基于Attention-1DCNN-CE的加密流量分类方法

1

作者 耿海军 董赟 +3 位作者 胡治国 池浩田 杨静 尹霞 《计算机应用》 北大核心 2025年第3期872-882,共11页

针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题,提出一种结合注意力机制(Attention)与一维卷积神经网络(1DCNN)的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分:1)数据集预处理阶段... 针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题,提出一种结合注意力机制(Attention)与一维卷积神经网络(1DCNN)的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分:1)数据集预处理阶段,保留原始数据流中数据包间的空间关系,并根据样本分布构建成本敏感矩阵;2)在初步提取加密流量特征的基础上,利用Attention和1DCNN模型深入挖掘并压缩流量的全局与局部特征;3)针对数据不平衡这一挑战,通过结合成本敏感矩阵与交叉熵(CE)损失函数,显著提升少数类别样本的分类精度,进而优化模型的整体性能。实验结果表明,在BOT-IOT和TON-IOT数据集上该模型的整体识别准确率高达97%以上;并且该模型在公共数据集ISCX-VPN和USTC-TFC上表现优异,在不需要预训练的前提下,达到了与ET-BERT(Encrypted Traffic BERT)相近的性能;相较于PERT(Payload Encoding Representation from Transformer),该模型在ISCX-VPN数据集的应用类型检测中的F1分数提升了29.9个百分点。以上验证了该模型的有效性,为加密流量识别和恶意流量检测提供了解决方案。 展开更多

关键词 网络安全 加密流量 注意力机制 一维卷积神经网络 数据不平衡 成本敏感矩阵

在线阅读 下载PDF 职称材料

基于1DCNN-SVM的天然气水合物风险防控边界预测方法

2

作者 吕晓方 陈书楷 +5 位作者 徐孝轩 柳扬 钱瑞祥 王传硕 李晓伟 周诗岽 《管道保护》 2025年第1期14-21,共8页

为了保障油气管道的流动安全,准确预测天然气水合物的生成条件非常重要。传统方法依赖于实验经验公式或简单物理模型,但这些方法计算复杂、适用范围有限且精度较低。为此,提出了一种基于一维卷积神经网络(1DCNN)-支持向量机(SVM)的天然... 为了保障油气管道的流动安全,准确预测天然气水合物的生成条件非常重要。传统方法依赖于实验经验公式或简单物理模型,但这些方法计算复杂、适用范围有限且精度较低。为此,提出了一种基于一维卷积神经网络(1DCNN)-支持向量机(SVM)的天然气水合物相平衡预测方法。在实验中,探讨了不同迭代次数对模型性能的影响,确定2000次迭代时模型性能最佳。对比1DCNN-SVM模型与传统SVM、CNN、BP模型和OLGA的预测效果,结果显示1DCNN-SVM模型具有优异的预测性能,R2达到0.9761,MSE为1.8236,MAE为0.5889,均优于其他模型。此外,1DCNN-SVM模型在面对新数据时,表现出良好的适用性与稳定性。该预测方法为油气管道水合物生成的预测、监测预警及防控提供了新的思路。 展开更多

关键词 天然气水合物 相平衡 一维卷积神经网络(1dcnn) 支持向量机(SVM)

