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10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：
改进黑翅鸢算法的1D-2D-GAF-PCNN-GRU-MSA弓网电弧检测应用 被引量：2
1
作者 李斌 舒嘉辉 +1 位作者 严灵潇 田浩 《电子测量与仪器学报》 CSCD 北大核心 2024年第10期201-211,共11页
针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PC... 针对高速列车运行时高速气流场对受电弓碳滑板与接触网之间的接触压力和电弧状态影响。通过计算得出更符合实际状态下的接触压力和电弧状态模型,建立了考虑高速气流场影响的弓网电弧实验模型。提出了改进黑翅鸢算法(IBKA)的1D-2D-GAF-PCNN-GRU-MSA故障检测模型。应用格拉姆角场(GAF)将一维接触电压信号时序图象化转换为二维图像并通过双通道卷积神经网络(PCNN)进行特征识别。另将一维时序信号通过门控循环单元(GRU)捕捉时序信号特征。将一维时序信号特征与二维图像特征进行特征融合,弥补各自局限性。针对模型中的难以确定的学习率、门控循环单元网络层神经元个数等参数,融入改进黑翅鸢算法(IBKA)对参数寻优使模型更加合理。最后,融合多头自注意力机制提高模型准确率。将提出的模型与其他3种模型分别对3组不同实验条件的弓网电弧模型进行检测,验证提出的模型具有较强的鲁棒性和较高的准确性。 展开更多
关键词 高速气流场 改进黑翅鸢算法 特征融合 格拉姆角场 故障检测
原文传递
一种GAF-CNN行星齿轮箱故障诊断方法 被引量：32
2
作者 庞新宇 仝钰 魏子涵 《北京理工大学学报》 EI CAS CSCD 北大核心 2020年第11期1161-1167,共7页
为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后... 为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法. 展开更多
关键词 行星齿轮箱 故障诊断 图像编码 格拉姆角场 卷积神经网络
在线阅读 下载PDF
基于EfficientNetV2-多注意力机制的脉象识别
3
作者 林冬梅 王鑫瑜 +2 位作者 杨玉荷 陈扶明 丑永新 《计算机技术与发展》 2025年第10期173-180,共8页
脉象信号识别分析中,时域、频域以及时频域等方法难以将脉象信号的非线性特征进行深度提取,并且会造成运算缺失和数据丢失,无法进行特征的自学习。针对以上问题,该文提出了一种基于EfficientNetV2-多注意力机制的脉象信号识别分析方法... 脉象信号识别分析中,时域、频域以及时频域等方法难以将脉象信号的非线性特征进行深度提取,并且会造成运算缺失和数据丢失,无法进行特征的自学习。针对以上问题,该文提出了一种基于EfficientNetV2-多注意力机制的脉象信号识别分析方法。相较以往使用特征进行脉象识别的方法,二维图像的脉象识别完整保留了脉象信号的特征信息,提高了识别的准确率。该文利用桡动脉模拟平台和双目视觉脉搏采集系统,模拟和采集脉象信号。将采集到的薄膜图像经过一系列处理后得到5种脉象的多维脉搏波,将16维20周期的数据进行周期划分,扩增一维数据集,使用格拉姆角场(GAF)将一维脉象序列转换为二维图像,最后通过EfficientNetV2-多注意力机制网络模型进行脉象信号的识别。实验结果表明,该方法进行脉象识别的平均准确率可达到98.4%,其中促脉和浮脉的识别准确率可达100%,且相较于其他卷积神经网络,该模型有较高的准确率、较短的训练时间和较小的网络参数量。 展开更多
关键词 脉象信号识别 格拉姆角场(gaf) 二维图像 EfficientNetV2 多注意力机制
在线阅读 下载PDF
自适应VMD与多头注意力PCNN融合的小电流接地故障选线方法
4
作者 韩冠行 韩如月 +1 位作者 贾雅君 江俊杰 《电子测量技术》 北大核心 2025年第21期77-86,共10页
