引入全局感知与细节增强的非对称遥感建筑物分割网络

1

作者 徐胜军 刘雨芮 +3 位作者 刘二虎 刘俊 史亚 李小晗 《中国图象图形学报》 北大核心 2025年第8期2866-2883,共18页

目的针对遥感图像分割的区域连续性差、边界消失和尺度变化大等导致建筑物分割精度低的问题,提出一种基于全局感知与细节增强的非对称遥感建筑物分割网络(global perception and detail enhancement asymmetric-UNet,GPDEA-UNet)。方法... 目的针对遥感图像分割的区域连续性差、边界消失和尺度变化大等导致建筑物分割精度低的问题,提出一种基于全局感知与细节增强的非对称遥感建筑物分割网络(global perception and detail enhancement asymmetric-UNet,GPDEA-UNet)。方法在U-Net网络基础上,首先构建了一个基于选择性状态空间的特征编码器模块,以视觉状态空间(visual state space,VSS)作为基础单元,结合动态卷积分解(dynamic convolution decomposition,DCD)捕捉遥感图像中的复杂特征和上下文信息;其次通过引入多尺度双交叉融合注意力模块(multi-scale dual cross-attention,MDCA)解决多尺度编码器特征间的通道与空间依赖性问题,并缩小编解码器特征之间的语义差距;最后设计了一个细节增强解码器模块,使用DCD与级联上采样(cascade upsampling,CU)模块恢复更丰富的语义信息,保留特征细节与语义完整,最终确保分割结果的精确性与细腻度。结果实验在WHU Aerial Imagery Dataset和Massachusetts Building Dataset数据集上与多种方法进行了比较,实验结果表明,所提出的GPDEA-UNet的交并比、精确度、召回率和F1分数在WHU Aerial Imagery Dataset数据集上分别为91.60%、95.36%、95.89%和95.62%,在Massachusetts Building Dataset数据集上分别为72.51%、79.44%、86.81%和82.53%。结论所提出的基于全局感知与细节增强的非对称遥感建筑物分割网络,可以有效提高遥感影像建筑物的分割精度。 展开更多

关键词 遥感图像 建筑物分割 视觉状态空间 动态卷积分解(dcd) 交叉注意力 细节增强

原文传递

经EMD处理的DACNN-BiGRU-Attention模型滚动轴承剩余寿命预测 被引量：2

2

作者 宁少慧 戎有志 董振才 《轻工机械》 2025年第1期63-71,共9页

针对深度学习单一模型对滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测精确度不高、轴承退化数据复杂和数据维度低且计算量大的问题,课题组提出了一种基于DACNN-BiGRU-Attention模型的新方法,用于预测滚动轴承的剩余寿命。首先... 针对深度学习单一模型对滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测精确度不高、轴承退化数据复杂和数据维度低且计算量大的问题,课题组提出了一种基于DACNN-BiGRU-Attention模型的新方法,用于预测滚动轴承的剩余寿命。首先,采用经验模态分解(Empirical Mode Decomposition,EMD)技术提取轴承振动信号的特征分量,组成新的高维度数据作为动态激活卷积神经网络(Dynamically Activating Convolutional Neural Networks,DACNN)的输入;其次,在卷积神经网络(Convolutional Neural Networks,CNN)中使用了动态激活函数(Dynamic ReLU),实现了对不同通道的自适应激活,从而降低了计算量;最后,在模型中引入了多头注意力(Multi-Head Attention,MHA)机制,有效地提取了数据信息。使用经EMD处理的DACNN-BiGRU-Attention模型在PHM2012轴承数据集上进行的验证结果显示预测精度有所提升,与CNN-BiGRU-Attention模型、CNN-BiGRU模型和未经处理的DACNN-BiGRU-Attention模型3种模型对比分析表明该模型在预测方面表现出色,有较好的预测精度。 展开更多