在线阅读 下载PDF 职称材料

基于TFG-SVD-1DCNN的液压优先阀智能故障诊断方法 被引量：1

3

作者 何瑶 熊晓燕 +2 位作者 王伟杰 李翔宇 刘会军 《机电工程》 北大核心 2025年第7期1287-1293,共7页

液压优先阀连接在液压泵、蓄能器和油箱增压腔之间,针对其容易受到多路干扰的影响,以及采用传统的液压测试方法对优先阀故障识别精度不足的问题,提出了一种基于时频图结构数据奇异值分解与一维卷积神经网络(TFG-SVD-1DCNN)的液压阀智能... 液压优先阀连接在液压泵、蓄能器和油箱增压腔之间,针对其容易受到多路干扰的影响,以及采用传统的液压测试方法对优先阀故障识别精度不足的问题,提出了一种基于时频图结构数据奇异值分解与一维卷积神经网络(TFG-SVD-1DCNN)的液压阀智能故障诊断方法。首先,采用短时傅里叶变换(STFT)的方法分析了包含故障信息的信号,提取了信号在不同时间段内频率成分的详细信息,得到了时频矩阵;然后,使用时频矩阵在频率维度上的特征构造了图结构数据(GSD),获得了边的连接关系和边的权重等信息,再利用这些信息生成了图结构数据的邻接矩阵,充分保留了每个样本的空间特征;最后,采用奇异值分解(SVD)方法对图结构数据的邻接矩阵进行了降维,将降维之后的主要特征输入到一维卷积神经网络(1D-CNN)中进行了故障分类,并利用仿真数据验证了该方法在优先阀故障诊断方面的性能。研究结果表明:对于优先阀正向无法打开或关断以及反向无法打开或关断4种故障类型,采用智能故障诊断方法所得的平均准确率为99.7%。该研究可以为液压阀故障检测提供一种有效的方法。 展开更多

关键词 液压系统 液压阀 流量优先阀 时频图结构数据奇异值分解 一维卷积神经网络 短时傅里叶变换 图结构数据

在线阅读 下载PDF 职称材料

基于声学信号的CEEMDAN-1DCNN轴承故障诊断方法 被引量：2

4

作者 李林 王久山 +1 位作者 肖试录 郭遥 《电力机车与城轨车辆》 2025年第4期64-70,共7页

为了更好地提取轴承信号中的主要故障信息,提升轴承故障诊断的准确度,以声学信号为驱动,提出一种自适应噪声完全集合经验模态分解(CEEMDAN)与一维卷积神经网络(1DCNN)相结合的轴承故障诊断方法。通过CEEMDAN方法将原始声学信号分解为若... 为了更好地提取轴承信号中的主要故障信息,提升轴承故障诊断的准确度,以声学信号为驱动,提出一种自适应噪声完全集合经验模态分解(CEEMDAN)与一维卷积神经网络(1DCNN)相结合的轴承故障诊断方法。通过CEEMDAN方法将原始声学信号分解为若干个本征模态函数(IMF)分量,然后计算各个IMF分量与原始信号的皮尔逊相关系数,并基于皮尔逊相关系数对信号进行重构;利用重构信号训练1DCNN,并使用测试集对网络进行验证。结果表明,该方法对轴承故障诊断的准确率达到99.7%,具有良好的效果。 展开更多

关键词 轴承 故障诊断 声学信号 自适应噪声完全集合经验模态分解(CEEMDAN) 一维卷积神经网络(1dcnn)

原文传递

基于多小波基DWT分解的1DCNN-KAN-EA机械损伤识别方法

5

作者 王雷 付海朋 《机电工程》 北大核心 2025年第9期1707-1715,1829,共10页

针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识... 针对传统机械损伤识别方法处理复杂振动信号时,特征表达能力不足、识别准确率低的问题,提出了一种基于多小波基离散小波变换(DWT)分解,并结合了一维卷积神经网络(1DCNN)、Kolmogorov-Arnold网络(KAN)和外部注意力(EA)机制的机械损伤识别方法。首先,采用多小波基DWT分解对振动信号进行了多样性描述,并以分解得到的小波系数集合构建特征向量作为1DCNN的输入,以提取深层次故障特征;然后,构建了KAN线性层取代全连接层,进行了损伤特征识别,克服了传统多层感知机(MLP)结构在节点采用固定激活函数和线性权重的固有局限性,增强了模型对复杂损伤特征的表达能力;接着,引入EA捕捉了不同样本之间的潜在关联,提高了模型对全局上下文信息的捕捉能力;最后,在包含5类不同损伤状态的机翼大梁数据集上进行了实验研究。研究结果表明:基于多小波基DWT分解的1DCNN-KAN-EA模型平均准确率高达99.41%,相比于1DCNN、KAN分别提高了1.56%、2.54%。对比其他模型,基于多小波基DWT分解的1DCNN-KAN-EA模型在准确识别损伤特征方面具有优越性,各项指标得到明显提升,其效果优于只基于单一小波基DWT分解下的模型。 展开更多

