CN111679903A - 一种面向深度学习的边云协同装置 - Google Patents

一种面向深度学习的边云协同装置 Download PDF

Info

Publication number
CN111679903A
CN111679903A CN202010023887.1A CN202010023887A CN111679903A CN 111679903 A CN111679903 A CN 111679903A CN 202010023887 A CN202010023887 A CN 202010023887A CN 111679903 A CN111679903 A CN 111679903A
Authority
CN
China
Prior art keywords
convolution
time
network
data
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010023887.1A
Other languages
English (en)
Inventor
任磊
孔宇升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010023887.1A priority Critical patent/CN111679903A/zh
Publication of CN111679903A publication Critical patent/CN111679903A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061Partitioning or combining of resources
    • G06F9/5072Grid computing
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种面向深度学习的边云协同装置,该方法由以下技术方案实现:针对现有深度学习模型存在计算量较大的问题,本装置将深度可分离卷积结构引入工业诊断中来,构建了单步深度可分离残差卷积诊断网络,提出了面向小模型训练的时序数据增强方法,以及长时迁移的训练方法,通过上述结构调整,可达到对其进行工业时序数据增强,在数据不足的情况下,数据增强能够较大程度减弱模型过拟合的技术效果。

Description

一种面向深度学习的边云协同装置
技术领域
本发明涉及一种适用于协同装置,具体设计一种面向深度学习的边云协同装置。
背景技术
云计算技术是相关现有技术之一。云计算是分布式计算的一种,指的是通过网络“云”将巨大的数据计算处理程序分解成无数个小程序,然后,通过多部服务器组成的系统进行处理和分析这些小程序得到结果并返回给用户。云计算早期,简单地说,就是简单的分布式计算,解决任务分发,并进行计算结果的合并。
边缘计算是相关现有技术之一。边缘计算起源于传媒领域,是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。
深度学习模型存在计算量较大的问题,本方案将深度可分离卷积结构引入工业诊断中来,构建了单步深度可分离残差卷积诊断网络,提出了面向小模型训练的时序数据增强方法,以及长时迁移的训练方法。
发明内容
本发明的目的是提供一种面向深度学习的边云协同装置。
针对现有深度学习模型存在计算量较大的问题,本装置将深度可分离卷积结构引入工业诊断中来,构建了单步深度可分离残差卷积诊断网络,提出了面向小模型训练的时序数据增强方法,以及长时迁移的训练方法;以下为装置具体组成部分:
1、设计边缘诊断系统,
