CN116738332A - 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 - Google Patents
一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 Download PDFInfo
- Publication number
- CN116738332A CN116738332A CN202310680730.XA CN202310680730A CN116738332A CN 116738332 A CN116738332 A CN 116738332A CN 202310680730 A CN202310680730 A CN 202310680730A CN 116738332 A CN116738332 A CN 116738332A
- Authority
- CN
- China
- Prior art keywords
- scale
- signal
- convolution
- aircraft
- classification
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims description 5
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000005284 excitation Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000010339 dilation Effects 0.000 claims 1
- 230000008034 disappearance Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000036541 health Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种飞行器多尺度信号的分类识别与故障检测方法。包括：训练阈值判断模块，基于注意力机制的多尺度残差卷积网络模块和信号分类模块。将历史数据和实时数据输入神经元网络(110)，通过基于注意力机制的多尺度残差卷积网络学习得到飞行器信号的特征提取(111)，将得到的深层特征送入分类算法(112)，得到飞行器信号分类结果。多尺度残差卷积模块输入原始特征(302)，进入尺度判断模块(303)，用于感知不同尺度特征，将提取的多尺度特征作为注意力模块(313)的输入，进行尺度权重计算与加权融合。该方法有效解决了提取浅层特征，梯度消失，特征尺度单一等问题，显著提升了飞行器多尺度信号分类和识别的准确率。
Description
技术领域
本发明涉及一种基于注意力机制的飞行器多尺度信号的分类识别与故障检测方法。
背景技术
飞行器的信号识别和分类在飞行器健康管理策略中扮演着核心角色。通过准确判断复杂系统的当前健康状态，我们能够有效地找出故障发生的原因和来源，并提出一系列与维护保障相关的建议和决策。在航空航天工业领域，飞行器健康管理策略得到广泛认可和应用，为航天器的安全性和可靠性提供了巨大保障。因此，飞行器健康管理策略势必成为航空航天工业发展的必然趋势。
飞行器信号识别与分类方法中的传统机器学习算法，缺乏对高维数据的特征提取能力，在飞行器信号分类问题中的分类准确率，分类速度及其他各项性能指标有所局限。
发明内容
为了解决现有飞行器信号分类和识别方法存在信号尺度识别局限性问题，本发明提供了一种基于注意力机制的多尺度残差神经网络飞行器信号分类和识别方法，有效解决了提取浅层特征，梯度消失，特征尺度单一，多尺度特征融合等问题，显著提升了飞行器多尺度信号分类和识别的准确率。
本发明采用了以多尺度残差膨胀卷积网络和注意力机制模块为基础的神经元网络学习方法，其作为一类新兴前沿的机器学习方法，被广泛应用于数据科学相关的计算机视觉、自然语言处理等领域，具有更强的鲁棒性和普适性。深度学习方法基于深层的神经网络模型，能够从复杂的飞行器信号样本中自动提取特征，并将简单特征逐渐组合成更复杂的特征并通过这些复杂特征来解决识别问题。本发明通过基于注意力机制的多尺度残差膨胀卷积网络的方法，克服传统机器学习方法对于高维度复杂数据处理难度大的问题，在特征提取能力上和泛化能力上都有所提高。
附图说明
图1显示了根据本发明的一个实施例的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法的流程图。
图2显示了根据本发明的一个实施例的飞行器信号基于多尺度残差卷积网络模块的特征提取流程图。
图3显示了基于注意力机制的多尺度残差卷积模块原理的示意图，
图4显示了根据本发明的一个实施例的飞行器信号分类算法流程图。
具体实施方式