关键词 机械运行与维修 离散小波变换 一维卷积神经网络 Kolmogorov-Arnold网络 外部注意力机制 多层感知机

在线阅读 下载PDF 职称材料

融合特征图谱和1DCNN-SVM的电力设备状态辨识模型

6

作者 黄军凯 宋禹飞 +2 位作者 王昕 林正平 张自锋 《电气自动化》 2025年第4期70-73,共4页

针对电力设备辨识精度不高的问题,提出了融合特征图谱和一维卷积神经网络-支持向量机的电力设备状态辨识模型。首先,将电力设备运行波形转化为结构化数据特征,提取各类特征参数;然后将设备特征进行优化融合,利用电力设备本体体系辅助建... 针对电力设备辨识精度不高的问题,提出了融合特征图谱和一维卷积神经网络-支持向量机的电力设备状态辨识模型。首先,将电力设备运行波形转化为结构化数据特征,提取各类特征参数;然后将设备特征进行优化融合,利用电力设备本体体系辅助建立电力设备结构化特征知识图谱;最后,提出了基于一维卷积神经网络-支持向量机的电力设备状态识别模型,对电力设备进行状态辨识。通过对实际采集的电力设备运行数据进行验证,不同电力设备的运行状态均达到了高的辨识准确率,验证了该模型具有较好的通用性与有效性。 展开更多

关键词 电力设备 状态辨识 一维卷积神经网络 特征图谱 支持向量机

在线阅读 下载PDF 职称材料

基于LSTM与1DCNN的导弹轨迹预测方法 被引量：18

7

作者 宋波涛 许广亮 《系统工程与电子技术》 EI CSCD 北大核心 2023年第2期504-512,共9页

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运... 针对弹道导弹等超远程攻击目标的轨迹难以预测的问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network,1DCNN)的目标轨迹预测方法。首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题。其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类。最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测。仿真结果表明,提出的轨迹预测网络能够完成轨迹预测任务,预测误差在合理范围内。 展开更多

关键词 弹道导弹 目标分类 轨迹预测 长短期记忆网络 一维卷积神经网络

在线阅读 下载PDF 职称材料

基于1DCNN和动态路由的滚动轴承故障诊断 被引量：6

8

作者 郭俊锋 吕健豪 《组合机床与自动化加工技术》 北大核心 2021年第11期53-57,共5页

实际生产中滚动轴承的工况复杂易变,导致故障诊断准确率较低。针对于此,将多传感器数据融合理论应用于故障诊断领域,提出了一种基于一维卷积与动态路由算法的滚动轴承故障诊断方法。首先,采用快速傅立叶变换将多个传感器收集到的时域振... 实际生产中滚动轴承的工况复杂易变,导致故障诊断准确率较低。针对于此,将多传感器数据融合理论应用于故障诊断领域,提出了一种基于一维卷积与动态路由算法的滚动轴承故障诊断方法。首先,采用快速傅立叶变换将多个传感器收集到的时域振动信号转换为频域频谱;其次,构建多卷积网络从频谱中提取特征并归一化,再利用动态路由算法融合多卷积网络提取的特征来训练模型;最后,将变工况的振动数据导入模型实现故障诊断。实验结果表明,相较于其它典型的智能故障诊断方法,文章提出的方法在变工况条件下具有更高的诊断精度、更好的稳定性和泛化性能。 展开更多