用户界面包括:用户管理交互、本地模型选择、新建任务交互、多任务诊断显示、多任务诊断选择、多任务列表显示、多任务列表选择、自动更新控制以及云端模型查询、更新交互;后台系统则包括:数据及模型管理模块、多任务诊断模块和云边资源交换模块;其中数据及模型管理模块包括:信号数据管理模块、模型数据管理模块、多任务状态数据管理模块以及系统配置参数管理模块;所述多任务诊断模块包括:多任务动态绘图模块、特征提取模块、多任务诊断进程管理模块、多任务诊断数据队列管理模块、多任务诊断状态记录模块、深度学习诊断任务模块、机器学习诊断任务模块以及诊断后处理模块;所述云边资源交换模块包括:用户数据模块、信号数据传输模块、云端模型查询模块、自动更新模块、模型配置数据更新模块及模型数据更新模块。
2、针对上述边缘诊断系统中的架构设计,在边缘诊断的模型训练方面,将单步深度可分离残差卷积诊断网络。
本方案针对边缘端计算量较大的情况,将单步深度可分离残差卷积结构引入到边缘端计算中,减少边缘段的计算量。通过构建包含36层网络的单步深度可分离残差卷积网络,可以极大地降低神经网络的计算量;
而深度可分离卷积结构在标准卷积的基础上,将卷积结构分离成深度感知卷积结构和位置感知卷积结构,这样可以解决卷积计算效率问题和防止过拟合;
而单步深度可分离卷积结构如下图5单步深度可分离卷积结构所示。单步深度可分离卷积结构包含两部分:一维深度感知卷积和一维位置感知卷积。其中,一维深度感知卷积以多通道一维特征图为输入,分离卷积产生与输入通道相同通道数的特征图,而一维位置感知卷积以新产生的特征图为输入,卷积产生任意通道数量的新特征图。
基于单步深度可分离卷积结构,将残差机制纳入其中,构建包含36层网络的单步深度可分离残差卷积结构,如下图6单步深度可分离残差卷网络所示。其中,两层并列结构分别表示深度感知卷积和位置感知卷积对结构,相同颜色的色块对表示卷积结构参数相同,而网络上方的跨层连接线代表残差结构。
3、工业时序数据增强方法
对于本系统中边缘段采集到的工业诊断数据,我们对其进行工业时序数据增强,主要从两方面入手:增加噪声和短时滑窗取样。
(1)时序信号噪声叠加法
针对两种典型的噪声,分别采用不同的信号叠加方法。假设原始信号为x(i),i=1,2,...,n,使用FFT算法对其进行离散傅里叶变换,得到频谱序列s(j)for j=1,2,...,n。
对于传感器的零偏误差,在每次迭代开始,获取原始信号x(i),并产生随机值ε,按照如下方式产生信号y(i):
y(i)=x(i)+ε,i=1,2,...,n
对于高斯白噪声误差,产生两组随机数a(i)和b(i),按照Box-Muller算法计算N(i),如下:
Figure BDA0002361759650000021
计算得到N(i)后,根据信号特征设置常量σ,可由以下公式得到增强数据:
z(i)=x(i)+N(i)*σ,i=1,2,...,n
两种误差的叠加可使用随机概率。通过对原始信号添加噪声,以模拟信号采样设备的随机性误差以及不同传感器之间的偏差。这种做法不仅能够增加训练数据集的多样性,还能够增加训练网络对不同传感器采样信号的鲁棒性。
(2)短时滑窗取样
本方案采用短时滑窗取样的方式,来进行数据增强;
4、长时迁移训练方法
为实现长时迁移训练方法,首先要构建短时数据训练网络。短时数据训练网络的输入为短时段的特征输入。短时数据训练网络将诊断任务前移,采用深卷积、单层全连接的网络结构形式,使得深层次的卷积结构能够承担更多特征提取任务和功能;同时,使用单层全连接层的结构以减弱神经网络全连接层对回归任务功能的承载性,迫使回归任务前移到卷积特征提取层,从而使得卷积层提取与诊断任务更具相关性的特征。
短时数据训练模型由于使用短时数据作为输入,其包含的时序特征比长时数据要少,但因为其将短时数据作为输入,因此能够有更多的数据增强操作,而广泛的数据增强操作对于模型的稳定性、泛化能力等方面都会有较大提升,特别是在数据不足的情况下,数据增强能够较大程度减弱模型过拟合。
