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9,643篇文章
< 1 2 … 250 >
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CNN-Transformer架构的电磁传播损耗预测算法
1
作者 万勇 李骏杰 +1 位作者 孙伟峰 戴永寿 《现代电子技术》 北大核心 2026年第6期43-48,共6页
为了解决传统经验传播损耗模型预测精度不足的问题,提出一种基于CNN-Transformer架构的电磁传播损耗预测算法,通过构建回归模型进行精准的传播损耗预测。通过斯皮尔曼系数法提取有效特征,利用CNN提取与传播损耗预测高度相关的浅层特征,... 为了解决传统经验传播损耗模型预测精度不足的问题,提出一种基于CNN-Transformer架构的电磁传播损耗预测算法,通过构建回归模型进行精准的传播损耗预测。通过斯皮尔曼系数法提取有效特征,利用CNN提取与传播损耗预测高度相关的浅层特征,将从卫星图像中获取的传播路径上地物特征序列进行位置编码,增强对传播路径中不同地物特征顺序对传播损耗影响的理解。最后将CNN提取的浅层特征与位置编码后的地物特征输入到Transformer模型,通过多头自注意力机制捕捉特征间的全局关联性,从而有效校正传播损耗的预测结果。实验结果表明,所提出的CNN-Transformer方法显著降低了传播损耗预测的均方根误差(RMSE),达到了3.3745 dB,同时保持了0.8956的较高确定性系数(R^(2))。所提的电磁传播损耗预测算法为无线通信传播特性研究领域提供了参考,具有一定的应用价值。 展开更多
关键词 电磁传播 损耗预测 TRANSFORMER cnn 斯皮尔曼系数法 地物类型 位置编码
在线阅读 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
2
作者 陈波 李尧 +1 位作者 孙辉 阚超豪 《实验技术与管理》 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
在线阅读 下载PDF
综合负样本优化指数与CNN-LSTM-ATT模型的滑坡易发性评价
3
作者 曹琰波 移康军 +5 位作者 梁鑫 荆海宇 孙颢宸 张越轩 刘思缘 范文 《安全与环境工程》 北大核心 2026年第1期69-85,共17页
针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural net... 针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)网络和注意力机制(attention mechanism,ATT)构建CNN-LSTM-ATT深度神经网络开展易发性评价。以陕西省北部黄土高原地区的绥德县义合镇为例,首先,选取高程、坡度、地层岩性等14个孕灾因子建立评价指标体系;其次,引入Matthews相关系数为随机森林(random forest,RF)、逻辑回归(logistic regression,LR)和支持向量机(support vector machine,SVM)3种基模型分配权重,并计算NSI值;然后,基于NSI选取非滑坡样本,并与滑坡样本组成训练数据集;最后,利用CNNLSTM-ATT模型预测滑坡空间概率,通过SHAP值分析揭示各因子的重要程度。结果表明:NSI通过约束采样空间获得了质量更高的非滑坡样本,规避了因过度偏激的负样本所造成的预测误差,模型精度最大提升7%;相较于单一模型,集成多层复杂结构的CNN-LSTM-ATT模型具有更好的分类能力,预测精度达0.925;坡度、高程和距房屋距离是研究区易发性建模的关键因子。研究提出的采样策略和评价模型有助于提高滑坡灾害空间预测的精度。 展开更多
关键词 滑坡灾害 易发性 负样本优化指数(NSI) 卷积神经网络(cnn) 长短时记忆(LSTM)网络 注意力机制(ATT)
在线阅读 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
4
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》 北大核心 2026年第3期1274-1285,I0034,共13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
原文传递
基于CNN-LSTM预测模型的云南黑山羊舍环境监控系统设计
5
作者 于尧 窦芊遇 +2 位作者 余礼根 李奇峰 张俊 《河北农业大学学报》 北大核心 2026年第1期94-102,共9页
