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4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：
基于MCB-Mamba-FECA的水产养殖溶解氧长期预测模型
1
作者 刘同来 陈子昂 +3 位作者 崔猛 庞惠元 刘双印 徐龙琴 《农业工程学报》 北大核心 2025年第15期183-191,共9页
为了提高大规模水产养殖的效率、降低养殖风险,并为养殖人员提供充足的反应时间以应对溶解氧(dissolved oxygen,DO)浓度的异常变化,该研究基于混合卷积块(mixed convolution block,MCB)改进的Mamba模型和频率增强通道注意力机制(frequen... 为了提高大规模水产养殖的效率、降低养殖风险,并为养殖人员提供充足的反应时间以应对溶解氧(dissolved oxygen,DO)浓度的异常变化,该研究基于混合卷积块(mixed convolution block,MCB)改进的Mamba模型和频率增强通道注意力机制(frequency enhanced channel attention,FECA),提出了一种高精度的水产养殖DO长期预测模型MCB-Mamba-FECA(MMFA)。首先,创新性引入了MCB以增强Mamba模型对短期复杂时序模式的捕获能力,实现对水质数据长短期依赖关系的均衡建模。此外,设计了FECA以提取水质数据中的频域特征,通过自适应权重调整强化关键频率信息的表达,从而更好地捕捉水质数据中显著的周期性与高频扰动。最后,在广州南沙某养殖厂对该模型进行了试验验证。结果表明,该研究提出的MMFA模型在DO单步预测中能够与大多数DO预测模型的性能齐平,而在更具挑战性的长期预测任务中则表现更加出色。在120 min(24步)的预测任务中相比次优模型平均绝对百分比误差、均方根误差和平均绝对误差分别降低了26.37%、14.29%和26.48%,为水产养殖的智能化管控提供了可靠的技术支撑。 展开更多
关键词 水产养殖 溶解氧预测 长期预测 mamba 混合卷积块 频域
在线阅读 下载PDF
基于Mamba的无监督汽车衡异常行为识别系统
2
作者 闫洪枚 王春军 《信息与电脑》 2025年第15期7-9,共3页
针对传统汽车衡异常检测依赖标注数据且全局特征不足的问题,文章提出了基于Mamba模块的无监督识别系统。该系统以生物医学图像分割的卷积网络U-Net为骨干构建编码器解码器网络,融合卷积模块、Mamba模块和全局时空注意力机制,通过正常数... 针对传统汽车衡异常检测依赖标注数据且全局特征不足的问题,文章提出了基于Mamba模块的无监督识别系统。该系统以生物医学图像分割的卷积网络U-Net为骨干构建编码器解码器网络,融合卷积模块、Mamba模块和全局时空注意力机制,通过正常数据训练重建网络以学习特征分布,并利用重建误差实现异常定位。实验表明,该方案在复杂动态场景下具有高精度、强鲁棒性和实时性,适用于工业安全监控。 展开更多
关键词 汽车衡异常检测 无监督学习 mamba模块 全局时空注意力 U-Net
在线阅读 下载PDF
基于CMF-YOLO模型的输电线路杆塔鸟类目标检测
3
作者 李佳明 高伟 《电工电气》 2026年第3期48-54,共7页
为解决输电线路杆塔鸟类目标检测易受环境变化影响及鸟类目标细节特征易丢失的问题,提出一种基于可见光和红外图像融合的目标检测模型CMF-YOLO。该模型将YOLOv11设计为双分支结构,为增强不同模态特征的融合,利用Mamba的全局建模能力设... 为解决输电线路杆塔鸟类目标检测易受环境变化影响及鸟类目标细节特征易丢失的问题,提出一种基于可见光和红外图像融合的目标检测模型CMF-YOLO。该模型将YOLOv11设计为双分支结构,为增强不同模态特征的融合,利用Mamba的全局建模能力设计了一个轻量化的Mamba融合模块(MFB);同时设计了一个特征增强模块(FEB),有效解决深层网络中鸟类细节特征易丢失的问题。此外,利用数据采集装置,构建了包含11109帧图像的输电线路鸟类双光谱数据集进行实验。实验结果表明,CMFYOLO模型对鸟类的平均检测精度和召回率分别达到84.3%和83.0%,优于多种现有的先进模型,表现出良好的鲁棒性。将其部署到香橙派5Pro上,检测速度达到13.72帧/s,能够满足杆塔端全天候实时检测的需求。 展开更多
关键词 鸟类目标检测 特征融合 mamba融合模块 特征增强
在线阅读 下载PDF
金字塔—光谱—注意力曼巴网络的高光谱图像解混
4
作者 胡辑伟 谭扬洋 靳淇文 《遥感学报》 北大核心 2026年第1期213-230,共18页
线性解混模型因其高效性(计算简单、可扩展性)、明确的物理意义和易于处理受到广泛关注。在各种线性解混方法中,自编码器解混技术在数据拟合能力和深度特征提取能力方面展现出了显著的优势。然而,这种方法也存在一些局限性。例如,输入... 线性解混模型因其高效性(计算简单、可扩展性)、明确的物理意义和易于处理受到广泛关注。在各种线性解混方法中,自编码器解混技术在数据拟合能力和深度特征提取能力方面展现出了显著的优势。然而,这种方法也存在一些局限性。例如,输入数据因含有噪声使得模型在处理过程中的泛化能力下降;面对多尺度特征时候往往有一些冗余问题;为了在保持长距离依赖的同时确保计算复杂度为线性,还需要深入理解空间和光谱的特性。为此,本文提出了一种自注意力模块来对高光谱图像进行去噪处理,并提出了一种新的基于Mamba模型的高光谱图像模型。首先设计了一个空间Mamba块用于提取空间特征;然后在光谱方面,提出了一种光谱Mamba块;最后,将光谱向量分成多个组,挖掘不同光谱组之间的关系,并提取光谱特征。将这3种模块融合进多阶段卷积自编码器网络,形成了多阶段曼巴注意力解混框架PSAMN(Phase-wise Mamba Attention Unmixing Framework)。将本文提出的PSAMN模型在合成高光谱数据集和真实高光谱数据集上进行比较实验。实验结果表明把本文提出的解混模型比现有的算法更具有有效性和竞争力。 展开更多
关键词 高光谱解混 深度学习 mamba模型 自注意力模块 曼巴块
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