根据本发明的一个实施例的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法的流程图如图1所示，其包括：
当飞行器信号要进行故障判别工作时(101)，首先用传感器对飞行器中复杂设备的数据进行信号采集(102)，将传感器得到的原始信号进行信号预处理(103)。
然后信号来源进行判断(104)，若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，最终将历史数据及其对应的标注构建成专家数据库(108)；若信号来源是实时数据，则进入实时数据读取环节(109)。
将历史数据和实时数据共同输入作为神经元网络的多尺度残差卷积网络模块(110)，通过多尺度残差卷积网络的学习得到飞行器信号的特征提取(111)，将提取得到的深层特征送入分类算法(112)，得到飞行器信号分类结果。
再进行收敛判断(113)，若分类结果的损失函数在训练中达到收敛，则输出实时故障诊断结果(114)；若分类结果的损失函数在训练中没有收敛，则返回多尺度残差卷积网络模块(110)，更新神经元网络中的神经网络权重参数，再次进行特征提取(111)，信号分类(112)过程，直到损失函数收敛(113)，输出实时故障诊断结果(114)。
整体训练过程采用Adam训练方法进行训练，使参数的更新过程效率更高、鲁棒性更强。训练的学习率设定为0.001，Adam优化器的超参数β1和β2分别设置为0.9和0.999。
根据本发明的一个实施例的多尺度残差卷积网络的特征提取流程图如图2所示，其中：
当进行飞行器信号特征提取时(201)，将神经网络中的参数初始化随机值，并且设定迭代步数s＝0(202)；输入含有标签的飞行器信号样本xs，通过作为深度神经元卷积网络模块的多尺度残差卷积网络模块(205)(包括在步骤204把带标签数据集输入到网络中，再在模块205为对数据进行特征提取)前向传播计算出了网络的输出(206)，将输出的内容即飞行器信号特征图输入信号分类模块(112)，利用分类算法的结果反向更新传播参数(207)。用判断模块(208)判断是否遍历训练集，若没有则返回输入有标签样本的步骤(204)；若已经遍历整个训练集，则更新迭代步数s＝S+1(209)。然后进行迭代步数判断(210)，若迭代步数s＜epoch，则返回重新训练(203)；若迭代步数s>＝epoch，则结束多尺度残差卷积网络的训练(211)，提取样本深层特征(212)。图2属于图1中的多尺度残差卷积网络(110)的特征提取训练过程流程图。
根据本发明的一个实施例的基于注意力机制的多尺度残差卷积模块(205)的原理图如图3所示，其中：
多尺度残差卷积操作开始(301)，输入原始特征(302)，进入卷积核尺度判断步骤(303)，进行卷积核尺度判断；
当判断卷积核尺度为3时，进入小尺度特征提取支流(304)，其中小尺度特征提取支流的卷积核尺寸为3(305)，用于感知小尺度特征，其中卷积核的公式如下所示：
其中为卷积层I的第j个通道的中间特征图的值，/>为输入特征图(上一层的输出特征图)对应的值，/>是卷积层I的第j个通道的最终输出特征图的值，f为激活函数，Mj表示用于计算/>的特征图的部分，即卷积核所覆盖的原特征图的位置，/>是卷积核的权重矩阵中的元素，/>是卷积后特征图的偏差矩阵中的元素；
再将经过卷积核(305)后的结果送入激励函数(306)，本发明激励函数采用ReLU函数，公式如下所示：
再经过膨胀卷积(307)，膨胀卷积(或称空洞卷积)是指在卷积核的每个元素之间加入相隔若干元素(膨胀率)的空洞，从而在不增加卷积核参数数目的情况下，扩大卷积层的感受野，小尺度支流的膨胀卷积膨胀率为2；
当在步骤(303)判断卷积核尺度为5时，进入大尺度特征提取支流(308)，其中大尺度特征提取支流的卷积核尺寸为5(309)，用于感知大尺度特征，同小尺度支流一样，经过与小尺度模块中相同的激励函数(310)，再经过膨胀卷积(311)，大尺度特征提取支流的膨胀率5。
再进行尺度融合(312)，将小尺度支流与大尺度支流得到的特征融合在一起，再输入注意力机制模块(313)，经过两个全连接层及非线性层(W2和W1)，两个全连接层可以通过端到端的方式学习计算多尺度特征的权重信息s。
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z)) (4)
上式中f()为ReLU激励函数，σ为sigmoid激励函数，z为多个尺度提取特征矩阵的拼接矩阵，W1和W2为两个全连接层的权重矩阵。
将多个尺度的特征拼接矩阵z与相应的权重矩阵s进行矩阵逐元素相乘，得到加权特征然后将z与/>进行矩阵相加，作为最终的多尺度信号特征。
Fscale()即两个矩阵逐元素相乘，即矩阵哈达玛积。
训练判断模块(314)，当训练为结束时，返回输入原始特征(302)，重新训练，直到判断训练结束，输出提取到的深层特征(315)。
根据本发明的一个实施例的飞行器信号分类算法即图1中的信号分类(112)的流程图如图4所示，其中：