本研究利用卷积神经网络(CNN)与长短期记忆网络(LSTM)构建预测模型,对云南黑山羊舍环境进行精准预测,并基于此优化羊舍环境控制系统设计。通过调整通风系统、加热与降温设备以及光照设备的参数和运行策略,实现了对羊舍环境的精准调控。... 本研究利用卷积神经网络(CNN)与长短期记忆网络(LSTM)构建预测模型,对云南黑山羊舍环境进行精准预测,并基于此优化羊舍环境控制系统设计。通过调整通风系统、加热与降温设备以及光照设备的参数和运行策略,实现了对羊舍环境的精准调控。优化后的控制系统能够根据不同的预测结果,自动调整环境参数,以创造更适宜云南黑山羊生长的环境条件。实验结果表明,基于CNN-LSTM预测模型的云南黑山羊舍环境控制优化设计显著提高了羊舍环境的稳定性、舒适性和可控性。这不仅有助于提升云南黑山羊的生长效率、健康状况和生产性能,还有助于减少能源消耗和养殖成本。本研究不仅为云南黑山羊的养殖管理提供了智能化、精准化的环境控制方案,也为其他类似动物养殖环境的优化控制提供了有益的参考和借鉴。 展开更多
关键词 cnn-LSTM预测模型 云南黑山羊 羊舍环境控制 优化设计 精准调控
在线阅读 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
6
作者 张宇 周天宇 +1 位作者 张永康 吴铁洲 《电源学报》 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
在线阅读 下载PDF
GNSS失锁下基于CNN-BiLSTM-Attention模型的机载组合导航算法
7
作者 赵桂玲 汪远 +1 位作者 石茜宇 周彤 《中国惯性技术学报》 北大核心 2026年第1期60-66,72,共8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
在线阅读 下载PDF
物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测研究
8
作者 刘伟 李洋洋 《电力系统保护与控制》 北大核心 2026年第2期58-69,共12页
为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地... 为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地反映组件实际受光强度,接着结合光电转换模型与小型前馈网络扩展数据集的相对功率特征。其次,构建自适应平滑修正线性单元(adaptively smooth rectifier linear unit,ASReLU),通过参数自适应平滑修正优化卷积神经网络(convolutional neural network,CNN)的负特征提取能力。最后,将物理特征扩展的数据集输入ASReLU-CNN-LSTM模型,实现光伏功率的预测。在两个不同气候区数据集上的实验结果表明,该预测方法具有较高的精确性和泛化能力。 展开更多
关键词 短期光伏功率预测 太阳轨迹模型 光电转换模型 自适应平滑修正线性单元 cnn-LSTM模型
在线阅读 下载PDF
基于CNN-LSSVM的滚刀磨损状态监测
9
作者 王华伟 王有富 +2 位作者 刘四进 王小天 刘鹏 《仪表技术与传感器》 北大核心 2026年第1期91-96,共6页
盾构机刀盘上的滚刀在掘进过程中直接切削、挤压破碎岩石,其磨损状态将显著影响隧道掘进施工的效率和安全性。将滚刀磨损分为正常磨损、一侧偏磨、滚刀磨尖、弦偏磨和崩刃5种状态,为了实时对磨损状态进行监测,使用电涡流传感器采集滚刀... 盾构机刀盘上的滚刀在掘进过程中直接切削、挤压破碎岩石,其磨损状态将显著影响隧道掘进施工的效率和安全性。将滚刀磨损分为正常磨损、一侧偏磨、滚刀磨尖、弦偏磨和崩刃5种状态,为了实时对磨损状态进行监测,使用电涡流传感器采集滚刀刀圈的磨损量并传输至上位机,在上位机中使用机器学习算法识别滚刀刀圈磨损状态。在1∶2比例的缩尺实验台上测试验证,结果表明该监测系统能准确检测滚刀刀圈磨损量。CNN-LSSVM识别不同损伤状态的总体准确率为99.4%,单一状态的分类准确率均高于94.3%。使用的CNN-LSSVM混合结构充分利用两者的优势,实现特征提取和分类鲁棒性之间的高效协同,能更好地实现滚刀损伤状态识别。 展开更多
关键词 盾构滚刀 电涡流传感器 硬件采集系统 cnn-LSSVM 损伤状态识别 磨损状态
在线阅读 下载PDF
基于Mask R-CNN的激光雷达测量数据特征点识别
10
作者 幸荔芸 李珊枝 《现代雷达》 北大核心 2026年第1期48-54,共7页