关键词 轴承 剩余使用寿命预测 经验模态分解 动态激活卷积神经网络 多头注意力

在线阅读 下载PDF 职称材料

基于WPD-CNN的补偿电容故障诊断方法研究 被引量：2

3

作者 罗泽霖 孟景辉 +3 位作者 刘金朝 罗依梦 许庆阳 解婉茹 《铁道标准设计》 北大核心 2025年第1期191-197,共7页

为进一步挖掘动态检测数据中蕴含的补偿电容状态特征,针对ZPW-2000A型轨道电路,结合小波包分解与卷积神经网络,提出一种基于WPD-CNN的补偿电容故障诊断方法。采用功率谱分析的方法,找出检测曲线中趋势项特征与补偿电容特征所在频带范围... 为进一步挖掘动态检测数据中蕴含的补偿电容状态特征,针对ZPW-2000A型轨道电路,结合小波包分解与卷积神经网络,提出一种基于WPD-CNN的补偿电容故障诊断方法。采用功率谱分析的方法,找出检测曲线中趋势项特征与补偿电容特征所在频带范围,然后利用小波包分解方法对原始信号进行分解,提取其中特征频带内的小波包系数构造补偿电容特征矩阵。使用动态检测数据构造训练集与测试集,将不同故障类型的特征矩阵输入卷积神经网络进行训练学习,并在测试集上进行验证。实验结果表明,WPD-CNN方法对单个信号的特征提取用时5.9 ms,总体故障识别准确率为98.4%,可有效识别不同位置的补偿电容故障问题,为补偿电容故障诊断提供依据。 展开更多

关键词 轨道电路 补偿电容 动态检测 小波包分解 卷积神经网络 故障诊断

在线阅读 下载PDF 职称材料

基于小波分解的双分支时空交通流预测

4

作者 唐宁 张清勇 +2 位作者 杨治辉 吴细秀 夏慧雯 《武汉理工大学学报》 2025年第7期93-99,共7页

针对交通流预测中时空异质性建模的挑战,提出一种基于小波分解的双分支时空预测模型。传统方法因未显式区分交通流的多尺度频率成分,导致高频噪声干扰与低频趋势建模不足。文中模型通过离散小波变换将原始交通流数据解耦为低频趋势分量... 针对交通流预测中时空异质性建模的挑战,提出一种基于小波分解的双分支时空预测模型。传统方法因未显式区分交通流的多尺度频率成分,导致高频噪声干扰与低频趋势建模不足。文中模型通过离散小波变换将原始交通流数据解耦为低频趋势分量与高频周期分量,再利用双分支专用预测架构和可解释的融合机制重构预测结果。实验结果表明,模型整体预测的绝对误差较小,在高流量时段预测表现良好。此外,选取50号节点可视化预测结果,以验证模型对多尺度时空特征的解耦与建模能力。 展开更多

关键词 交通流预测 小波分解 双分支架构 动态图卷积网络

原文传递

基于动态混合时空图卷积网络的轨道交通站点短时客流预测模型

5

作者 谢余晨 杨静 +2 位作者 李欣然 张红亮 周浪雅 《铁道运输与经济》 北大核心 2025年第10期130-140,共11页

城市轨道交通站点短时客流预测是交通管理和人群调控的关键环节。为解决捕获客流动态空间相关性时存在的复杂度高及过拟合问题,提出一种基于Tucker张量分解的动态混合时空图卷积网络模型。该模型由多个时间注意力模块与混合图卷积模块... 城市轨道交通站点短时客流预测是交通管理和人群调控的关键环节。为解决捕获客流动态空间相关性时存在的复杂度高及过拟合问题,提出一种基于Tucker张量分解的动态混合时空图卷积网络模型。该模型由多个时间注意力模块与混合图卷积模块交替堆叠构成,分别进行时间和空间特征的学习。其中混合图卷积模块融合预定义静态图卷积与动态图卷积,预定义图反映站点间的物理连通关系,动态图卷积采用基于Tucker分解生成的动态邻接矩阵,通过在不同层间共享邻接矩阵的方法,高效学习站间的动态空间关系,将计算复杂度从O(T×N^(2))降为O(N×d),同时有效解决过拟合问题。实验结果表明,研究设计的模型在北京、上海、杭州3个真实数据集上的预测精度优于现有方法;在客流变化趋势明显,特别是有潮汐现象的站点表现更好;动态混合时空图卷积网络模型中的动态邻接矩阵能够自适应捕捉动态空间相关性;动态图卷积与混合图卷积模块在模型性能提升中具有关键作用。 展开更多