当开始进行信号分类和识别时(401)，将分类算法的神经网络参数设定(402)，输入通过多尺度残差膨胀卷积网络模块提取的信号特征(403)，接着输入到全局平均池化层(404)，紧接着输入随机丢弃层(405)，其公式如下所示：
xl＝randomp(xl-1) (6）
其中，p为丢弃xl-1的概率，random表示为随机行为。
再接着输入全连接层(406)：
xl＝f(ul) (7)
ul＝wlxl-1+bl (8)
其中，ul为全连接层线性输出的中间量，它等于前一层输出特征图xl-1与全连接层的权重矩阵wl相乘然后与偏差相加，wl为全连接层的权重矩阵，bl为全连接层的偏差矩阵。
将全连接层的输出送入分类函数计算模块(407)，并进行损失函数计算。分类函数的公式为标准的分类函数softmax函数，可表示为：
其中，K为数据集总的分类个数；z为分类器前级单元的输出；i为索引的类别，e为指数函数的表示。k代表所有的分类类别。
然后进行损失函数收敛判断(408)。当损失函数收敛判断模块(408)判断没有收敛时，返回参数设定(402)并更新网络的权重参数；若损失函数收敛判断模块(408)判断发生了收敛时，则直接输出分类结果(409)。
在本发明的一个实施例中，如在实际的多分类问题中，用交叉熵函数作为损失函数，衡量在给定的真实分布下，使用非真实分布所指定的策略消除系统的不确定性所需要付出的努力大小，并且可以在一定程度上减少梯度消散。可采用的标准的交叉熵损失函数可表示为：
其中，为根据标签分类器所求出的计算标签；yi是飞行器信号的真实标签；i为索引的类别。
本发明的优点和有益效果包括：
1)该飞行器信号识别与分类的深度学习方法，具有很好的鲁棒性及普适性。
2)与传统分类方法相比，该方法有效解决从高维度信号中提取多尺度特征的问题，采用本发明的方法可以对不同尺度特征的信号进行识别分类，同时克服了深度网络中的出现的梯度消失。
3)有效的采用了膨胀卷积，网络的参数数目和复杂度也得到了有效控制，运行效率进一步提高。
4)针对信号提取的多尺度特征设计了注意力机制模块，该模块可以有效融合不同尺度信号特征并合理分配不同尺度特征的权重。
4)该方法显著提升了飞行器信号的分类和识别准确率，为飞行器健康管理策略的核心故障识别做出了卓越贡献。
Claims (5)
1.一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法，其特征在于包括：
A1)用传感器对飞行器中复杂设备的数据进行信号采集(102)，
A2)将传感器得到的原始信号进行信号预处理(103)，
A3)对信号来源进行判断(104)，其中：
若信号来源是历史数据，则进入历史数据读取环节(105)，将数据进行信号聚类分析(106)，从而有效辅助专家标注工作(107)，将历史数据及其对应的标注构建成专家数据库(108)；
若信号来源是实时数据，则进入实时数据读取环节(109)，
A4)将历史数据和实时数据共同输入作为神经元网络的多尺度残差卷积网络模块(110)，
A5)通过多尺度残差卷积网络的学习得到飞行器信号的特征提取(111)，
A6)将提取得到的深层特征送入分类算法(112)，得到飞行器信号分类结果，
A7)进行收敛判断(113)，其中：
若分类结果的损失函数在训练中达到收敛，则输出实时故障诊断结果(114)；
若分类结果的损失函数在训练中没有收敛，则返回多尺度残差卷积网络模块(110)，更新神经元网络中的神经网络权重参数，再次进行特征提取(111)，信号分类(112)过程，直到损失函数收敛(113)，
A8)输出实时故障诊断结果(114)，
其中：
步骤A5包括：
A51)将神经网络中的参数初始化随机值，并且设定迭代步数s＝0(202)；
A52)输入含有标签的飞行器信号样本xs，通过作为深度神经元卷积网络模块的多尺度残差卷积网络模块(205)，包括把带标签数据集输入到网络中(204)和在多尺度残差卷积网络模块(205)为对数据进行特征提取，
A53)前向传播计算出了网络的输出(206)，
A54)将输出的内容即飞行器信号特征图输入信号分类模块(112)，
A55)利用分类算法的结果反向更新传播参数(207)，
A56)用判断是否遍历训练集(208)，其中：
若没有则返回输入有标签样本的步骤(204)；
若已经遍历整个训练集，则更新迭代步数s＝s+1(209)，
A57)然后进行迭代步数判断(210)，其中：
若迭代步数s＜epoch，则返回重新训练(203)；
若迭代步数s>＝epoch，则结束多尺度残差卷积网络的训练(211)，
A58)提取样本深层特征(212)。
2.根据权利要求1所述的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法，其特征在于：
多尺度残差卷积模块(205)进行如下操作：
C1)输入原始特征(302)，
