CN115062690A - 一种基于域自适应网络的轴承故障诊断方法 - Google Patents

一种基于域自适应网络的轴承故障诊断方法 Download PDF

Info

Publication number
CN115062690A
CN115062690A CN202210566773.0A CN202210566773A CN115062690A CN 115062690 A CN115062690 A CN 115062690A CN 202210566773 A CN202210566773 A CN 202210566773A CN 115062690 A CN115062690 A CN 115062690A
Authority
CN
China
Prior art keywords
domain
feature
target domain
target
sample
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
CN202210566773.0A
Other languages
English (en)
Inventor
吴飞
张上
高广谓
彭广川
刘晶
季一木
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202210566773.0A priority Critical patent/CN115062690A/zh
Publication of CN115062690A publication Critical patent/CN115062690A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings

Abstract

本发明公开了一种基于域自适应网络的故障诊断方法，利用域特定注意力机制对轴承数据的低层特征进行重点关注。该域特定注意力机制包括两个子模块：通道注意力子模块和空间注意力子模块。通道注意力子模块通过对数据特征张量的通道层面进行关注，找到什么是感兴趣的信息，而空间注意力子模块关注的是数据空间层面，找到哪里是感兴趣的信息。通过域特定注意力模块可以有效提取数据的低层特征。构建的三层特征校正模块用于进一步减小源域和目标域的特征分布差异，利用最大均值差异度量源域和目标域的特征差异，然后将目标域特征通过特征校正模块获得和源域特征相似的分布，最终使得诊断模型可以很好地作用于目标域的故障诊断。