该方法分为两部分,短时训练和长时训练。短时训练为图中左边结构,其输入为短时数据,输出得到的也是短时卷积输出;长时训练为图中右边部分,其输入为长时数据,输出为长时卷积输出。该方法的网络及参数迁移部分,使得长时训练共享短时训练的部分网络及参数。
在长时迁移学习方法中,其训练策略主要包含几个步骤。首先是构建短时训练的卷积网络及后续回归结构,构建完毕后充分训练短时网络结构。然后,构建长时训练网络的卷积网络与后续回归网络。而在构建长时训练网络过程中,要保证其卷积网络结构与短时训练网络的卷积网络结构相同。由于长短时输入的不同,因而其回归网络结构必然不相同。再者,在充分训练完毕短时网络后,拆分出短时网络中的深度可分离卷积网络结构,并将其放入长时训练网络中,开始训练长时网络。最后,在长时网络训练充分后,选择合适节点,作为最终训练结果,即完成长时下数据的迁移学习训练。
本发明使用上述系统,与经典一维卷积结构相比,单步深度可分离卷积结构的计算量降低到了约1/3。除此之外,单步长的特点也极大降低了计算量。在卷积核分析方法体系中,多步长卷积的计算量约是同等规模单步长卷积结构计算量的平方。由此可见,单步长深度可分离卷积结构极大降低神经网络的计算量。
通过对原始信号添加噪声,以模拟信号采样设备的随机性误差以及不同传感器之间的偏差。这种做法不仅能够增加训练数据集的多样性,还能够增加训练网络对不同传感器采样信号的鲁棒性。
由于在工业诊断中,原始信号的频率较高,因而在对震动信号取样时候,无法保证取样时间极其精确,因而在以高频信号的采样中,采样起点存在一定的随机性,针对这种随机性,短时滑窗取样可以获得更好的取样效果。
对于短时训练网络,由于短时输入作为其输入,因此,在训练该网络过程中,可以进行更加大量的数据增强处理,对数据的整体利用效率增加。而由于其将短时数据作为输入,又导致了其单条数据包含的信息更少,其真实映射关系更弱,因此,即使充分训练,其效果依旧可能不足。而对于长时训练网络来说,其输入为长时数据,导致其在训练过程中,相对数据量减少。而长时迁移学习方法,不仅利用了短时训练的数据量和增强处理效果,也不会使得单条数据包含的信息更少。
附图说明
图1为边缘诊断软件系统
图2为标准卷积结构
图3为深度感知卷积结构
图4为位置感知卷积结构
图5为单步深度可分离卷积结构
图6为单步深度可分离残差卷积诊断网络
图7为短时滑窗法数据增强
图8为长时迁移学习方法
具体实施方式
实施例1:一种面向深度学习的边云协同装置,包括设计边缘诊断系统,其用户界面包括:用户管理交互、本地模型选择、新建任务交互、多任务诊断显示、多任务诊断选择、多任务列表显示、多任务列表选择、自动更新控制以及云端模型查询、更新交互;后台系统则包括:数据及模型管理模块、多任务诊断模块和云边资源交换模块;其中数据及模型管理模块包括:信号数据管理模块、模型数据管理模块、多任务状态数据管理模块以及系统配置参数管理模块;所述多任务诊断模块包括:多任务动态绘图模块、特征提取模块、多任务诊断进程管理模块、多任务诊断数据队列管理模块、多任务诊断状态记录模块、深度学习诊断任务模块、机器学习诊断任务模块以及诊断后处理模块;所述云边资源交换模块包括:用户数据模块、信号数据传输模块、云端模型查询模块、自动更新模块、模型配置数据更新模块及模型数据更新模块。
本方案针对边缘端计算量较大的情况,将单步深度可分离残差卷积结构引入到边缘端计算中,减少边缘段的计算量。通过构建包含36层网络的单步深度可分离残差卷积网络,可以极大地降低神经网络的计算量;
而深度可分离卷积结构在标准卷积的基础上,将卷积结构分离成深度感知卷积结构和位置感知卷积结构,这样可以解决卷积计算效率问题和防止过拟合;
