检索结果-内蒙古大学图书馆

网络安全与数据治理 2023年第11期42卷 35-38,45页

作者：曹琳彭圆牟林孙悦徐剑秋水下测控技术重点实验室辽宁大连116013

针对复杂水声信号的分类识别问题,提出了一种新的网络模型结构,将卷积神经网络和卷积去噪自编码器结合到一起应用于水声信号Lofar谱的分类识别中。实验结果表明,该模型能够利用更少的参数学习更丰富的鲁棒性特征,目标识别的总体准确率达... 详细信息

针对复杂水声信号的分类识别问题,提出了一种新的网络模型结构,将卷积神经网络和卷积去噪自编码器结合到一起应用于水声信号Lofar谱的分类识别中。实验结果表明,该模型能够利用更少的参数学习更丰富的鲁棒性特征,目标识别的总体准确率达到81.2%,与传统卷积神经网络识别方法相比具有更高的识别准确率。

关键词：卷积神经网络卷积去噪自编码器 Lofar谱分类识别

来源：评论

学校读者我要写书评

暂无评论

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

引用

计算机科学 2020年第2期47卷 118-125页

作者：罗月童卞景帅张蒙饶永明闫峰合肥工业大学计算机与信息学院

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基... 详细信息

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。

关键词：芯片表面缺陷缺陷检测深度学习无监督学习卷积去噪自编码器

来源：评论

学校读者我要写书评

暂无评论

特征增强的改进LightGBM流量异常检测方法

引用

电子测量与仪器学报 2024年第3期38卷 195-207页

作者：陈万志赵林王天元辽宁工程技术大学软件学院葫芦岛125105 国网辽宁省电力有限公司营口115005

针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient ... 详细信息

针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient boosting machine)流量异常检测方法。首先,采用隔离森林(isolation forest,iForest)实现异常值处理,并利用异常值处理后的数据训练引入全局平均池化(global average pooling,GAP)的一维卷积去噪自编码器(convolutional denoising autoencoder,CDAE),间接地消除数据中的噪声,得到原始特征的低维增强表达。然后,采用自适应合成采样(adaptive synthetic,ADASYN)对异常值处理后的数据实现数据增强并运用训练完成的CDAE进行特征提取,将得到的低维特征作为LightGBM的输入,训练并进行贝叶斯参数寻优。最后,通过得到的CDAE+LightGBM组合模型实现对异常流量的精准分类。在NSL-KDD数据集上所提方法的五分类准确率和F1分数分别达到了87.80%和87.75%,能够有效提升检测精度,增强未知攻击的检测能力。在CICIDS2017场景数据集上的测试进一步验证了所提方法可行性,且优于与同类型的深度学习算法。

关键词：流量异常检测隔离森林卷积去噪自编码器自适应合成采样 LightGBM

来源：评论

学校读者我要写书评

暂无评论

锂离子电池健康状态的DCAE-Transformer预测方法研究

引用

三峡大学学报（自然科学版） 2025年第1期47卷 106-112页

作者：李浩平于波涛孟荣华金朱鸿杜昕毅李景瑞三峡大学机械与动力学院湖北宜昌443002

提出了一种基于Transformer的DCAE-Transformer模型,旨在改善健康状态(SOH)估计的准确性.该方法通过Pearson相关系数筛选关键特征,利用去噪自编码器(DAE)和卷积神经网络(CNN)相结合进行数据预处理和特征提取,再将数据输入Transformer框... 详细信息

提出了一种基于Transformer的DCAE-Transformer模型,旨在改善健康状态(SOH)估计的准确性.该方法通过Pearson相关系数筛选关键特征,利用去噪自编码器(DAE)和卷积神经网络(CNN)相结合进行数据预处理和特征提取,再将数据输入Transformer框架完成预测.使用NASA和CALCE提供的数据集进行验证,DCAE-Transformer模型在NASA电池样本上的误差指标(EMA、EMAP和ERMS)均低于1%,R2值超过99.5%;在CALCE样本上,误差指标低于5%,R2值超过98%.结果表明,该模型在锂电池SOH估计方面具有较高的精确性和泛化性.