Description

一种基于域自适应网络的轴承故障诊断方法
技术领域
本发明涉及跨域故障数据诊断领域，尤其涉及一种基于域自适应网络的轴承故障诊断方法。
背景技术
在深度跨域故障诊断中，源域和目标域的特征分布存在很大的差异。当两个领域的数据分布不同时，将观察到诊断性能的下降。域自适应是解决跨域问题的常用方法，通过源样本和目标样本的联合学习，缓解了数据分布的域差异。深度域自适应的主要思想是利用深度网络进行域不变的特征表示学习。比如Gretton等人提出了基于差异的深度学习方法，将最大均值差异(MMD)最小化去减小域分布差异。Tzeng等人利用深度域混淆方法(DDC)自动选择网络层数来计算不同域之间的MMD值，实现域的相似分布。
基于深度学习的方法在轴承诊断方面获得了一些性能的提高，因为它们受益于非线性特征映射的能力和端到端学习的优势。跨域故障诊断的主要方法分为两类，包括振动信号数据故障诊断和二维时频图像数据故障诊断。针对基于振动信号的故障诊断，Liang等人提出了基于一维网络结构的滚动轴承故障诊断(DCNRC)方法，利用一维卷积网络对信号数据进行分类。针对基于二维时频图像的故障诊断，Ma等人提出迁移学习-卷积神经网络(TLCNN)，采用了一种新的基于二维图像表示的轴承故障诊断方法。
现有的跨域故障诊断方法主要关注相对于低层语义特征具有更强语义特征的高层特征的分布差异。虽然这些方法可以减少源域和目标域之间的分布差异，但是对于一些图片边缘和细节的低层特征并没有充分的关注和保留，从而影响模型的诊断性能。
发明内容
发明目的：针对以上问题，本发明提出一种基于域自适应网络的轴承故障诊断方法。通过引入的注意力机制模块和特征校正模块实现跨域的轴承故障数据的诊断。注意力机制用于解决低层特征的提取问题，特征校正模块用于解决域间的相似分布问题。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：
一种基于域自适应网络的轴承故障诊断方法，包括以下步骤：
S1.获取源域和目标域的样本数据，将源域中的样本数据和目标域的样本数据作为训练数据；所述样本数据是指包括故障的和正常的轴承数据；
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络，获取数据低层特征和高层特征；
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布，构建源域和目标域损失函数；
S4.训练网络损失，更新迭代网络参数；
S5.将目标样本输入训练好的网络，对目标样本进行故障诊断，输出概率向量，即图片标签，不同标签代表不同故障类型。
进一步的，所述步骤S1包括：
源域样本是有标记的，目标域样本是无标记的；源域样本和目标域样本的类别是相同的；有标记的源域样本和无标记的目标域样本分别表示为
Figure BDA0003657926140000021
其中S是有标记的源域样本，ns是源域样本个数，
Figure BDA0003657926140000022
表示第i个源域样本和对应的标签；T是无标记的目标域样本，nt是目标域样本个数，
Figure BDA0003657926140000023
表示第j个目标域样本；源域和目标域有共同的类别Cn。
进一步的，所述步骤S2包括：
域特定注意力机制模块的搭建；注意力机制模块包括两个子模块：通道注意力模块和空间注意力模块；
S2.1.在通道注意力模块中，源域和目标域输入的样本表示为
Figure BDA0003657926140000024
Figure BDA0003657926140000025
Figure BDA0003657926140000026
Figure BDA0003657926140000027
表示源域第i个样本的特征张量，
Figure BDA0003657926140000028
表示目标域第j个样本的特征张量；C是通道数，H和W是每个通道上的空间维度；
首先对每个通道上使用全局平均池化获得数据的全局空间信息，将特征张量的维度压缩成1×1×C；
将
Figure BDA0003657926140000029
分别进入全连接层将维度变成
Figure BDA00036579261400000210
得到
Figure BDA00036579261400000211
用于计算通道注意力权重，
Figure BDA00036579261400000212
通过一个ReLU函数和一个全连接层，将维度重新变成1×1×C；
其中，得到的通道注意力权重如下：
Figure BDA00036579261400000213
Figure BDA00036579261400000214
Figure BDA00036579261400000215
和
Figure BDA00036579261400000216
分别表示源域第i个样本的通道注意力权重和目标域第j个样本的通道注意力权重，W表示第二个全连接层的映射函数；σ(·)表示Sigmoid函数；
将通道注意力权重和原始特征
Figure BDA0003657926140000031
相乘得到最终的低层特征的表示，即得到特征张量
Figure BDA0003657926140000032
Figure BDA0003657926140000033
Figure BDA0003657926140000034
S2.2.在空间注意力模块中，将
Figure BDA0003657926140000035
和
Figure BDA0003657926140000036
作为空间注意力模块的输入，首先对
Figure BDA0003657926140000037
和
Figure BDA0003657926140000038
进行全局池化和平均池化操作得到两个H×W×1大小的特征图，然后将该特征图经过一个3×3的卷积层，得到空间注意力权重；