而单步深度可分离卷积结构如下图5单步深度可分离卷积结构所示。单步深度可分离卷积结构包含两部分:一维深度感知卷积和一维位置感知卷积。其中,一维深度感知卷积以多通道一维特征图为输入,分离卷积产生与输入通道相同通道数的特征图,而一维位置感知卷积以新产生的特征图为输入,卷积产生任意通道数量的新特征图。
基于单步深度可分离卷积结构,将残差机制纳入其中,构建包含36层网络的单步深度可分离残差卷积结构,如下图6单步深度可分离残差卷网络所示。其中,两层并列结构分别表示深度感知卷积和位置感知卷积对结构,相同颜色的色块对表示卷积结构参数相同,而网络上方的跨层连接线代表残差结构。
对于本系统中边缘段采集到的工业诊断数据,我们对其进行工业时序数据增强,主要从两方面入手:增加噪声和短时滑窗取样。
(1)时序信号噪声叠加法
针对两种典型的噪声,分别采用不同的信号叠加方法。假设原始信号为x(i),i=1,2,...,n,使用FFT算法对其进行离散傅里叶变换,得到频谱序列s(j)for j=1,2,…,n。
对于传感器的零偏误差,在每次迭代开始,获取原始信号x(i),并产生随机值ε,按照如下方式产生信号y(i):
y(i)=x(i)+ε,i=1,2,...,n
对于高斯白噪声误差,产生两组随机数a(i)和b(i),按照Box-Muller算法计算N(i),如下:
Figure BDA0002361759650000041
计算得到N(i)后,根据信号特征设置常量σ,可由以下公式得到增强数据:
z(i)=x(i)+N(i)*σ,i=1,2,...,n
两种误差的叠加可使用随机概率。通过对原始信号添加噪声,以模拟信号采样设备的随机性误差以及不同传感器之间的偏差。这种做法不仅能够增加训练数据集的多样性,还能够增加训练网络对不同传感器采样信号的鲁棒性。
(2)短时滑窗取样
本方案采用短时滑窗取样的方式,来进行数据增强;
为实现长时迁移训练方法,首先要构建短时数据训练网络。短时数据训练网络的输入为短时段的特征输入。短时数据训练网络将诊断任务前移,采用深卷积、单层全连接的网络结构形式,使得深层次的卷积结构能够承担更多特征提取任务和功能;同时,使用单层全连接层的结构以减弱神经网络全连接层对回归任务功能的承载性,迫使回归任务前移到卷积特征提取层,从而使得卷积层提取与诊断任务更具相关性的特征。
短时数据训练模型由于使用短时数据作为输入,其包含的时序特征比长时数据要少,但因为其将短时数据作为输入,因此能够有更多的数据增强操作,而广泛的数据增强操作对于模型的稳定性、泛化能力等方面都会有较大提升,特别是在数据不足的情况下,数据增强能够较大程度减弱模型过拟合。
该方法分为两部分,短时训练和长时训练。短时训练为图中左边结构,其输入为短时数据,输出得到的也是短时卷积输出;长时训练为图中右边部分,其输入为长时数据,输出为长时卷积输出。该方法的网络及参数迁移部分,使得长时训练共享短时训练的部分网络及参数。
在长时迁移学习方法中,其训练策略主要包含几个步骤。首先是构建短时训练的卷积网络及后续回归结构,构建完毕后充分训练短时网络结构。然后,构建长时训练网络的卷积网络与后续回归网络。而在构建长时训练网络过程中,要保证其卷积网络结构与短时训练网络的卷积网络结构相同。由于长短时输入的不同,因而其回归网络结构必然不相同。再者,在充分训练完毕短时网络后,拆分出短时网络中的深度可分离卷积网络结构,并将其放入长时训练网络中,开始训练长时网络。最后,在长时网络训练充分后,选择合适节点,作为最终训练结果,即完成长时下数据的迁移学习训练。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进也在专利保护范围内。