关键词：锂电池健康状态估计卷积去噪自编码器 Transformer 预测性能

来源：评论

学校读者我要写书评

暂无评论

融合二次特征提取和自蒸馏的流量异常检测方法

引用

信息安全研究 2024年第12期10卷 1082-1090页

作者：陈万志赵林王天元辽宁工程技术大学软件学院辽宁葫芦岛125105 国网辽宁省电力有限公司营口供电公司辽宁营口115002

针对深度学习模型在处理非平衡的海量高维流量数据时对少数类攻击流量检测率低的问题,提出一种融合二次特征提取和自蒸馏的流量异常检测方法.首先,采用隔离森林(isolation forest,iForest)去除正常类样本中的离群点,训练改进的卷积去噪... 详细信息

针对深度学习模型在处理非平衡的海量高维流量数据时对少数类攻击流量检测率低的问题,提出一种融合二次特征提取和自蒸馏的流量异常检测方法.首先,采用隔离森林(isolation forest,iForest)去除正常类样本中的离群点,训练改进的卷积去噪编码器(convolutional denoising autoencoder,CDAE),减少数据中噪声和离群点对模型训练时的影响,得到原始特征的低维增强表示.其次,借助ADASYN在去除离群点的数据集上合成少数类攻击样本,解决数据失衡问题.然后,再利用iForest清除生成新样本中的离群点得到新数据集,利用训练好的CDAE对新数据集进行1次特征提取,提取的特征作为基于自蒸馏的ResNet模型输入完成2次特征提取.最后,通过组合训练好的CDAE和ResNet模型实现对异常流量的精准识别.该方法在NSL-KDD数据集上五分类准确率和F1分数最高分别达到91.52%和92.05%.实验结果表明,与现有的方法相比,该方法能够有效提升对少数攻击流量的检测率.

关键词：流量异常检测卷积去噪自编码器自蒸馏隔离森林自适应合成采样

来源：评论

学校读者我要写书评

暂无评论

基于CDAE-LMSAF的水下目标辐射信号增强

引用

电子测量技术 2023年第19期46卷 165-170页

作者：郭亚齐王鉴韩星程韩焱王中正中北大学山西省信息探测与处理重点实验室太原030051 中北大学省部共建动态测试技术国家重点实验室太原030051

针对远距离目标(如潜艇、鱼雷等)被动定位时存在海洋环境噪声、舰艇自身噪声等影响,从而导致定位精度降低的问题,本文提出了一种基于卷积去噪自编码器和自适应最小均方误差滤波(CDAE-LMSAF)的增强方法,通过提取水下目标辐射信号和含噪... 详细信息

针对远距离目标(如潜艇、鱼雷等)被动定位时存在海洋环境噪声、舰艇自身噪声等影响,从而导致定位精度降低的问题,本文提出了一种基于卷积去噪自编码器和自适应最小均方误差滤波(CDAE-LMSAF)的增强方法,通过提取水下目标辐射信号和含噪信号的时频谱图特征,作为卷积去噪自编码的输入进行训练和建模,再利用自适应滤波器对神经网络增强后的音频进行优化,实现对水下目标辐射信号的增强。仿真实验结果表明,在信噪比为-5 dB时,本文方法的信噪比为17.51 dB,相比于多窗谱谱减法的1.23 dB,卷积去噪自编码器的7.21 dB,自适应最小均方误差滤波的4.12 dB,本文方法具有更高的信噪比增益。

关键词：水下目标辐射信号信号增强卷积去噪自编码器自适应滤波器

来源：评论

学校读者我要写书评

暂无评论

基于态势的抗干扰效果评估技术

基于态势的抗干扰效果评估技术

引用

作者：李梦瑶西安电子科技大学

学位级别：硕士

当前,反舰导弹的制导主要依靠雷达导引头,但当导引头开始探测目标或者跟踪目标时,就会遭受到各式各样的干扰信号的攻击。导引头和干扰信号都是相互动态变化的,因此,基于双方对抗态势进行抗干扰效果评估至关重要。且已有的抗干扰效果获... 详细信息

