塔基因施工过程中操作不当及相关环境因素导致的混凝土隐性病害识别难题,本文提出了一种基于改进的Faster R-CNN网络GPR图像识别方法.首先,以ResNet-50为主干网络融合通道注意力机制,并通过层间位置对比实验优化了SE模块... 针对输变电工程塔基因施工过程中操作不当及相关环境因素导致的混凝土隐性病害识别难题,本文提出了一种基于改进的Faster R-CNN网络GPR图像识别方法.首先,以ResNet-50为主干网络融合通道注意力机制,并通过层间位置对比实验优化了SE模块的嵌入层级与位置,在强化关键特征提取的同时有效降低了计算冗余.其次,引入soft-NMS算法优化紧密相邻目标的边框预测精度,提高紧密相连目标的检测能力.最后,采用生成对抗网络扩增gprMax仿真生成的刚性直柱式基础GPR图像数据集,并对样本进行识别标注.实验结果表明,优化模型平均精度均值达到84.49%,F-Score为77.58%.相较于传统的FasterRCNN目标检测模型,改进模型识别精度提高了6.37%. 展开更多
关键词 探地雷达 隐性病害检测 Faster R-CNN 生成对抗网络
暂未订购 下载PDF
xCViT:Improved Vision Transformer Network with Fusion of CNN and Xception for Skin Disease Recognition with Explainable AI 认领 引用 被引量：3
16
作者 Armughan Ali Hooria Shahbaz Robertas Damaševicius 《Computers, Materials & Continua》 SCIE EI 2025年第4期1367-1398,共32页
Skin cancer is the most prevalent cancer globally,primarily due to extensive exposure to Ultraviolet(UV)radiation.Early identification of skin cancer enhances the likelihood of effective treatment,as delays may lead t... Skin cancer is the most prevalent cancer globally,primarily due to extensive exposure to Ultraviolet(UV)radiation.Early identification of skin cancer enhances the likelihood of effective treatment,as delays may lead to severe tumor advancement.This study proposes a novel hybrid deep learning strategy to address the complex issue of skin cancer diagnosis,with an architecture that integrates a Vision Transformer,a bespoke convolutional neural network(CNN),and an Xception module.They were evaluated using two benchmark datasets,HAM10000 and Skin Cancer ISIC.On the HAM10000,the model achieves a precision of 95.46%,an accuracy of 96.74%,a recall of 96.27%,specificity of 96.00%and an F1-Score of 95.86%.It obtains an accuracy of 93.19%,a precision of 93.25%,a recall of 92.80%,a specificity of 92.89%and an F1-Score of 93.19%on the Skin Cancer ISIC dataset.The findings demonstrate that the model that was proposed is robust and trustworthy when it comes to the classification of skin lesions.In addition,the utilization of Explainable AI techniques,such as Grad-CAM visualizations,assists in highlighting the most significant lesion areas that have an impact on the decisions that are made by the model. 展开更多
关键词 Skin lesions vision transformer CNN Xception deep learning network fusion explainable AI Grad-CAM skin cancer detection
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
17