传统小电流接地系统单相接地故障选线方法,通常采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。基于上述问题,本研究提出了一种基于优化VMD及双通道PCNN-MATT的配网小电流接地系统单相接地故障选线方法:采用霜冰算法对... 传统小电流接地系统单相接地故障选线方法,通常采用基于一维信号的选线模型,存在选线准确率低、抗噪性弱等问题。基于上述问题,本研究提出了一种基于优化VMD及双通道PCNN-MATT的配网小电流接地系统单相接地故障选线方法:采用霜冰算法对VMD的分解层数与惩罚因子进行寻优,利用模糊熵算法选取模糊熵值最小的IMFs分量作为降噪输出信号;运用格拉姆角场算法将降噪后的信号变换为二维空间域图像,构建故障数据库;将GASF、GADF图像作为双通道神经网络的输入,用PCNN-MATT提取和学习图像所蕴含的故障特征,并进行故障线路的选取。为验证所提方法的有效性,本研究使用MATLAB/Simulink和配网RTLAB闭环仿真平台,在加入噪声的前提下,将所提模型与3种选线模型相比较。实验结果表明本研究算法准确率高达99.4%,在不同噪声条件下能够维持95%以上的准确率,优于其它3种选线模型,克服了传统故障选线方法准确率低、抗噪性差的问题。 展开更多
关键词 小电流接地系统 故障选线 霜冰算法 变分模态分解 格拉姆角场 PCNN卷积神经网络
原文传递
基于多标签迁移学习的屏蔽泵复合故障诊断
5
作者 贾小权 唐樟春 +1 位作者 廖龙伟 刘玉峰 《机电设备》 2025年第6期70-78,92,共10页
针对屏蔽泵复合故障诊断中存在的多故障并发特性显著和故障样本稀缺导致的小样本数据问题以及传统数据增强技术存在的多样性扩展不足、噪声干扰和关键信息损失等缺陷问题,提出新型解决方案以实现小样本条件下的精准复合故障诊断。创新... 针对屏蔽泵复合故障诊断中存在的多故障并发特性显著和故障样本稀缺导致的小样本数据问题以及传统数据增强技术存在的多样性扩展不足、噪声干扰和关键信息损失等缺陷问题,提出新型解决方案以实现小样本条件下的精准复合故障诊断。创新性地构建基于多标签迁移学习(MLTL)的复合故障诊断框架,采用格拉姆角场(GAF)编码技术将一维振动信号转换为具有时空特征的二维彩色图像,实现故障特征的跨维度表达;通过多标签标记策略建立复合故障与单故障的关联映射,继而将处理后的多标签图像输入经迁移学习优化的GoogL eNet网络模型,利用其深层特征提取能力进行复合故障识别。数值试验表明,MLTL模型在小样本下实现91.46%复合故障诊断准确率,跨工况稳定性及诊断效率提升,解决了传统数据增强的多样性缺失问题。 展开更多
关键词 复合故障诊断 小样本数据 迁移学习 格拉姆角场(gaf) GoogLeNet模型
在线阅读 下载PDF
基于ResNeXt网络和迁移学习的非侵入式负荷监测 被引量：16
6
作者 鲍光海 黄逸欣 《电力系统自动化》 EI CSCD 北大核心 2023年第13期110-120,共11页
为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和... 为了加快节能减排的建设和加强需求侧的用电管理,非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点,但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此,提出基于ResNeXt网络和迁移学习的非侵入式负荷监测,采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入,放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入,减少数据输入维度并加入了时间特性,再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息,利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域,加快网络的收敛速度,提高负荷分类的识别准确率和网络的泛化性。最后,利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。 展开更多
关键词 非侵入式负荷监测 图像编码 格拉姆角场算法 迁移学习 残差神经网络
在线阅读 下载PDF
基于格拉姆角场和多尺度残差神经网络的地震事件分类方法 被引量：3
7
作者 刘蔚 黄永明 +2 位作者 卢永 刘高川 章国宝 《地震学报》 CSCD 北大核心 2024年第1期69-80,共12页