当前,反舰导弹的制导主要依靠雷达导引头,但当导引头开始探测目标或者跟踪目标时,就会遭受到各式各样的干扰信号的攻击。导引头和干扰信号都是相互动态变化的,因此,基于双方对抗态势进行抗干扰效果评估至关重要。且已有的抗干扰效果获取评估方法存在获取评估信息困难,以及主观性强和实时性差的问题。论文针对上述问题,研究了以下几方面的内容: 首先,分析了导引头工作原理,并总结了导引头抗干扰过程中感知到的态势信息。对目前常见的有源压制式干扰样式、欺骗式干扰样式以及抗干扰技术进行了仿真分析。之后,基于主动导引头感知的位置态势和导引头本身的态势、以及主/被动导引头侦察到敌方有源干扰信号的态势信息,建立评估指标体系。其次,提出了基于态势的麻雀搜索算法优化卷积神经网络(Sparrow Search Algorithm-Convolutional Neural Network,SSA-CNN)抗干扰效果评估方法,该方法首先构建卷积神经网络回归预测模型,自动提取特征。然后针对人为调参效率不高的问题,利用麻雀算法优化卷积神经网络的学习率、迭代次数、批大小以及各层卷积核个数获得最优模型。仿真出三种抗干扰条件下的导引头参数集,归一化后输入到最优模型中进行训练和测试,得到抗干扰评估结果。三种抗干扰条件下优化后测试集的回归系数都达到98%以上。在导引头抗压制式干扰时,采用同样的测试集和训练集对比SSA-CNN与卷积神经网络(Convolutional Neural Network,CNN)、以及粒子群优化卷积神经网络(Particle Swarm Optimization-Convolutional Neural Network,PSO-CNN)模型,得出SSA-CNN的回归系数比CNN高出1.05%,比PSO-CNN回归系数高出0.09%。仿真实验表明,SSA-CNN可以很好地运用于导引头抗干扰效果评估。最后,研究了不完备信息下基于态势的抗干扰效果评估方法。该方法针对导引头发生固定单指标缺失、不固定单指标缺失以及固定双指标缺失的情况,利用卷积去噪自编码器对缺失指标进行补全,评估抗干扰效果。仿真结果表明该方法在信息不完备情况下进行抗干扰效果评估的有效性。本文根据导引头感知的态势从干扰设备变化、导引头固有指标、抗压制式干扰能力、抗欺骗式干扰能力、电磁环境复杂度五个方面构建抗干扰评估指标体系。并研究了SSA-CNN评估方法,该方法增强特征提取能力的同时避免了人为调参的缺陷,提高了抗干扰评估结果的准确性。然后,研究不完备信息下基于卷积去噪自编码器的抗干扰评估方法,该方法能有效对缺失指标进行补全,具有一定工程参考意义。

关键词：态势导引头 SSA-CNN 抗干扰效果评估卷积去噪自编码器

来源：评论

学校读者我要写书评

暂无评论

基于级联卷积神经网络的非笛卡尔磁共振成像研究

基于级联卷积神经网络的非笛卡尔磁共振成像研究

引用

作者：覃芹贵州大学

学位级别：硕士

磁共振成像是目前最好的医学成像方式之一,它具有无电离辐射、高软组织对比度等优点,因此在脑部、脊椎和膝盖等临床检测中起着重要作用。但磁共振成像的数据采集时间较长,并且这种缓慢的采集会引起病人的不适感和导致高昂的检查成本。因... 详细信息