关键词 一维卷积神经网络 动态路由算法 深度学习 轴承故障诊断 变工况

在线阅读 下载PDF 职称材料

基于ALIF和1DCNN的滚动轴承故障诊断方法 被引量：2

9

作者 聂勇军 孟金 肖英楠 《机电工程》 CAS 北大核心 2022年第10期1390-1397,共8页

在滚动轴承的故障信号中,由于存在较多冗余信息成分的问题,会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰,为此,提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法,即先对原始信号分解重构,再进... 在滚动轴承的故障信号中,由于存在较多冗余信息成分的问题,会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰,为此,提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法,即先对原始信号分解重构,再进行分类的智能故障诊断方法。首先,使用ALIF对原始信号进行了分解,其算法相较于其他信号分解算法有较少的模态混叠现象,这得益于保持其原始物理意义中,并最大程度地提取其表征信息,提高其故障诊断正确率;然后,使用了皮尔逊相关系数法选择与原始信号相关最大的本征模函数(IMF)进行了重构,得到了冗余信号较少的信号;最后,直接将处理后的数据作为1DCNN的输入,进行了智能故障诊断。研究结果表明:在对滚动轴承的4种故障状态进行分类的准确度方面,相较于原始方法,基于ALIF和1DCNN的方法准确度提高了8%,其分类准确度达到99%;仿真信号证明了ALIF分解性能的优越性,采用实验台采集的实际数据验证了该方法的先进性。 展开更多

关键词 自适应局部迭代滤波 一维卷积神经网络 信号分解重构 故障分类 冗余信息成分 模态混叠 故障诊断准确率

在线阅读 下载PDF 职称材料

基于并行1DCNN的滚动轴承故障诊断研究 被引量：20

10

作者 刘伟 单雪垠 +2 位作者 李双喜 张志华 姚思雨 《机电工程》 CAS 北大核心 2021年第12期1572-1578,共7页

滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试... 滚动轴承是旋转机械中常用的零部件,由于其工作环境恶劣,极易发生故障,为此,提出了一种基于并行1DCNN(one-dimensional convolutional neural network)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行了处理,将其分为训练集和测试集;然后,构建了由两个通道组成的并行1DCNN模型,两通道可以分别获取振动信号的时域信息和频域信息,提取时域信息时使用相对较小的卷积核,而提取频域信息时使用相对较大的卷积核,并使用全局最大池化层替换了传统的全连接层;最后,用训练好的并行1DCNN模型对凯斯西储大学滚动轴承测试集数据进行了处理;同时为了验证并行1DCNN模型的故障诊断效果,将该模型与传统的CNN模型进行了比较。研究结果表明:并行1DCNN模型的故障诊断精度高于0.996,与传统单通道CNN模型相比,并行1DCNN模型可以充分利用所提取的时域和频域特征信息,具有更加出色的故障诊断能力。 展开更多

关键词 滚动轴承 故障诊断 卷积神经网络 1dcnn 深度学习 特征提取

在线阅读 下载PDF 职称材料

基于1DCNN-LSTM的船舶轨迹分类方法 被引量：23

11

作者 崔彤彤 王桂玲 高晶 《计算机科学》 CSCD 北大核心 2020年第9期175-184,共10页

由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫。近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能。... 由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫。近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能。针对使用传统二维卷积神经网络(Convolutional Neural Network,CNN)对船舶轨迹分类存在特征压缩和时序特征表达能力匮乏的问题,文中提出了一种一维CNN(One-Dimensional CNN,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的混合分类模型,对采集到的船舶自动识别系统(Automatic Identification System,AIS)数据进行船舶类型识别。首先,针对AIS采集到的船舶轨迹数据进行预处理,过滤噪声数据;然后,针对隐含在船舶轨迹信息中的特征对于1DCNN而言过于隐晦的问题,提出了一种针对大规模航舶轨迹数据的,且1DCNN能够识别的轨迹分布特征向量的构建算法,同时在此基础上提取了LSTM能够识别的时序特征向量;最后,将训练后的1DCNN模型与LSTM模型进行数据融合得到混合船舶分类模型。以渤海区域2016年6月的船舶AIS数据为基础,使用1DCNN与LSTM相结合的混合模型对渔船、客船、油船、集装箱船和散货船5类典型船舶的轨迹数据进行分类,并将其与使用一种神经网络如LSTM作为分类器的方法进行对比,结果表明所提方法具有明显的有效性,是一种有效的船舶轨迹分类方法。 展开更多

关键词 船舶轨迹分类 一维卷积神经网络 长短期记忆网络 分布特征向量 时序特征向量

在线阅读 下载PDF 职称材料

基于SSD和1DCNN的滚动轴承故障诊断方法 被引量：18

12

作者 宋霖 宿磊 +1 位作者 李可 苏文胜 《华中科技大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第12期38-43,共6页