Claims (1)

1.一种面向深度学习的边云协同装置,其特征在于:将深度可分离卷积结构引入工业诊断中来,构建了单步深度可分离残差卷积诊断网络,提出了面向小模型训练的时序数据增强方法,以及长时迁移的训练方法;以下为装置具体组成部分:
1)设计边缘诊断系统,其用户界面包括:用户管理交互、本地模型选择、新建任务交互、多任务诊断显示、多任务诊断选择、多任务列表显示、多任务列表选择、自动更新控制以及云端模型查询、更新交互;后台系统则包括:数据及模型管理模块、多任务诊断模块和云边资源交换模块;其中数据及模型管理模块包括:信号数据管理模块、模型数据管理模块、多任务状态数据管理模块以及系统配置参数管理模块;所述多任务诊断模块包括:多任务动态绘图模块、特征提取模块、多任务诊断进程管理模块、多任务诊断数据队列管理模块、多任务诊断状态记录模块、深度学习诊断任务模块、机器学习诊断任务模块以及诊断后处理模块;所述云边资源交换模块包括:用户数据模块、信号数据传输模块、云端模型查询模块、自动更新模块、模型配置数据更新模块及模型数据更新模块。
2)针对上述边缘诊断系统中的架构设计,在边缘诊断的模型训练方面,将单步深度可分离残差卷积诊断网络;针对边缘端计算量较大的情况,将单步深度可分离残差卷积结构引入到边缘端计算中,减少边缘段的计算量。通过构建包含36层网络的单步深度可分离残差卷积网络,可以极大地降低神经网络的计算量;深度可分离卷积结构在标准卷积的基础上,将卷积结构分离成深度感知卷积结构和位置感知卷积结构,这样可以解决卷积计算效率问题和防止过拟合;
单步深度可分离卷积结构包含两部分:一维深度感知卷积和一维位置感知卷积。其中,一维深度感知卷积以多通道一维特征图为输入,分离卷积产生与输入通道相同通道数的特征图,而一维位置感知卷积以新产生的特征图为输入,卷积产生任意通道数量的新特征图;
基于单步深度可分离卷积结构,将残差机制纳入其中,构建包含36层网络的单步深度可分离残差卷积结构;其中,两层并列结构分别表示深度感知卷积和位置感知卷积对结构,相同颜色的色块对表示卷积结构参数相同,而网络上方的跨层连接线代表残差结构;
3)工业时序数据增强方法
对于本系统中边缘段采集到的工业诊断数据,我们对其进行工业时序数据增强,主要从两方面入手:增加噪声和短时滑窗取样。
(1)时序信号噪声叠加法
针对两种典型的噪声,分别采用不同的信号叠加方法。假设原始信号为x(i),i=1,2,...,n,使用FFT算法对其进行离散傅里叶变换,得到频谱序列s(j)for j=1,2,...,n。
对于传感器的零偏误差,在每次迭代开始,获取原始信号x(i),并产生随机值ε,按照如下方式产生信号y(i):
y(i)=x(i)+ε,i=1,2,...,n
对于高斯白噪声误差,产生两组随机数a(i)和b(i),按照Box-Muller算法计算N(i),如下:
Figure RE-FDA0002622906330000021
计算得到N(i)后,根据信号特征设置常量σ,可由以下公式得到增强数据:
z(i)=x(i)+N(i)*σ,i=1,2,...,n
两种误差的叠加可使用随机概率。通过对原始信号添加噪声,以模拟信号采样设备的随机性误差以及不同传感器之间的偏差。这种做法不仅能够增加训练数据集的多样性,还能够增加训练网络对不同传感器采样信号的鲁棒性;
(2)短时滑窗取样本方案采用短时滑窗取样的方式,来进行数据增强;
4)为实现长时迁移训练方法,首先要构建短时数据训练网络。短时数据训练网络的输入为短时段的特征输入。短时数据训练网络将诊断任务前移,采用深卷积、单层全连接的网络结构形式,使得深层次的卷积结构能够承担更多特征提取任务和功能;同时,使用单层全连接层的结构以减弱神经网络全连接层对回归任务功能的承载性,迫使回归任务前移到卷积特征提取层,从而使得卷积层提取与诊断任务更具相关性的特征;
短时数据训练模型由于使用短时数据作为输入,其包含的时序特征比长时数据要少,但因为其将短时数据作为输入,因此能够有更多的数据增强操作,而广泛的数据增强操作对于模型的稳定性、泛化能力等方面都会有较大提升,特别是在数据不足的情况下,数据增强能够较大程度减弱模型过拟合;
该方法分为两部分,短时训练和长时训练。短时训练其输入为短时数据,输出得到的也是短时卷积输出;长时训练其输入为长时数据,输出为长时卷积输出。该方法的网络及参数迁移部分,使得长时训练共享短时训练的部分网络及参数;
在长时迁移学习方法中,其训练策略主要包含几个步骤。首先是构建短时训练的卷积网络及后续回归结构,构建完毕后充分训练短时网络结构;然后,构建长时训练网络的卷积网络与后续回归网络;而在构建长时训练网络过程中,要保证其卷积网络结构与短时训练网络的卷积网络结构相同;由于长短时输入的不同,因而其回归网络结构必然不相同;再者,在充分训练完毕短时网络后,拆分出短时网络中的深度可分离卷积网络结构,并将其放入长时训练网络中,开始训练长时网络;最后,在长时网络训练充分后,选择合适节点,作为最终训练结果,即完成长时下数据的迁移学习训练。
CN202010023887.1A 2020-01-09 2020-01-09 一种面向深度学习的边云协同装置 Pending CN111679903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010023887.1A CN111679903A (zh) 2020-01-09 2020-01-09 一种面向深度学习的边云协同装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010023887.1A CN111679903A (zh) 2020-01-09 2020-01-09 一种面向深度学习的边云协同装置