磁共振成像是目前最好的医学成像方式之一,它具有无电离辐射、高软组织对比度等优点,因此在脑部、脊椎和膝盖等临床检测中起着重要作用。但磁共振成像的数据采集时间较长,并且这种缓慢的采集会引起病人的不适感和导致高昂的检查成本。因此,快速磁共振成像是磁共振领域的重大科学目标。在加速磁共振成像研究中,非笛卡尔采样具有绝对优势且逼近真实的成像场景。但非笛卡尔采样的数据非均匀分布,不能直接进行傅里叶重建,这导致重建算法计算复杂度较高,成像效率低。近年来,基于深度学习的方法被广泛使用,并在加速成像上明显优于传统算法,但针对非笛卡尔采样的研究较少。针对传统非笛卡尔磁共振成像速度慢的问题,本文提出将基于完全数据驱动的成像方法应用于非笛卡尔采样条件。实验结果表明,相比于传统算法该方法能够提升重建图像的结构相似性和非笛卡尔磁共振的成像速度。但模型训练时完全依赖数据集,模型的稳定性不强,泛化能力还有待提升。针对现有方法不能同时兼顾成像质量和成像速度的问题,本文提出了一种级联网络,网络是一种基于模型的深度学习网络(MoDL),是跨域网络的非笛卡尔推广。与基于完全数据驱动的成像方法相比,该级联网络依赖先验,稳定性更强。同时,为了提高级联网络的高频信息提取能力,本文提出在级联网络的Image-net中引入卷积去噪自编码器。实验结果表明,本级联网络对径向和螺旋这两种非笛卡尔采样均有效,其相关图像评价指标均优于现有方法。同时通过对比不同加速因子条件下各方法的成像性能,说明了本方法对高倍加速因子依然有效,能够提高成像性能。总的来说,本文结合模型驱动和数据驱动的优势,提出了一种能够同时提高非笛卡尔磁共振成像质量和速度的级联网络,并在径向和螺旋两种非笛卡尔采样下取得了较好的效果。这对推动非笛卡尔采样技术在磁共振成像上的应用起到了一定作用,同时能为快速磁共振成像的临床实现提供技术参考。

关键词：磁共振成像非笛卡尔采样级联网络卷积去噪自编码器

来源：评论

学校读者我要写书评

暂无评论

面向肿瘤介观荧光靶点的深度学习重建方法研究

面向肿瘤介观荧光靶点的深度学习重建方法研究

引用

作者：杜慧山东工商学院

学位级别：硕士

介观荧光分子层析成像(Mesoscopic Fluorescence Molecular Tomography,MFMT)是一种在介观尺度下的光学分子成像技术,它填补了宏观荧光分子成像和光学显微成像在成像空间分辨率为介观尺度(10μm-1000μm)上的真空地带,且能够在几毫米深... 详细信息

介观荧光分子层析成像(Mesoscopic Fluorescence Molecular Tomography,MFMT)是一种在介观尺度下的光学分子成像技术,它填补了宏观荧光分子成像和光学显微成像在成像空间分辨率为介观尺度(10μm-1000μm)上的真空地带,且能够在几毫米深度的生物组织内获得荧光靶点的三维分布,分辨率最高可达约100μm。然而,荧光靶点的重建问题实质上是一个不适定且病态的逆问题,并且易受到噪声的干扰。另外,高分辨率三维重建所需的密集空间采样和成像目标的精细离散化使敏感矩阵各列各行之间高度相关,同时也增加了测量数据的稠密度,这不仅增大了计算机内存的占用量,也增加了传统经典重建算法的重建时间。因此,本文针对上述问题,提出了两个重建方法:基于压缩感知和卷积稀疏自编码器(Sparse Net)的荧光靶点加速重建方法和基于去噪卷积自编码器(De Cnn Net)的荧光靶点高精度三维重建方法。具体研究工作主要包括:(1)针对在MFMT中,为实现高分辨率三维重建,密集的空间采样和成像生物组织的精细离散化所导致的敏感矩阵各行、列之间高度相关,同时也使通过MFMT成像系统所获得的测量数据过于稠密的问题,借助压缩感知理论的思想,设计了基于Sparse Net的荧光靶点加速重建方法。该方法利用卷积神经网络中多层卷积对敏感矩阵去相关、搭建稀疏编码器网络架构解决测量数据稠密问题以及利用传统重建算法借助Sparse Net预处理之后的测量数据和敏感矩阵对荧光靶点进行重建。经计算机数值仿真实验以及合成血管树重建实验结果表明所提出的方法可以大大提高传统重建算法的重建速度。(2)为进一步提高肿瘤介观荧光靶点(微细血管)的三维重建精度,解决MFMT中,噪声大,算法重建结果易受噪声干扰的问题,设计了基于De Cnn Net的荧光靶点高精度三维重建方法。该方法利用线性映射模块初步求解荧光靶点逆问题,设计U型架构的去噪自解码器模块对初始解去噪且稀疏化,同时为了避免神经网络在卷积时重要信息(例如,肿瘤微细血管的边缘信息、结构信息)丢失,网络中融入了数据一致层(Data Consistency Layer,DCL)和转置卷积。经计算机数值仿真实验以及合成血管树重建实验证明,此方法实现了用深度学习神经网络对荧光靶点精确直接重建的目的,对噪声具有很高的鲁棒性,相比较其他算法,重建精度得到了很大的提升。