针对滚动轴承故障诊断中振动信号易受强背景噪声干扰,出现非平稳、非线性的特性,导致故障诊断精度较低等问题,提出了一种基于奇异谱分解(SSD)和一维卷积神经网络(1DCNN)的滚动轴承故障诊断方法.首先,利用SSD将原始振动信号分解成若干个... 针对滚动轴承故障诊断中振动信号易受强背景噪声干扰,出现非平稳、非线性的特性,导致故障诊断精度较低等问题,提出了一种基于奇异谱分解(SSD)和一维卷积神经网络(1DCNN)的滚动轴承故障诊断方法.首先,利用SSD将原始振动信号分解成若干个频率尺度的奇异谱(SSC)分量,并根据峭度准则选取有效SSC分量对信号进行重构;然后,构建一维卷积神经网络结构,先将重构后的信号输入模型进行训练,充分提取信号的特征,再由输出层输出诊断结果;最后,进行滚动轴承故障诊断实验,结果表明:提出的诊断方法诊断准确率达到98.9%,比传统方法具有更高的准确性和稳定性. 展开更多

关键词 滚动轴承 故障诊断 奇异谱分解 峭度 一维卷积神经网络

原文传递

基于1DCNN-LSTM尾矿坝浸润线预测 被引量：2

13

作者 杨玉好 杨斌 +2 位作者 胡军 董文宇 金实 《有色金属工程》 CAS 北大核心 2024年第7期138-146,共9页

准确预测浸润线位置变化对尾矿坝的稳定性和安全性至关重要,为充分挖掘浸润线数据提供的空间特征和时序信息,提出将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合方法预测浸润线。以辽宁省齐大山风水沟尾矿库主坝为例,使用... 准确预测浸润线位置变化对尾矿坝的稳定性和安全性至关重要,为充分挖掘浸润线数据提供的空间特征和时序信息,提出将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合方法预测浸润线。以辽宁省齐大山风水沟尾矿库主坝为例,使用历史浸润线、库水位、坝体内外部位移、干滩长度5个主要因素作为模型输入数据,预测未来1 d和未来3 d的浸润线位置。将1DCNN-LSTM模型与经典的LSTM和反向传播神经网络(BP)进行对比研究。结果表明,1DCNN-LSTM浸润线预测的决定系数(R^(2))均在0.9以上,未来1 d的浸润线预测误差均值绝对值为0.004 m,最大误差绝对值为0.06 m,未来3 d的浸润线预测误差均值绝对值为0.003 m,最大误差绝对值为0.065 m,优于经典模型。这为短期浸润线预测提供一定的参考依据。 展开更多

关键词 1dcnn网络 LSTM网络 浸润线 尾矿坝 预测

在线阅读 下载PDF 职称材料

基于D-1DCNN的轴向柱塞泵故障诊断研究 被引量：9

14

作者 徐昌玲 黄家海 +4 位作者 兰媛 武兵 钮晨光 马晓宝 李斌 《机电工程》 CAS 北大核心 2021年第11期1494-1500,共7页

由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨... 由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设计或提取特征过程便可实现诊断过程的智能化;对于不同的故障诊断对象,该方法也具备良好的诊断效果,因而具有一定的普适性。 展开更多

关键词 轴向柱塞泵 故障诊断 深度一维卷积神经网络 深度学习 SoftMax

在线阅读 下载PDF 职称材料

基于1DCNN和LSTM的单站逐时气温预报方法 被引量：10

15

作者 李晶 唐全莉 《热带气象学报》 CSCD 北大核心 2022年第6期800-811,共12页

针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平... 针对海量气象观测数据间存在大量的物理噪声、与气温无关的冗余特征以及时间相关性,提出了一种将一维卷积神经网络(1DCNN)和长短期记忆神经网络(LSTM)相结合的多信息融合气温预报方法。首先,运用差分法对气象观测数据进行预处理,得到平稳时间序列数据;其次,运用1DCNN提取与气温变化相关的特征变量作为神经网络模型的输入变量;最后,运用1DCNN和LSTM构建多信息融合气温预报模型1DCNNLSTM,并以云南省昆明市历史气象观测数据为例,与传统的LSTM、1DCNN和反向传播神经网络(BP)对未来24小时的逐时气温预报进行了比较研究。研究结果表明,1DCNN-LSTM的均方根误差(RMSE)相较于LSTM、1DCNN和BP最大降低了5.221%、19.350%和9.253%,平均绝对误差(MAE)最大降低了4.419%、17.520%和8.089%。为气温的精准预报提供了参考依据。 展开更多