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
基于VMD-CNN-BiLSTM模型的短时交通流预测 认领 引用 被引量：2
18
作者 李博 张传煌 +1 位作者 于晓 张旭东 《武汉理工大学学报（交通科学与工程版）》 2026年第2期250-257,共8页
文中研究使用滴滴盖亚数据提供的网约车轨迹数据集,经数据清洗等步骤后获取特定道路的交通流量.构建VMD-CNN-BiLSTM模型进行预测,模型结合变分模态分解(VMD)、卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的优势,能有效捕捉交通流量... 文中研究使用滴滴盖亚数据提供的网约车轨迹数据集,经数据清洗等步骤后获取特定道路的交通流量.构建VMD-CNN-BiLSTM模型进行预测,模型结合变分模态分解(VMD)、卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的优势,能有效捕捉交通流量的时序性和空间依赖性.结果表明:本模型在短时交通流量预测方面表现优异,与多种基准组合模型相比,在各项误差指标上均有显著降低,平均绝对误差(MAE)和均方根误差(RMSE)平均下降幅度分别达到17.26%和18.75%.此外,模型的判定系数R 2高达96.6503%,显示出较强的拟合能力和稳定性. 展开更多
关键词 城市交通 短时交通流预测 VMD-CNN-BiLSTM模型 变分模态分解 卷积神经网络
暂未订购 下载PDF
基于CNN-LSTM的深基坑挡墙变形时空分布预测方法 认领 引用
19
作者 廖少明 唐琳鸿 +3 位作者 杨逸枫 张世阳 范垚垚 刘智 《湖南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2026年第3期63-75,共13页
为实现软土地层基坑挡墙变形的精准预测与有效控制,保障基坑安全施工,本文基于基坑挡墙变形显著的时空分布变化特征,建立基坑挡墙变形时空分布矩阵并提出融合卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型CNN-LSTM,结合上海... 为实现软土地层基坑挡墙变形的精准预测与有效控制,保障基坑安全施工,本文基于基坑挡墙变形显著的时空分布变化特征,建立基坑挡墙变形时空分布矩阵并提出融合卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型CNN-LSTM,结合上海某深基坑工程,从时空维度对挡墙变形进行同步预测与对比验证.结果表明:1)基于挡墙位移时空分布矩阵的CNN-LSTM混合预测模型与4种传统模型相比,通过时空分布特征的提取与深度学习,可对基坑水平位移的时空分布实现精准预测;2)在空间分布预测方面,通过位移空间分布特征的提取与深度学习,不仅能对挡墙变形模式进行准确识别,还能对变形曲率及最大变形位置等分布特征进行精准预测,沿深度和水平方向预测的平均绝对误差MAE分别为0.532 mm和0.742 mm;3)在时间分布预测方面,通过水平位移时序特征的提取与深度学习,并考虑长短时数据依赖关系,能适应不同施工阶段挡墙位移的动态预测,施工期内预测的MAE为0.841 mm,表现出良好的鲁棒性. 展开更多
关键词 CNN-LSTM 时空分布特征 挡墙位移 神经网络
暂未订购 下载PDF
基于IRIME-CNN-DD的硅压阻式压力传感器温度补偿模型 认领 引用
20
作者 宋坤 罗焕芝 杨玉强 《传感技术学报》 CAS CSCD 北大核心 2026年第7期1473-1480,共8页
针对硅压阻式压力传感器对温度具有敏感性这一具体问题,提出一种改进雾凇算法(Improved Rime Optimization Algorithm,IRIME)优化卷积神经网络(Convolutional Neural Network,CNN)和树突网络(Dendrite Net,DD)的温度补偿模型IRIME-CNN-D... 针对硅压阻式压力传感器对温度具有敏感性这一具体问题,提出一种改进雾凇算法(Improved Rime Optimization Algorithm,IRIME)优化卷积神经网络(Convolutional Neural Network,CNN)和树突网络(Dendrite Net,DD)的温度补偿模型IRIME-CNN-DD。首先,在神经网络参数优化方面,运用了改进的RIME算法,即利用分类讨论和自适应拉普拉斯交叉算子策略重新定义位置更新公式,从而增强算法的寻优能力。其次,在硅压阻式压力传感器温度补偿方面,将CNN网络和DD网络两种模型融合构建温度补偿模型;即利用CNN网络提取数据集中的局部特征,使用DD网络对CNN网络提取的局部特征进一步特征构建,进而输出补偿结果。最后,为了验证该模型,将广东海洋大学研究生实验室实测的压力数据代入该模型,结果表明,该模型的均方根误差和平均绝对误差分别为0.08250 k Pa和0.05844 k Pa;与PSO-CNN-DD、DE-SVM和GA-BP模型相比,该模型的平均绝对误差减小了32.89%、35.28%和38.69%,均方根误差减小了30.46%、37.54%和41.38%。由此可见,该模型能有效地消除温度对传感器的影响,显著提高了传感器的检测精度。 展开更多
关键词 温度补偿模型 IRIME算法 CNN-DD网络 压力传感器
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