关键词：介观荧光分子层析成像荧光靶点高分辨率三维重建卷积稀疏自编码器卷积去噪自编码器

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的滚动轴承抗噪故障诊断

基于深度学习的滚动轴承抗噪故障诊断

引用

作者：刘冲华东交通大学

学位级别：硕士

滚动轴承作为机械设备的重要易损部件之一,其故障具有不确定性、复杂性、多变性的特点。因此,研究滚动轴承故障诊断技术意义重大。传统的故障诊断方法借助专家知识从信号中人工提取特征,但由于信号的非稳态、非线性、非高斯等特点,这一... 详细信息

滚动轴承作为机械设备的重要易损部件之一,其故障具有不确定性、复杂性、多变性的特点。因此,研究滚动轴承故障诊断技术意义重大。传统的故障诊断方法借助专家知识从信号中人工提取特征,但由于信号的非稳态、非线性、非高斯等特点,这一过程需进行大量的分析和对比,费时费力。为实现特征的自动提取和识别,本文引入深度学习模型以解决该问题,深度学习算法以其强大的特征学习和分类能力,在智能故障诊断领域得到了广泛的应用。但是,深度学习模型受多层结构所带来的大量参数的影响,使得模型容易陷入过拟合。此外,实验条件下性能优良的算法在噪声环境下会严重退化。针对以上问题,本文提出一种基于卷积去噪自编码和卷积神经网络的联合抗噪算法,前者对原始信号去噪,后者对去噪信号进行故障诊断,并采用一维卷积操作来适应振动信号,实现对滚动轴承故障端到端的诊断。考虑到实际噪声环境具有复杂多变的特性,通过向原始样本中添加不同信噪比的高斯噪声来模拟实际工业环境下的噪声情况,为了提高联合诊断模型的抗噪能力,加强对噪声的鲁棒性,分别对卷积去噪自编码和卷积神经网络进行优化和改进,主要内容如下:针对轴承振动信号容易受到噪声污染,有效特征难以被提取的问题,本文提出一种基于全卷积神经网络的一维卷积去噪自编码(1D-Denoising Fully Convolutional AutoEncoder,1D-DFCAE)模型用于对原始信号去噪。相比于基于全连接结构的传统去噪自编码模型,1D-DFCAE采用卷积运算能有效解决全连接层参数过多的问题,并且1DDFCAE模型能通过增加网络的深度提升对特征的提取和重构能力,在此基础上,1DDFCAE舍弃了传统卷积神经网络的池化层。传统的CNN因采用全连接层作为分类器,导致参数过多,网络陷入过拟合风险。针对以上问题,本文提出一种改进的一维卷积神经网络(1D-Convolutional Neural Network,1D-CNN)模型,利用全局平均池化代替全连接层作为1D-CNN的分类器,能有效降低模型陷入过拟合的风险,减少模型训练消耗的时间。将本文提出算法与故障诊断领域主流算法进行比对,验证了本文算法的优越性。此外,对每一层卷积的输出结果进行可视化,能直观的看到每一层卷积之后样本的分布情况。考虑到滚动轴承在实际工业应用中的工况并非保持恒定不变,将本文算法应用于混合工况环境,并取得了较好的诊断效果。

关键词：深度学习卷积神经网络卷积去噪自编码器滚动轴承抗噪诊断

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：