其中，空间注意力权重如下：
Figure BDA0003657926140000039
Figure BDA00036579261400000310
式中，
Figure BDA00036579261400000311
分别表示源域空间注意力权重和目标域空间注意力权重，f3×3表示大小为3×3的卷积层，MaxPool(·)表示全局池化，AvgPool(·)表示平均池化；
将
Figure BDA00036579261400000312
和
Figure BDA00036579261400000313
相乘得到最终的特征表示，即最终特征张量如下：
Figure BDA00036579261400000314
Figure BDA00036579261400000315
其中
Figure BDA00036579261400000316
表示最终的特征张量。
进一步的，所述步骤S3包括：
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt)，G(·)表示域特定注意力模块网络函数；
S3.2.特征校正模块的搭建；特征校正模块由两个全连接层和一个ReLU函数组成；首先通过最大均值差异(MMD)来度量出源域和目标域的特征分布差异△G(dt)；然后通过约束特征校正模块的输出，使特征校正后的目标域
Figure BDA00036579261400000317
和源域G(ds)分布相同；
S3.3.构建源域分类器损失函数，损失计算如下：
Figure BDA00036579261400000318
式中，ε(·)表示交叉熵损失函数，P(·)表示概率预测模型；θs是源分类器网络参数，
Figure BDA00036579261400000319
是域特定注意力模块源域网络参数，rs是源域正则化网络参数；
S3.4.目标域熵损失计算如下：
Figure BDA0003657926140000041
式中，θt是目标分类器网络参数，
Figure BDA0003657926140000042
是目标域中域特定注意力模块参数，θM是特征校正模块参数。
进一步的，所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异，包括：
第一个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000043
第二个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000044
最后一个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000045
其中，△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异，l＝1,2,3；
利用最大均值差异(MMD)来度量源域特征和目标域特征的差异，其中，MMD损失
Figure BDA00036579261400000410
计算如下：
Figure BDA0003657926140000046
式中，
Figure BDA0003657926140000047
表示源域中第i个样本的特征，
Figure BDA0003657926140000048
表示第l个特征校正模块中目标域的第j个样本的特征；Hk是具有特征核k的希尔伯特空间(RKHS)，φ是对应的特征映射函数。
进一步的，所述步骤S4中，网络总体损失具体为：
Figure BDA0003657926140000049
式中，α,β分别为损失之间的平衡因子。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
本发明提出了一个具有参数共享的域特定注意力模块的域自适应网络，通过设计的域特定注意力模块对低层特征提供更多的关注，通过改进的特征校正模块减小源域和目标域的分布差异，加强了域之间的可迁移性，有效改善了现有域自适应轴承故障诊断方法中随着网络加深特征的可迁移性逐渐变差的问题。
附图说明
图1是本发明的整体框架图；
图2是本发明的通道注意力模块图；
图3是本发明的空间注意力模块图；
图4是本发明的特征校正模块图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于域自适应网络的轴承故障诊断方法，如图1，包括以下步骤：
S1.获取源域和目标域的样本数据，将源域中的样本数据和目标域的样本数据作为训练数据；所述样本数据是指包括故障的和正常的轴承数据；
源域样本是有标记的，目标域样本是无标记的；源域样本和目标域样本的类别是相同的；有标记的源域样本和无标记的目标域样本分别表示为
Figure BDA0003657926140000051
其中S是有标记的源域样本，ns是源域样本个数，
Figure BDA0003657926140000052
表示第i个源域样本和对应的标签；T是无标记的目标域样本，nt是目标域样本个数，
Figure BDA0003657926140000053
表示第j个目标域样本；源域和目标域有共同的类别Cn。
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络，获取数据低层特征和高层特征；
域特定注意力机制模块的搭建；注意力机制模块包括两个子模块：通道注意力模块和空间注意力模块；
S2.1.如图2，在通道注意力模块中，源域和目标域输入的样本表示为
Figure BDA0003657926140000054
Figure BDA0003657926140000055
Figure BDA0003657926140000056
Figure BDA0003657926140000057
表示源域第i个样本的特征张量，
Figure BDA0003657926140000058