C2)进行卷积核尺度判断(303)，其中：
当判断卷积核尺度为3时，进入小尺度特征提取支流(304)，其中小尺度特征提取支流的卷积核尺寸为3(305)，用于感知小尺度特征，其中卷积核的公式如下所示：
其中为卷积层I的第j个通道的中间特征图的值，/>为输入特征图即上一层的输出特征图对应的值，/>是卷积层I的第j个通道的最终输出特征图的值，f为激活函数，Mj表示用于计算/>的特征图的部分，即卷积核所覆盖的原特征图的位置，/>是卷积核的权重矩阵中的元素，/>是卷积后特征图的偏差矩阵中的元素；
再将经过卷积核(305)后的结果送入激励函数(306)，激励函数采用ReLU函数：
再经过膨胀卷积(307)，膨胀卷积(或称空洞卷积)是指在卷积核的每个元素之间加入相隔若干元素(膨胀率)的空洞，从而在不增加卷积核参数数目的情况下，扩大卷积层的感受野，小尺度支流的膨胀卷积膨胀率为2；
当判断卷积核尺度为5时，进入大尺度特征提取支流(308)，其中大尺度特征提取支流的卷积核尺寸为5(309)，用于感知大尺度特征，经过上述激励函数(310)，再经过膨胀卷积操作(311)，
C3)再进行尺度融合(312)，将小尺度支流与大尺度支流得到的特征融合在一起，
C4)进入注意力机制模块(313)，经过两个全连接层及非线性层W2和W1，两个全连接层通过端到端的方式学习计算多尺度特征的权重信息s：
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z)) (4)
f()为ReLU激励函数，σ为sigmoid激励函数，z为多个尺度提取特征矩阵的拼接矩阵，W1和W2为两个全连接层的权重矩阵，
C5)将多个尺度的特征拼接矩阵z与相应的权重矩阵s进行矩阵逐元素相乘，得到加权特征
C6)然后将z与进行矩阵相加，作为最终的多尺度信号特征：
其中Fscale()即两个矩阵逐元素相乘，即矩阵哈达玛积，
C7)进行训练判断(314)，当训练未结束时，返回输入原始特征(302)，重新训练，直到判断训练结束，
C8)输出提取到的深层特征(315)。
3.根据权利要求1所述的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法，其特征在于：
所述步骤A6的信号分类(112)包括：
A61)将分类算法的神经网络参数设定(402)，
A62)输入通过多尺度残差膨胀卷积网络模块提取的信号特征(403)，接着输入到全局平均池化层(404)，
A63)紧接着输入随机丢弃层(405)，其公式如下所示：
xl＝randomp(xl-1) (6)
其中，p为丢弃xl-1的概率，random表示为随机行为，
A64)再接着输入全连接层(406)：
xl＝f(ul) (7)
ul＝wlxl-1+bl (8)
其中，ul为全连接层线性输出的中间量，它等于前一层输出特征图xl-1与全连接层的权重矩阵wl相乘然后与偏差相加，wl为全连接层的权重矩阵，bl为全连接层的偏差矩阵，
A65)将全连接层的输出送入分类函数计算模块(407)，并进行损失函数计算，分类函数的公式为标准的分类函数softmax函数：
其中，K为数据集总的分类个数；z为分类器前级单元的输出；i为索引的类别，e为指数函数的表示；k代表所有的分类类别，
A66)然后进行损失函数收敛判断(408)，其中：
当损失函数收敛判断模块(408)判断没有收敛时，返回参数设定(402)并更新网络的权重参数；
当损失函数收敛判断模块(408)判断发生了收敛时，则直接输出分类结果(409)。
4.根据权利要求1所述的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法，其特征在于：
用交叉熵函数作为损失函数，衡量在给定的真实分布下，使用非真实分布所指定的策略消除系统的不确定性所需要付出的努力大小，并且可以在一定程度上减少梯度消散。
5.根据权利要求1所述的结合注意力机制的飞行器多尺度信号分类识别与故障检测方法，其特征在于：
所述训练采用Adam训练方法进行训练，使参数的更新过程效率更高、鲁棒性更强，训练的学习率设定为0.001，Adam优化器的超参数β1和β2分别设置为0.9和0.999。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310680730.XA CN116738332A (zh) | 2023-06-09 | 2023-06-09 | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310680730.XA CN116738332A (zh) | 2023-06-09 | 2023-06-09 | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738332A true CN116738332A (zh) | 2023-09-12 |