关键词 城市轨道交通 短时客流预测 动态时空图卷积网络 Tucker分解 图神经网络

在线阅读 下载PDF 职称材料

独立桩海洋平台基础冲刷深度智能识别方法

6

作者 逄志浩 刘康 +3 位作者 王书冰 袁征 张权 朱渊 《中国海洋平台》 2025年第2期37-44,86,共9页

为应对独立桩海洋平台桩基在复杂海洋环境冲刷作用下产生的入土深度减小、承载力下降,严重影响平台稳定性的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度学习算法的智能识别方法。构建独立桩海洋平台数字... 为应对独立桩海洋平台桩基在复杂海洋环境冲刷作用下产生的入土深度减小、承载力下降,严重影响平台稳定性的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度学习算法的智能识别方法。构建独立桩海洋平台数字仿真模型,运用动力时程分析法模拟不同冲刷深度下平台的动力响应,采用VMD处理动力响应信号,提取关键特征参数,并以特征参数为输入,以冲刷深度为样本输出,结合卷积神经网络(Convolutional Neural Network,CNN)和双向长短时记忆(Bidirectional Long Short-Term Memory,BiLSTM)网络构建冲刷识别模型,进行冲刷深度工况的智能识别。使用试验测量数据对该冲刷智能识别方法的准确性进行验证。结果显示,该模型在仿真条件下的识别准确率达97.22%,在室内试验中的识别准确率达99.17%。 展开更多

关键词 海洋平台 冲刷深度 动力响应 智能识别 变分模态分解 卷积神经网络 双向长短时记忆网络

在线阅读 下载PDF 职称材料

基于改进卷积神经网络的动态目标自动跟踪系统

7

作者 王卫斌 《自动化与仪器仪表》 2025年第8期171-175,共5页

为了提高动态目标自动跟踪的精度以及降低跟踪系统的成本,研究通过引入卷积神经网络进行目标特征的提取,利用变分模态分解进行卷积神经网络的改进,并结合注意力机制动态目标自动跟踪系统的构建。对所提方法进行测试,结果表明,研究所提... 为了提高动态目标自动跟踪的精度以及降低跟踪系统的成本,研究通过引入卷积神经网络进行目标特征的提取,利用变分模态分解进行卷积神经网络的改进,并结合注意力机制动态目标自动跟踪系统的构建。对所提方法进行测试,结果表明,研究所提模型的跟踪平均准确度达到0.9487,平均精度误差仅为0.1011。而在系统的实用效果分析中,其平均系统响应时间仅为6.42 ms,并且对系统占有率以及丢包率显著低于其余两种跟踪系统。上述结果表明,研究所提方法能够提高动态目标的跟踪精度,满足动态目标的跟踪要求。 展开更多

关键词 卷积神经网络 动态目标 跟踪系统 变分模态分解 注意力机制算法

原文传递

基于VMD-CNN的高噪声动态生产过程质量异常监控 被引量：2

8

作者 刘玉敏 王德园 +1 位作者 王宁 田光杰 《控制与决策》 EI CSCD 北大核心 2024年第5期1595-1603,共9页

针对由智能制造现场动态生产过程的复杂随机因素影响造成的高噪声和质量异常监控方法效率低等问题,将变分模态分解方法 (variational mode decomposition, VMD)与深度卷积神经网络(convolutional neural network, CNN)相结合,提出一种基... 针对由智能制造现场动态生产过程的复杂随机因素影响造成的高噪声和质量异常监控方法效率低等问题,将变分模态分解方法 (variational mode decomposition, VMD)与深度卷积神经网络(convolutional neural network, CNN)相结合,提出一种基于VMD-CNN的实时质量监控新方法.首先,利用VMD方法,将高噪声动态过程原始数据分解为包含质量异常特征和噪声信息的两类本征模态函数,通过去除噪声数据的本征模态函数,消除动态生产过程的高噪声干扰;进而,采用灰度变换将保留原始质量异常特征的本征模型函数转化为质量异常图像,构建VMD-CNN模型对质量异常图像进行识别,并提出基于VMD-CNN的高噪声动态过程质量异常实时监控框架;最后,通过实验验证所提方法的有效性,并与小波去噪方法和CNN识别模型进行对比分析,实验结果显示所提方法的识别精确度显著优于现有的动态过程质量异常监控方法. 展开更多