表示目标域第j个样本的特征张量；C是通道数，H和W是每个通道上的空间维度；
首先对每个通道上使用全局平均池化获得数据的全局空间信息，将特征张量的维度压缩成1×1×C；
将
Figure BDA0003657926140000059
分别进入全连接层将维度变成
Figure BDA00036579261400000510
得到
Figure BDA00036579261400000511
用于计算通道注意力权重，
Figure BDA00036579261400000512
通过一个ReLU函数和一个全连接层，将维度重新变成1×1×C；
其中，得到的通道注意力权重如下：
Figure BDA00036579261400000513
Figure BDA00036579261400000514
Figure BDA00036579261400000515
和
Figure BDA00036579261400000516
分别表示源域第i个样本的通道注意力权重和目标域第j个样本的通道注意力权重，W表示第二个全连接层的映射函数；σ(·)表示Sigmoid函数；
将通道注意力权重和原始特征
Figure BDA0003657926140000061
相乘得到最终的低层特征的表示，即得到特征张量
Figure BDA0003657926140000062
Figure BDA0003657926140000063
Figure BDA0003657926140000064
S2.2.如图3，在空间注意力模块中，将
Figure BDA0003657926140000065
和
Figure BDA0003657926140000066
作为空间注意力模块的输入，首先对
Figure BDA0003657926140000067
和
Figure BDA0003657926140000068
进行全局池化和平均池化操作得到两个H×W×1大小的特征图，然后将该特征图经过一个3×3的卷积层，得到空间注意力权重；
其中，空间注意力权重如下：
Figure BDA0003657926140000069
Figure BDA00036579261400000610
式中，
Figure BDA00036579261400000611
分别表示源域空间注意力权重和目标域空间注意力权重，f3×3表示大小为3×3的卷积层，MaxPool(·)表示全局池化，AvgPool(·)表示平均池化；
将
Figure BDA00036579261400000612
和
Figure BDA00036579261400000613
相乘得到最终的特征表示，即最终特征张量如下：
Figure BDA00036579261400000614
Figure BDA00036579261400000615
其中
Figure BDA00036579261400000616
表示最终的特征张量。
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布，构建源域和目标域损失函数；
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt)，G(·)表示域特定注意力模块网络函数；
S3.2.特征校正模块的搭建；如图4，特征校正模块由两个全连接层和一个ReLU函数组成；
首先通过最大均值差异(MMD)来度量出源域和目标域的特征分布差异△G(dt)；然后通过约束特征校正模块的输出，使特征校正后的目标域
Figure BDA00036579261400000617
和源域G(ds)分布相同；
S3.3.构建源域分类器损失函数，损失计算如下：
Figure BDA00036579261400000618
式中，ε(·)表示交叉熵损失函数，P(·)表示概率预测模型；θs是源分类器网络参数，
Figure BDA0003657926140000071
是域特定注意力模块源域网络参数，rs是源域正则化网络参数；
S3.4.目标域熵损失计算如下：
Figure BDA0003657926140000072
式中，θt是目标分类器网络参数，
Figure BDA0003657926140000073
是目标域中域特定注意力模块参数，θM是特征校正模块参数。
所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异，包括：
第一个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000074
第二个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000075
最后一个特征校正模块校正之后的目标域特征表示为
Figure BDA0003657926140000076
其中，△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异，l＝1,2,3；
利用最大均值差异(MMD)来度量源域特征和目标域特征的差异，其中，MMD损失
Figure BDA00036579261400000711
计算如下：
Figure BDA0003657926140000077
式中，
Figure BDA0003657926140000078
表示源域中第i个样本的特征，
Figure BDA0003657926140000079
表示第l个特征校正模块中目标域的第j个样本的特征；Hk是具有特征核k的希尔伯特空间(RKHS)，φ是对应的特征映射函数。
S4.训练网络损失，更新迭代网络参数；
网络总体损失具体为：
Figure BDA00036579261400000710
式中，α,β分别为损失之间的平衡因子。
S5.将目标样本输入训练好的网络，对目标样本进行故障诊断，输出概率向量，即图片标签，不同标签代表不同故障类型。