直接使用激光雷达测量数据中提取出关键信息进行特征点识别,无法直接区分点是否属于相同目标,仅提取局部特征点会导致数据特征识别精度下降的问题,文中提出基于卷积神经网络掩膜(Mask R-CNN)的激光雷达测量数据特征点识别,首先选取Point... 直接使用激光雷达测量数据中提取出关键信息进行特征点识别,无法直接区分点是否属于相同目标,仅提取局部特征点会导致数据特征识别精度下降的问题,文中提出基于卷积神经网络掩膜(Mask R-CNN)的激光雷达测量数据特征点识别,首先选取PointNet++作为Mask R-CNN的主干网络提取特征向量,并在主干分支旁构建特征金字塔网络提取多尺度特征,通过区域建议网络生成三维候选框,经由ROI Align输入至分类器网络中,展开目标类别预测、候选框位置回归和二值掩模,输出目标分割结果,然后以分割出的目标点云为基础,采用4D Shepard曲面估计目标点云曲率,得到体积积分不变量并将其单位化处理,最后通过K-means算法聚类体积积分不变量,实现激光雷达测量数据特征点识别。实验结果表明,文中方法能够在激光雷达测量数据中有效地分割出目标,简化率为37.68%,数据特征点识别性能和质量较高,AP、AP_(50)和AP_(75)检测结果均保持在90%以上,具有较好的应用效果。 展开更多
关键词 卷积神经网络掩膜 激光雷达测量数据 特征点识别 体积积分不变量 K-MEANS算法
原文传递
基于CNN的InSAR干涉图质量评价方法
11
作者 查小惠 陈皆红 +1 位作者 高华 齐述华 《大地测量与地球动力学》 北大核心 2026年第3期360-367,共8页
基于卷积神经网络(CNN)提出一种InSAR干涉图质量的自动评价方法,并将该方法应用于Sentinel-1数据实验中,测试集的准确率和召回率分别达到96.5%和98%,自动筛选与人工挑选结果具有很好的一致性。将该方法应用于南昌地区PS-InSAR形变处理,... 基于卷积神经网络(CNN)提出一种InSAR干涉图质量的自动评价方法,并将该方法应用于Sentinel-1数据实验中,测试集的准确率和召回率分别达到96.5%和98%,自动筛选与人工挑选结果具有很好的一致性。将该方法应用于南昌地区PS-InSAR形变处理,结果表明,通过质量评价选择高质量的干涉图开展形变分析,能够显著提高形变时间序列测量精度。 展开更多
关键词 cnn 时序InSAR 干涉图质量 STAMPS PS-INSAR
在线阅读 下载PDF
改进CNN的超强耐热齿轮轴承表面缺陷检测方法
12
作者 苏靖 渠慎明 《机械设计与制造》 北大核心 2026年第2期260-265,共6页
超强耐热齿轮轴承表面因耐热材料特殊性质,使其表面形成随机分布的微小凸起、错综复杂的线条等独特纹理结构,而微小缺陷与复杂纹理特征差异较小,难以准确区分,易误判或掩盖真正缺陷,影响微小差异纹理捕捉及不同类型缺陷分类能力,导致缺... 超强耐热齿轮轴承表面因耐热材料特殊性质,使其表面形成随机分布的微小凸起、错综复杂的线条等独特纹理结构,而微小缺陷与复杂纹理特征差异较小,难以准确区分,易误判或掩盖真正缺陷,影响微小差异纹理捕捉及不同类型缺陷分类能力,导致缺陷检测准确性差。为此,提出改进CNN的超强耐热齿轮轴承表面缺陷检测方法。通过基于像素的马尔夫随机场算法获取像素特征及似然函数;利用随机区域合并算法提取轴承表面区域特征及似然函数;使用最大梯度算法捕获轴承表面图像边缘特征及似然函数;融合全部似然函数区分复杂纹理和真正缺陷特征,引入能量最小准则分割缺陷区域。最后,改进CNN分类器,利用AdaBoost构建AdaBoost-SVM级联分类器,识别各类缺陷。将分割后的缺陷区域输入训练后的级联强分类器,完成超强耐热齿轮轴承表面缺陷检测。实验结果表明,该方法可显著提升轴承表面缺陷检测结果的准确性。 展开更多
关键词 改进cnn 超强耐热齿轮 轴承表面 缺陷检测
在线阅读 下载PDF
面向机械臂的改进型CNN-LSTM外力矩预测算法
13
作者 卿志强 曾福川 +3 位作者 胡晓兵 张雪健 王传龙 高灵强 《组合机床与自动化加工技术》 北大核心 2026年第2期62-67,共6页
提出了一种基于数据驱动的机械臂外力矩估计方法,旨在解决传统基于物理模型方法在复杂环境中适应性差的问题。所提出的模型采用融合卷积注意力机制的CALSTM网络结构,利用CNN提取机械臂运动数据中的局部空间特征,结合LSTM捕捉时间序列依... 提出了一种基于数据驱动的机械臂外力矩估计方法,旨在解决传统基于物理模型方法在复杂环境中适应性差的问题。所提出的模型采用融合卷积注意力机制的CALSTM网络结构,利用CNN提取机械臂运动数据中的局部空间特征,结合LSTM捕捉时间序列依赖性,并通过卷积注意力模块提升特征提取能力。实验表明,该方法能够有效估计七关节机械臂的外力矩,与传统模型相比在估计精度和稳定性上均有显著提升,为复杂非线性系统的外部力矩估计提供了新的解决方案。 展开更多