关键词 1dcnn神经网络 LSTM神经网络 多信息融合 气温预报 单站逐时预测

在线阅读 下载PDF 职称材料

基于多1DCNN集成的电流互感器故障诊断 被引量：5

16

作者 李亮波 胡翔 +3 位作者 刘琼馨 邹立 王雪 古雄 《武汉理工大学学报》 CAS 北大核心 2020年第8期84-91,共8页

针对目前电流互感器故障诊断效率和准确率偏低的问题,提出了一种基于多个一维卷积神经网络集成的智能故障诊断模型,用于对电流互感器故障进行快速诊断。首先构建一系列具有不同激活函数的卷积层,每个卷积层独立搭建一维卷积神经网络(1DC... 针对目前电流互感器故障诊断效率和准确率偏低的问题,提出了一种基于多个一维卷积神经网络集成的智能故障诊断模型,用于对电流互感器故障进行快速诊断。首先构建一系列具有不同激活函数的卷积层,每个卷积层独立搭建一维卷积神经网络(1DCNN),再通过多数投票集成策略构建具有不同一维卷积神经网络的集成网络模型(E1DCNN),最后进行样本数据训练和测试。通过试验分析,结果表明该方法可以实现电流互感器快速精确的故障诊断,并且效果比传统的故障诊断方法更优。 展开更多

关键词 电流互感器 一维卷积神经网络 集成策略 故障诊断

原文传递

结合注意力机制和特征融合1DCNN的脑电情感识别 被引量：4

17

作者 闫超 张雪英 +2 位作者 张静 陈桂军 黄丽霞 《计算机工程与应用》 CSCD 北大核心 2023年第13期171-177,共7页

针对脑电情感识别领域中处理一维数据时将其映射为二维或三维数据,然后利用2DCNN或3DCNN模型进行处理和识别时,存在参数量大且参数寻优方法费时费力的问题,提出一种基于频段和脑区注意力机制的1DCNN模型。对脑电信号提取特征并采用t检... 针对脑电情感识别领域中处理一维数据时将其映射为二维或三维数据,然后利用2DCNN或3DCNN模型进行处理和识别时,存在参数量大且参数寻优方法费时费力的问题,提出一种基于频段和脑区注意力机制的1DCNN模型。对脑电信号提取特征并采用t检验进行最优特征选择;根据提取特征的结构设计了一种新型的1DCNN情感识别模型,为模型的参数选择和卷积操作提供可解释性;最后根据左、右脑区对情感反应能力的不同,提出一种脑区注意力机制,并与频段注意力机制相结合更好地关注与情感相关的脑区与频段。提出的FBA-1DCNN模型在DEAP脑电情感数据库的效价维和唤醒维二分类实验上的平均识别率分别达到了94.01%和93.55%,在效价-唤醒维四分类实验上的平均识别率达到了89.38%,比现有的1DCNN模型分别提升了2.96、3.31和7.69个百分点。 展开更多