Claims (6)

1.一种基于域自适应网络的轴承故障诊断方法，其特征在于：包括以下步骤：
S1.获取源域和目标域的样本数据，将源域中的样本数据和目标域的样本数据作为训练数据；所述样本数据是指包括故障的和正常的轴承数据；
S2.将源域样本和目标域样本输入具有注意力机制的卷积网络，获取数据低层特征和高层特征；
S3.将获得的目标域特征输入特征校正模块实现域之间的相似分布，构建源域和目标域损失函数；
S4.训练网络损失，更新迭代网络参数；
S5.将目标样本输入训练好的网络，对目标样本进行故障诊断，输出概率向量，即标签，不同标签代表不同故障类型。
2.根据权利要求1所述的基于域自适应网络的轴承故障诊断方法，其特征在于：所述步骤S1包括：
源域样本是有标记的，目标域样本是无标记的；源域样本和目标域样本的类别是相同的；有标记的源域样本和无标记的目标域样本分别表示为
Figure FDA0003657926130000011
其中S是有标记的源域样本，ns是源域样本个数，
Figure FDA0003657926130000012
表示第i个源域样本和对应的标签；T是无标记的目标域样本，nt是目标域样本个数，
Figure FDA0003657926130000013
表示第j个目标域样本；源域和目标域有共同的类别Cn。
3.根据权利要求2所述的基于域自适应网络的轴承故障诊断方法，其特征在于：所述步骤S2包括：
域特定注意力机制模块的搭建；注意力机制模块包括两个子模块：通道注意力模块和空间注意力模块；
S2.1.在通道注意力模块中，源域和目标域输入的样本表示为
Figure FDA0003657926130000014
Figure FDA0003657926130000015
Figure FDA0003657926130000016
Figure FDA0003657926130000017
表示源域第i个样本的特征张量，
Figure FDA0003657926130000018
表示目标域第j个样本的特征张量；C是通道数，H和W是每个通道上的空间维度；
首先对每个通道上使用全局平均池化获得数据的全局空间信息，将特征张量的维度压缩成1×1×C；
将
Figure FDA0003657926130000021
分别进入全连接层将维度变成
Figure FDA0003657926130000022
得到
Figure FDA0003657926130000023
用于计算通道注意力权重，
Figure FDA0003657926130000024
通过一个ReLU函数和一个全连接层，将维度重新变成1×1×C；
其中，得到的通道注意力权重如下：
Figure FDA0003657926130000025
Figure FDA0003657926130000026
Figure FDA0003657926130000027
和
Figure FDA0003657926130000028
分别表示源域第i个样本的通道注意力权重和目标域第j个样本的通道注意力权重，W表示第二个全连接层的映射函数；σ(·)表示Sigmoid函数；
将通道注意力权重和原始特征
Figure FDA0003657926130000029
相乘得到最终的低层特征的表示，即得到特征张量
Figure FDA00036579261300000210
Figure FDA00036579261300000211
Figure FDA00036579261300000212
S2.2.在空间注意力模块中，将
Figure FDA00036579261300000213
和
Figure FDA00036579261300000214
作为空间注意力模块的输入，首先对
Figure FDA00036579261300000215
和
Figure FDA00036579261300000216
进行全局池化和平均池化操作得到两个H×W×1大小的特征图，然后将该特征图经过一个3×3的卷积层，得到空间注意力权重；
其中，空间注意力权重如下：
Figure FDA00036579261300000217
Figure FDA00036579261300000218
式中，
Figure FDA00036579261300000219
分别表示源域空间注意力权重和目标域空间注意力权重，f3×3表示大小为3×3的卷积层，MaxPool(·)表示全局池化，AvgPool(·)表示平均池化；
将
Figure FDA00036579261300000220
和
Figure FDA00036579261300000221
相乘得到最终的特征表示，即最终特征张量如下：
Figure FDA00036579261300000222
Figure FDA00036579261300000223
其中
Figure FDA00036579261300000224
表示最终的特征张量。
4.根据权利要求3所述的基于域自适应网络的轴承故障诊断方法，其特征在于：所述步骤S3包括：
S3.1.源域和目标域样本经过域特定注意力模块得到的特征表示为G(ds)和G(dt)，G(·)表示域特定注意力模块网络函数；
S3.2.特征校正模块的搭建；特征校正模块由两个全连接层和一个ReLU函数组成；首先通过最大均值差异(MMD)来度量出源域和目标域的特征分布差异△G(dt)；然后通过约束特征校正模块的输出，使特征校正后的目标域
Figure FDA0003657926130000031
和源域G(ds)分布相同；
S3.3.构建源域分类器损失函数，损失计算如下：
Figure FDA0003657926130000032
式中，ε(·)表示交叉熵损失函数，P(·)表示概率预测模型；θs是源分类器网络参数，
Figure FDA0003657926130000033
是域特定注意力模块源域网络参数，rs是源域正则化网络参数；
S3.4.目标域熵损失计算如下：
Figure FDA0003657926130000034
式中，θt是目标分类器网络参数，
Figure FDA0003657926130000035
是目标域中域特定注意力模块参数，θM是特征校正模块参数。
5.根据权利要求4所述的基于域自适应网络的轴承故障诊断方法，其特征在于：所述步骤S3.2添加三个特征校正模块用于度量源域与目标域特征分布之间的相似性以及对齐源域和目标域的分布差异，包括：
第一个特征校正模块校正之后的目标域特征为
Figure FDA0003657926130000036
第二个特征校正模块校正之后的目标域特征为
Figure FDA0003657926130000037
最后一个特征校正模块校正之后的目标域特征为
Figure FDA0003657926130000038
其中，△Gl(dt)表示第l个特征校正模块度量的源域和目标域的差异，l＝1,2,3；
利用最大均值差异(MMD)来度量源域特征和目标域特征的差异，其中，MMD损失
Figure FDA0003657926130000039
计算如下：
Figure FDA00036579261300000310
式中，
Figure FDA00036579261300000311
表示源域中第i个样本的特征，
Figure FDA00036579261300000312
表示第l个特征校正模块中目标域的第j个样本的特征；Hk是具有特征核k的希尔伯特空间(RKHS)，φ是对应的特征映射函数。
6.根据权利要求5所述的基于域自适应网络的轴承故障诊断方法，其特征在于：所述步骤S4中，网络总体损失具体为：
Figure FDA00036579261300000313
式中，α,β分别为损失之间的平衡因子。
CN202210566773.0A 2022-05-23 2022-05-23 一种基于域自适应网络的轴承故障诊断方法 Pending CN115062690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210566773.0A CN115062690A (zh) 2022-05-23 2022-05-23 一种基于域自适应网络的轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210566773.0A CN115062690A (zh) 2022-05-23 2022-05-23 一种基于域自适应网络的轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN115062690A true CN115062690A (zh) 2022-09-16