关键词 外力矩估计 数据驱动 cnn+LSTM 卷积注意力模块
在线阅读 下载PDF
融合注意力增强CNN与Transformer的电网关键节点识别
14
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》 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
在线阅读 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
15
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》 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)
在线阅读 下载PDF
一种用于医学图像分类的CNN与Mamba的融合模型
16
作者 袁伟镇 冯跃 梁淑芬 《计算机与现代化》 2026年第1期60-67,共8页
自深度学习时代以来,卷积神经网络(Convolution Neural Networks,CNN)和视觉Transformer(Vision Transformers,ViTs)已广泛用于医学图像分类任务。然而,CNN在建模长程依赖性方面存在局限,导致分类性能受限;与此同时,ViTs由于自注意力机... 自深度学习时代以来,卷积神经网络(Convolution Neural Networks,CNN)和视觉Transformer(Vision Transformers,ViTs)已广泛用于医学图像分类任务。然而,CNN在建模长程依赖性方面存在局限,导致分类性能受限;与此同时,ViTs由于自注意力机制的二次计算复杂度,在实际部署中受到计算资源的限制。近期研究表明,Mamba能够以线性复杂度有效建模长程依赖性,为高效建模提供了新思路。受此启发,本文提出一种新型的融合CNN与Mamba的医学图像分类模型CMamba。CMamba采用双分支架构CNN_Mamba,通过结合CNN与Mamba模块,分别提取局部特征和全局依赖。为增强分支间的特征交互,模型引入分支残差机制,并分别在CNN分支和Mamba分支中引入空间注意力和通道注意力机制作为特征融合模块CS_HFF,结合来自不同分支的特征,进一步增强模型的表示能力。实验结果表明,CMamba在2个医学图像数据集上均展现出优异的分类准确性和计算效率,表明其在医学图像分类任务中的竞争力和应用潜力。 展开更多
关键词 医学图像分类 深度学习 cnn Mamba
在线阅读 下载PDF
融合注意力机制的CNN-Mamba的医学图像分割方法
17
作者 马瀚词 陈辉 《宁夏师范大学学报》 2026年第1期91-102,共12页
针对磁共振图像中存在病变器官组织复杂多变和提取不完全的问题,提出一种基于Mamba和卷积神经网络的医学图像分割方法.首先,使用卷积神经网络模块以构建多级局部特征之间的相关性;其次,使用Mamba构建主干网络,增强远程建模能力,有效捕... 针对磁共振图像中存在病变器官组织复杂多变和提取不完全的问题,提出一种基于Mamba和卷积神经网络的医学图像分割方法.首先,使用卷积神经网络模块以构建多级局部特征之间的相关性;其次,使用Mamba构建主干网络,增强远程建模能力,有效捕获图像中的全局上下文信息;最后,提出基于通道注意力引导的自适应特征融合模块,在抑制背景噪声干扰的同时实现相邻层次特征之间的有效融合.在Synapse数据集上进行实验验证,该算法mIoU和mDice分别达到72.64%、83.35%.优于与之对比的其他分割方法,能够实现更精准的医学图像分割,从而辅助医生准确判断病变情况. 展开更多
关键词 医学图像分割 cnn Mamba 注意力机制
在线阅读 下载PDF
SBAS-InSAR与CNN-LSTM融合的石墨尾矿坝形变时空耦合分析与动态预警模型
18
作者 王跃 李如仁 毕升 《地震工程学报》 北大核心 2026年第2期285-296,共12页