Family
ID=87909096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310680730.XA Pending CN116738332A (zh) | 2023-06-09 | 2023-06-09 | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738332A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542105A (zh) * | 2024-01-09 | 2024-02-09 | 江西师范大学 | 一种课堂教学下低分辨率图像的人脸超分与表情识别方法 |
| CN118196076A (zh) * | 2024-04-26 | 2024-06-14 | 南京航空航天大学 | 一种基于有监督注意力机制的飞机管路系统关键零部件检测方法 |
-
2023
- 2023-06-09 CN CN202310680730.XA patent/CN116738332A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117542105A (zh) * | 2024-01-09 | 2024-02-09 | 江西师范大学 | 一种课堂教学下低分辨率图像的人脸超分与表情识别方法 |
| CN118196076A (zh) * | 2024-04-26 | 2024-06-14 | 南京航空航天大学 | 一种基于有监督注意力机制的飞机管路系统关键零部件检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111414932B (zh) | 一种飞行器多尺度信号的分类识别与故障检测方法 | |
| CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN116738332A (zh) | 一种结合注意力机制的飞行器多尺度信号分类识别与故障检测方法 | |
| CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
| CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
| CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
| CN112732921B (zh) | 一种虚假用户评论检测方法及系统 | |
| CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN113188807A (zh) | 一种abs结果自动判定算法 | |
| CN108877880A (zh) | 基于病历文本的病人相似性度量装置及方法 | |
| CN116805051A (zh) | 基于注意力机制的双卷积动态域适应设备故障诊断方法 | |
| GB2616996A (en) | Method for recognizing type of vortex signal of evaporator of nuclear power plant on basis of LSTM-CNN | |
| CN115393631A (zh) | 基于贝叶斯层图卷积神经网络的高光谱图像分类方法 | |
| CN114754973A (zh) | 基于机器学习的风洞测力试验数据智能诊断与分析方法 | |
| CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN116977834B (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN113858566A (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
| CN112633169B (zh) | 一种基于改进型LeNet-5网络的行人识别算法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN103559510B (zh) | 一种利用相关主题模型识别社会群体行为的方法 | |
| CN117009772A (zh) | 基于风险智能感知模型的道路交通安全预测方法及预测系统 | |
| CN115456693A (zh) | 一种大数据驱动的汽车外造型设计的自动评估方法 | |
| CN114926702B (zh) | 一种基于深度注意力度量的小样本图像分类方法 |
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 |