Family

ID=83197694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210566773.0A Pending CN115062690A (zh) 2022-05-23 2022-05-23 一种基于域自适应网络的轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN115062690A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392326A (zh) * 2022-10-27 2022-11-25 中国人民解放军国防科技大学 基于联合多模态信息与域对抗神经网络的调制识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392326A (zh) * 2022-10-27 2022-11-25 中国人民解放军国防科技大学 基于联合多模态信息与域对抗神经网络的调制识别方法
CN115392326B (zh) * 2022-10-27 2024-03-19 中国人民解放军国防科技大学 基于联合多模态信息与域对抗神经网络的调制识别方法

Similar Documents

Publication Publication Date Title
CN113191215B (zh) 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN110232394B (zh) 一种多尺度图像语义分割方法
CN107358293B (zh) 一种神经网络训练方法及装置
CN111582483B (zh) 基于空间和通道联合注意力机制的无监督学习光流估计方法
CN113326930B (zh) 数据处理方法、神经网络的训练方法及相关装置、设备
CN110648292B (zh) 一种基于深度卷积网络的高噪声图像去噪方法
CN113240683B (zh) 基于注意力机制的轻量化语义分割模型构建方法
CN111598167B (zh) 基于图学习的小样本图像识别方法及系统
CN113408577A (zh) 一种基于注意力机制的图像分类方法
CN113920043A (zh) 基于残差通道注意力机制的双流遥感图像融合方法
CN110809126A (zh) 一种基于自适应可变形卷积的视频帧插值方法及系统
CN113221694A (zh) 一种动作识别方法
CN115457311B (zh) 一种基于自表达迁移学习的高光谱遥感影像波段选择方法
CN114004333A (zh) 一种基于多假类生成对抗网络的过采样方法
CN111325288B (zh) 基于聚类思想的多视角动态脑网络特征维度约减方法
CN114743037A (zh) 一种基于多尺度结构学习的深度医学图像聚类方法
CN113344077A (zh) 一种基于卷积胶囊网络结构的抗噪茄科病害识别方法
CN115062690A (zh) 一种基于域自适应网络的轴承故障诊断方法
CN116229170A (zh) 基于任务迁移的联邦无监督图像分类模型训练方法、分类方法及设备
KR20200023695A (ko) 연산량을 줄이는 학습 시스템
CN111639751A (zh) 一种用于二值卷积神经网络的非零填补训练方法
CN113344146B (zh) 基于双重注意力机制的图像分类方法、系统及电子设备
CN113838104B (zh) 基于多光谱与多模态图像一致性增强网络的配准方法
CN113343796B (zh) 一种基于知识蒸馏的雷达信号调制方式识别方法
CN115578325A (zh) 一种基于通道注意配准网络的图像异常检测方法

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