石墨尾矿坝作为高势能堆积体,因石墨尾矿选矿工艺,使颗粒呈双峰结构分布,导致其内部受力情况及失稳机理复杂,滑坡风险高且难以预测。因此,通过短基线集干涉测量(SBAS-InSAR)技术反演石墨尾矿坝表面的时序形变特征,并结合监测数据构建卷... 石墨尾矿坝作为高势能堆积体,因石墨尾矿选矿工艺,使颗粒呈双峰结构分布,导致其内部受力情况及失稳机理复杂,滑坡风险高且难以预测。因此,通过短基线集干涉测量(SBAS-InSAR)技术反演石墨尾矿坝表面的时序形变特征,并结合监测数据构建卷积长短期记忆网络(CNN-LSTM)模型,以预测其形变趋势。首先,利用SBAS-InSAR技术处理2019年12月—2021年12月的60景SAR影像,获取研究区累计形变量和年均形变速率,通过对比现场GNSS同名监测点数据,并结合误差评价指标分析,验证InSAR监测精度;然后,分析降雨量与沉降量的关联特性,得出沉降量与降雨量呈周期性变化特征,揭示尾矿坝形变的内在机理;最后,构建CNN-LSTM模型,引入长短期记忆(LSTM)模型和双向循环神经网络(BiGRU)模型,通过误差指标及损失函数对训练及预测结果进行评价。结果表明:(1)尾矿坝顶部表现为沉降,坡顶点b沉降量为189.74 mm,由顶部外扩展,沉降量呈减小趋势,直至坡脚变为抬升,坡脚处点a、f抬升量分别为13.8 mm、26.8 mm;(2)SBAS-InSAR技术与全球导航卫星系统(GNSS)监测结果最大绝对误差4.67 mm,误差分布均匀,SBAS-InSAR技术对石墨尾矿形变监测满足精度要求;(3)降雨为尾矿坝形变主要影响因素,随石墨尾矿内含水量变化,形变呈周期波动特性;(4)对三种预测模型比较分析,可知CNN-LSTM模型损失函数训练集和测试集的曲线拟合度高,表明训练效果好,揭示了该模型预测石墨尾矿形变结果较优,6个特征点位预测误差指标显示,最大均方根误差小于2.06 mm,平均绝对误差小于1.60 mm,决定系数最大值0.89。因此,文章可为北方地区石墨尾矿灾害监测及预警提供技术支撑。 展开更多
关键词 Sentinel-1A SBAS-InSAR 石墨尾矿库 形变智能识别 cnn-LSTM
在线阅读 下载PDF
基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型
19
作者 窦真兰 吴松梅 +2 位作者 郭慧 张春雁 汪飞 《太阳能学报》 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
原文传递
基于CNN-BiLSTM的猪咳嗽声识别方法
20
作者 付小朋 周昕 +6 位作者 王星博 徐杏 吴越 谢荣辉 单颖 叶春林 周卫东 《河南农业科学》 北大核心 2026年第2期144-155,共12页
呼吸道疾病是规模猪场常见高发疫病之一,及时准确发现猪呼吸道疾病典型临床症状如咳嗽声对于实现早期预警、预防至关重要。以怀孕中期母猪咳嗽、尖叫、打呼噜声音为研究对象,提出了基于卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)融... 呼吸道疾病是规模猪场常见高发疫病之一,及时准确发现猪呼吸道疾病典型临床症状如咳嗽声对于实现早期预警、预防至关重要。以怀孕中期母猪咳嗽、尖叫、打呼噜声音为研究对象,提出了基于卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)融合的猪咳嗽声识别模型,通过四阶巴特沃斯带通滤波器降噪、一阶高通滤波器预加重、短时能量端点检测等方法预处理猪声数据,采用分帧、加窗、快速傅里叶变换等方法提取预处理后声音数据的梅尔频率倒谱系数(MFCC)特征参数,并对模型识别性能进行评价。结果表明,采用四阶巴特沃斯带通滤波器降噪处理可明显降低猪咳嗽声、尖叫声和打呼噜声的背景噪音,且波形无失真,猪声信号的主要能量保留完整;一阶高通滤波器预加重可明显增强高频区域能量,减弱低频区域能量,缩小区域范围;端点检测可快速标出猪声的有效语音段,减少无关信息对识别模型的干扰;通过提取预处理声音数据的MFCC特征参数可较好地反映猪声的声学特性,将MFCC系数作为特征输入用于模型的识别。融合卷积神经网络与双向长短期记忆网络的深度神经网络(CNN-BiLSTM)模型具有良好的收敛性,混淆矩阵显示,猪咳嗽声、尖叫声和打呼噜声正确识别率分别为83.67%、85.19%和81.58%,说明模型具有良好的泛化能力;五折交叉验证显示,平均准确率为84.03%(82.79%~85.31%);CNN-BiLSTM模型在测试集上的准确率为83.93%,优于Transformer、CNN、LSTM和BiLSTM模型。由此,所提出的CNN-BiLSTM模型在识别猪咳嗽声上具有良好的性能,能够为猪只呼吸道疾病早期检测提供新的方法。 展开更多
关键词 猪咳嗽声 cnn-BiLSTM识别模型 特征参数 混淆矩阵 五折交叉验证
在线阅读 下载PDF
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 2 … 250 下一页 到第 页
使用帮助 返回顶部