以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行... 以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。 展开更多
关键词 地震分类 格拉姆角场(gaf) 深度学习 多尺度残差网络
在线阅读 下载PDF
基于长-短时序特征融合的资源负载预测模型 被引量：11
8
作者 王艺霏 于雷 +2 位作者 滕飞 宋佳玉 袁玥 《计算机应用》 CSCD 北大核心 2022年第5期1508-1515,共8页
高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源... 高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场(GAF)将时间序列转变为图像格式数据,以便利用卷积神经网络(CNN)来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆(LSTM)网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差(MAE)为3.823,均方根误差(RMSE)为5.274,拟合度(R^(2))为0.8158,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。 展开更多
关键词 资源负载预测 卷积神经网络 长短期记忆网络 格拉姆角场 双通道 时间序列预测
在线阅读 下载PDF
基于卷积神经网络的电网电缆局部放电自动化诊断系统 被引量：2
9
作者 岳国荣 《自动化与仪表》 2024年第8期66-69,共4页
针对当前电缆局部放电诊断过程中利用信号难以匹配特定放电故障等问题,设计基于卷积神经网络的电网电缆局部放电自动化诊断系统。采集电网电缆局部放电信号,将信号转换为二维图像,将放电信号二维图像作为卷积神经网络的训练样本,训练卷... 针对当前电缆局部放电诊断过程中利用信号难以匹配特定放电故障等问题,设计基于卷积神经网络的电网电缆局部放电自动化诊断系统。采集电网电缆局部放电信号,将信号转换为二维图像,将放电信号二维图像作为卷积神经网络的训练样本,训练卷积神经网络;将采集测试样本,基于训练好的卷积神经网络实现电网电缆局部放电自动化诊断。实验结果显示,该系统在卷积核数量为100的条件下,基于GAF时间序列转换图像特征可获取较为满意的诊断结果,降低研究对象局部放电故障时间,提升研究对象运行稳定性。 展开更多
关键词 卷积神经网络 电网电缆 局部放电 自动化诊断 格拉姆角场 脉冲电压信号
在线阅读 下载PDF
基于GADF和HWP-CBAM-ResNet的弧齿锥齿轮箱故障诊断 被引量：1
10
作者 王翰伟 许昕 +1 位作者 潘宏侠 荀小伟 《电子测量技术》 北大核心 2024年第21期100-110,共11页
针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制... 针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题,以及传统鲸鱼优化算法(WOA)收敛速度较慢且全局搜索能力较差的问题,本文提出了一种基于格拉姆角差场(GADF)和混合鲸鱼粒子群优化算法的CBAM注意力机制残差网络的智能故障诊断方法。首先,对采集到的一维振动信号进行重叠采样以获得足够的信号样本,然后通过格拉姆角差场编码技术将一维数据转换为二维图像数据,构建不同故障下的二维图像数据集,并通过人为添加噪声的方式以扩大样本数量并验证噪声对诊断方法的影响;然后,在传统ResNet网络中加入CBAM注意力机制模块以增强有用特征、抑制无关特征,从而提升模型的表示能力,将图像数据集输入到混合鲸鱼粒子群优化算法优化的CBAM-ResNet模型中进行训练;最后,使用训练好的CBAM-ResNet模型对弧齿锥齿轮箱故障数据集进行分类,输出诊断结果。实验结果表明,该方法在不进行人为降噪的情况下确识别弧齿锥齿轮箱故障准确率达到100%,且在复杂噪声背景下依然可以达到95.38%,相较其他方法具有更高的准确率、更快的网络收敛速度和更好的鲁棒性。 展开更多
关键词 弧齿锥齿轮 格拉姆角场 鲸鱼优化算法 注意力机制 残差网络
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