关键词 脑电情感识别 T检验 深度学习 一维卷积神经网络(1dcnn) 注意力机制

在线阅读 下载PDF 职称材料

基于改进1DCNN的煤岩识别模型研究 被引量：3

18

作者 尹玉玺 周常飞 +2 位作者 许志鹏 史春祥 胡文渊 《工矿自动化》 CSCD 北大核心 2023年第1期116-122,共7页

随着煤矿智能化建设的加速推进,煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题,提出了一种基于改进一维卷积神经网络(1DCNN)的煤岩识别模型。以1D... 随着煤矿智能化建设的加速推进,煤岩高效识别已成为煤炭智能化开采亟待解决的技术难题。针对复杂煤矿地质条件下现有煤岩识别方法精度低、通用性差且难以工程应用等问题,提出了一种基于改进一维卷积神经网络(1DCNN)的煤岩识别模型。以1DCNN为基础,使用多个连续卷积层提取一维振动信号特征,通过全局均值池化(GAP)层代替全连接层,以减少模型训练参数,节省计算资源,同时采用带有线性热启动的余弦退火衰减方法优化学习率,以避免模型训练陷入局部极小值区域,提升训练质量。为直观描述改进1DCNN模型对煤岩截割振动数据的特征提取过程和分类能力,采用t-分布随机近邻嵌入(t-SNE)流形学习算法对模型的特征学习过程进行可视化分析,结果表明,改进1DCNN模型通过逐层特征学习,很好地实现了对煤岩截割状态的识别。以陕西某矿MG650/1590-WD型采煤机截割煤岩时的实测振动数据为样本进行模型训练,结果表明,改进1DCNN模型在训练集上的准确率为99.91%,在测试集上的准确率为99.32%,可直接用于采煤机截割煤岩时的原始振动信号分类,并能够有效识别煤岩截割状态。与传统机器学习、集成学习及未改进的1DCNN模型相比,改进1DCNN模型具有明显优势,平均识别准确率达99.56%,同时大大节约了计算成本,提高了模型识别速度。 展开更多

关键词 煤岩识别 卷积神经网络 1dcnn 振动信号 余弦退火 t-分布随机近邻嵌入

在线阅读 下载PDF 职称材料

基于1DCNN与双通道信息融合的柴油发动机故障诊断 被引量：2

19

作者 白雲杰 贾希胜 +2 位作者 梁庆海 马云飞 白华军 《车用发动机》 北大核心 2021年第6期76-81,共6页

针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network, 1DCNN)与双通道信息融合的柴油... 针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network, 1DCNN)与双通道信息融合的柴油发动机故障诊断方法。通过搭建柴油发动机预置故障试验台,将传感器配置于发动机不同位置以采集发动机运行过程中的双通道故障信号,分别提取振动信号中的最大值、最小值、峰峰值、均值、整流平均值、方差、标准差、峭度等14个特征,构建特征集矩阵并利用主成分分析(Principal Component Analysis, PCA)进行特征融合,输入深度一维卷积神经网络,实现对发动机不同故障状态的诊断。试验结果表明,该方法可以有效识别发动机不同的故障状态,与单通道信号诊断相比,所提出的双通道信息融合方法在发动机故障诊断中具有更好的效果。 展开更多

关键词 一维卷积神经网络 信息融合 柴油机 故障诊断

在线阅读 下载PDF 职称材料

基于改进1DCNN-SAGRU模型的渔船作业方式识别

20

作者 付建浩 李海涛 张俊虎 《计算机系统应用》 2023年第5期149-156,共8页

海洋渔业领域中渔船轨迹数据具有时空性和非平稳性的特点,针对目前渔船作业方式识别方法存在对数据信息提取不充分及识别精度低的问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和加入自注... 海洋渔业领域中渔船轨迹数据具有时空性和非平稳性的特点,针对目前渔船作业方式识别方法存在对数据信息提取不充分及识别精度低的问题,提出了一种基于一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和加入自注意力(self-attention)的门控循环单元网络(gated recurrent unit,GRU)的渔船作业方式识别模型(1DCNN-SAGRU).模型利用一维CNN和GRU充分提取渔船轨迹数据的局部空间特征和时序上的依赖关系,并引入自注意力机制强化模型对关键信息的关注能力.最后引入dropout方法和RAdam优化器对模型进行改进和优化,防止模型过拟合的同时加快网络的收敛速度和输出准确性.经实验和分析表明,相较于其他对比模型,该模型在准确率上最高可提升4.4个百分点,说明该模型能更准确地识别渔船拖网、围网和刺网作业,有利于加强渔船监管能力和渔业资源的保护. 展开更多

关键词 渔船轨迹 一维卷积神经网络 门控循环单元网络(GRU) 自注意力 行为识别 深度学习

在线阅读 下载PDF 职称材料