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3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：
基于北斗监测数据的高陡边坡变形Transformer-CNN预测模型
1
作者 伊廷婧汶 黄才生 +4 位作者 覃勇 宋治江 贺小含 桂镜骑 王楷 《重庆大学学报》 北大核心 2025年第10期81-94,共14页
在大型工程的建设过程中常常会出现高陡边坡,其变形往往会导致坍塌、滑坡等地质灾害,给人们的生命财产安全带来危害,高效采集位移数据并建立合适的预测模型对高陡边坡的变形进行准确预测对保障工程的顺利实施和人民的生命财产安全至关... 在大型工程的建设过程中常常会出现高陡边坡,其变形往往会导致坍塌、滑坡等地质灾害,给人们的生命财产安全带来危害,高效采集位移数据并建立合适的预测模型对高陡边坡的变形进行准确预测对保障工程的顺利实施和人民的生命财产安全至关重要。研究通过在Transformer模型中融合CNN(convolutional neural networks)卷积层和residual残差结构的方法构建Transformer-CNN混合模型,结合重庆某大型水利工程的项目背景,使用北斗卫星监测系统的采样数据集,通过对结果分析,发现Transformer-CNN模型的MAE(mean absolute error)、MSE(mean square error)、RMSE(root mean square error)的值较单一模型相比有所降低,且预测曲线和真实曲线的拟合程度较好,证明Transformer-CNN模型在提高预测精度上的有效性,为其他工程实施过程中对高陡边坡变形的预测分析提供可行性方案。 展开更多
关键词 transformer-cnn 北斗数据集 时间序列 位移预测 高陡边坡变形
在线阅读 下载PDF
面向真实战场环境的Transformer-CNN多特征聚合图像去雾算法 被引量：3
2
作者 王永振 童鸣 +1 位作者 燕雪峰 魏明强 《兵工学报》 EI CAS CSCD 北大核心 2024年第4期1070-1081,共12页
军事智能系统的发展对现代战争的作战方式和制胜机理产生重大影响,然而这些系统容易受到雾霾等天气的影响导致获取的图像出现模糊、退化等问题,给后续识别、追踪等作战任务带来挑战,因此对战场含雾图像进行复原非常重要。鉴于获取同一... 军事智能系统的发展对现代战争的作战方式和制胜机理产生重大影响,然而这些系统容易受到雾霾等天气的影响导致获取的图像出现模糊、退化等问题,给后续识别、追踪等作战任务带来挑战,因此对战场含雾图像进行复原非常重要。鉴于获取同一场景下的含雾、清晰图像对难度极大,现有网络大都采用合成数据进行训练;但真实雾图和合成雾图之间的间隙,会导致在合成数据下训练的模型在真实场景中泛化性差。为此,提出一种面向真实战场环境的自注意力模型-卷积神经网络(Transformer-Convolutional Neural Network,Transformer-CNN)多特征聚合图像去雾算法。采用半监督框架,利用合成和真实战场含雾图像训练网络,使模型能够更好地应对真实含雾场景。采用双分支特征聚合架构,将CNN分支提取的局部特征和Transformer分支学习的全局特征进行聚合,以进一步提高模型去雾能力。为模拟真实战场含雾场景,构建了一套含雾战场图像数据集。实验结果表明,与8种最先进的图像去雾算法相比,所提算法在合成数据和真实图像上均表现良好。 展开更多
关键词 军事智能 图像去雾 半监督网络 transformer-cnn 特征聚合
在线阅读 下载PDF
基于MFMD和Transformer-CNN的滚动轴承故障诊断方法 被引量：15
3
作者 刘俊锋 俞翔 +1 位作者 万海波 刘潇 《航空动力学报》 EI CAS CSCD 北大核心 2023年第6期1446-1456,共11页
针对滚动轴承在变工况和跨型号下故障诊断效果不佳、泛化能力较差,同时在实际训练中样本数量严重不足的问题,从振动信号序列特性出发,提出了一种基于改进傅里叶模态分解(MFMD)和Transformer convolutional neural network(Transformer-C... 针对滚动轴承在变工况和跨型号下故障诊断效果不佳、泛化能力较差,同时在实际训练中样本数量严重不足的问题,从振动信号序列特性出发,提出了一种基于改进傅里叶模态分解(MFMD)和Transformer convolutional neural network(Transformer-CNN)的故障诊断方法。设计了振动数据预处理模块,利用MFMD和位置编码对数据样本进行预处理并标记序列位置关系,随后设计了基于注意力机制的Transformer-CNN序列建模单元,利用最大值池化优化了缩放点积注意力机制的循环堆叠结构,减少了网络的待训练参数并提升了网络序列建模能力。采用预训练-微调的迁移学习方法,将预训练模型参数迁移至目标域并进行模型微调,可以避免数据不足导致的过拟合现象。实验结果表明:相较于基准算法,Transformer-CNN可以降低50%以上的故障诊断错误率。在变工况和跨型号的小样本迁移学习实验中,该算法可以提升8.75%的诊断准确率,同时可以提升收敛速度。 展开更多
关键词 滚动轴承 故障诊断 transformer-cnn 小样本 迁移学习
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