关键词 高噪声动态过程 变分模态分解 卷积神经网络 质量异常特征识别 质量监控

原文传递

基于自适应模态分解和融合双尺度注意力机制的时间卷积网络的超短期风电功率预测

9

作者 谢智锋 张展 +3 位作者 曾颖 许炫淙 于慧 孟安波 《黑龙江电力》 CAS 2024年第6期478-485,490,共9页

针对风电功率强波动性限制预测精度的问题,提出一种基于自适应变分模态(adaptive variational mode decomposition,AVMD)和融合双尺度注意力(double-scale attention,DA)的时间卷积神经网络(temporal convolutional network,TCN)的超短... 针对风电功率强波动性限制预测精度的问题,提出一种基于自适应变分模态(adaptive variational mode decomposition,AVMD)和融合双尺度注意力(double-scale attention,DA)的时间卷积神经网络(temporal convolutional network,TCN)的超短期风电功率预测模型AVMD-DATCN。采用纵横交叉(crisscross optimization,CSO)算法对变分模态分解参数进行优化,提出动态混合熵(dynamic mixing entropy,DME)作为适应度函数以兼顾分解损失和分解子序列可预测性,将风电功率自适应分解为一系列稳定有序的子分量。针对各分量建立DATCN预测模型以充分挖掘潜在深层耦合非连续时序特征,将各分量预测值叠加重构得到最终预测结果。多角度对比实验结果表明,所提出模型的预测性能显著优于其他预测方法。 展开更多

关键词 超短期风电功率预测 变分模态分解 纵横交叉算法 动态混合熵 双尺度注意力 时间卷积网络

在线阅读 下载PDF 职称材料

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法 被引量：12

10

作者 蒋全胜 许伟洋 +2 位作者 朱俊俊 沈晔湖 徐丰羽 《振动与冲击》 EI CSCD 北大核心 2022年第17期282-291,共10页

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波... 现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。 展开更多

关键词 滚动轴承 剩余寿命预测 卷积长短时记忆网络 小波包分解 动态加权

在线阅读 下载PDF 职称材料

用于交通流量预测的动态神经张量网络模型

11

作者 田润智 孙秋霞 +2 位作者 李琼 陈敬雨 燕英 《公路》 北大核心 2025年第10期257-266,共10页

在缓解交通拥堵的任务中,如何实现交通流量的精确预测是核心问题之一。现有的交通数据预测模型大多直接使用路网全时段数据进行单次预测,忽视了交通流量随时间的动态变化规律,并且仅专注于捕获流量数据中的线性时空特征和简单相关性。... 在缓解交通拥堵的任务中,如何实现交通流量的精确预测是核心问题之一。现有的交通数据预测模型大多直接使用路网全时段数据进行单次预测,忽视了交通流量随时间的动态变化规律,并且仅专注于捕获流量数据中的线性时空特征和简单相关性。针对上述问题,提出了一种用于交通流量数据预测的动态神经张量网络模型(DNTP)。该模型设计了一种交通流量张量的全新构造方法,使用预测日前后几日数据构建带有短期时间特征的小规模张量,使模型能充分挖掘数据的动态时空特征,提高了模型对路网短期动态变化的敏感度;在此基础上,DNTP模型使用带有3D-CNN的神经张量网络来学习特征之间隐藏的复杂非线性相关关系。采用多种误差指标衡量各个模型的预测精度,在2个PeMS数据集上进行了3种不同预测步长的数据实验。实验结果表明DNTP与基线预测模型相比预测精度更佳,并且在面对长期预测任务时也具有较好表现。 展开更多

关键词 智能交通 交通流量预测 动态神经张量网络 张量分解 卷积长短时记忆

原文传递