Publications (1)

Publication Number Publication Date
CN111679903A true CN111679903A (zh) 2020-09-18

Family

ID=72433249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010023887.1A Pending CN111679903A (zh) 2020-01-09 2020-01-09 一种面向深度学习的边云协同装置

Country Status (1)

Country Link
CN (1) CN111679903A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837282A (zh) * 2021-01-27 2021-05-25 上海交通大学 一种基于云边协同和深度学习的小样本图像缺陷检测方法
CN113191556A (zh) * 2021-05-08 2021-07-30 上海核工程研究设计院有限公司 一种核电Loca事件故障预测与诊断方法
CN113674249A (zh) * 2021-08-24 2021-11-19 重庆忽米网络科技有限公司 基于工业互联网的pcb板印刷质量检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169435A (zh) * 2017-05-10 2017-09-15 天津大学 一种基于雷达仿真图像的卷积神经网络人体动作分类方法
CN110008898A (zh) * 2019-04-02 2019-07-12 中国计量大学 基于符号和卷积神经网络的工业设备数据边缘处理方法
CN110488607A (zh) * 2019-08-13 2019-11-22 湘潭大学 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法
US20210089914A1 (en) * 2018-06-05 2021-03-25 Naver Corporation Optimization technique for forming dnn capable of performing real-time inference in mobile environment
US20210116491A1 (en) * 2018-05-07 2021-04-22 Inhand Networks Inc. System for locating fault in power distribution network based on mixed mode wave recording

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107169435A (zh) * 2017-05-10 2017-09-15 天津大学 一种基于雷达仿真图像的卷积神经网络人体动作分类方法
US20210116491A1 (en) * 2018-05-07 2021-04-22 Inhand Networks Inc. System for locating fault in power distribution network based on mixed mode wave recording
US20210089914A1 (en) * 2018-06-05 2021-03-25 Naver Corporation Optimization technique for forming dnn capable of performing real-time inference in mobile environment
CN110008898A (zh) * 2019-04-02 2019-07-12 中国计量大学 基于符号和卷积神经网络的工业设备数据边缘处理方法
CN110488607A (zh) * 2019-08-13 2019-11-22 湘潭大学 一种基于卷积残差网络和迁移学习对车刀磨损的识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FOURPIECES: "《https://blog.csdn.net/Tian_fourpieces/article/details/79974331》", 17 April 2018 *
YUNHUI GUO,YANDONG LI,LIQIANGWANG, TAJANA ROSING: "《Depthwise Convolution Is All You Need for Learning Multiple Visual Domains》", 《THE THIRTY-THIRD AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *
米硕等: "迁移学习在卷积神经网络中的应用", 《中国新通信》 *
缪裕青等: "基于参数迁移和卷积循环神经网络的语音情感识别", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837282A (zh) * 2021-01-27 2021-05-25 上海交通大学 一种基于云边协同和深度学习的小样本图像缺陷检测方法
CN113191556A (zh) * 2021-05-08 2021-07-30 上海核工程研究设计院有限公司 一种核电Loca事件故障预测与诊断方法
CN113674249A (zh) * 2021-08-24 2021-11-19 重庆忽米网络科技有限公司 基于工业互联网的pcb板印刷质量检测方法

Similar Documents

Publication Publication Date Title
CN110600017B (zh) 语音处理模型的训练方法、语音识别方法、系统及装置
US10726325B2 (en) Facilitating machine-learning and data analysis by computing user-session representation vectors
CN110674604A (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
CN111679903A (zh) 一种面向深度学习的边云协同装置
CN112001306A (zh) 基于深度卷积对抗生成神经网络的脑电信号解码方法
CN105677035A (zh) 基于eemd和小波阈值的运动想象脑电信号消噪方法
CN109766791B (zh) 一种基于自编码器的通信信号调制识别方法
CN116776208B (zh) 地震波分类模型的训练方法、地震选波方法、设备及介质
CN113067653A (zh) 一种频谱感知方法、装置、电子设备及介质
CN112767927A (zh) 一种提取语音特征的方法、装置、终端及存储介质
CN114861740B (zh) 基于多头注意力机制的自适应机械故障诊断方法及系统
KR20220116395A (ko) 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체
CN115221396A (zh) 基于人工智能的信息推荐方法、装置及电子设备
CN112966818A (zh) 一种定向引导模型剪枝方法、系统、设备及存储介质
CN112446462B (zh) 目标神经网络模型的生成方法和装置
KR20230141683A (ko) Qa 모델을 이용하여 지식 그래프를 구축하는 방법, 장치 및 컴퓨터 프로그램
CN117077579A (zh) 翼型流场预测方法、装置、设备及存储介质
CN116205135A (zh) 基于数据分解和神经网络的so2排放预测方法及系统
CN115982965A (zh) 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置
CN115795005A (zh) 一种融合对比学习去噪优化的会话推荐方法及装置
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN114611990A (zh) 一种网络信息体系要素体系贡献率评估方法和装置
CN111462479A (zh) 一种基于傅里叶-递归神经网络的交通流预测方法
CN117894306B (zh) 一种语音处理方法、装置、计算机设备及存储介质
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination