检索结果-内蒙古大学图书馆

北京航空航天大学学报 2025年第1期51卷 85-93页

作者：段继忠肖琛昆明理工大学信息工程与自动化学院昆明650500

针对并行磁共振成像的重建,提出深度复数注意力网络(DCANet)模型。根据磁共振成像数据的复数性质,该模型使用复数卷积替换常规实数卷积;由于并行磁共振成像的数据中每个线圈获取到的数据有所不同,该模型还使用逐通道的注意力机制来重点... 详细信息

针对并行磁共振成像的重建,提出深度复数注意力网络(DCANet)模型。根据磁共振成像数据的复数性质,该模型使用复数卷积替换常规实数卷积;由于并行磁共振成像的数据中每个线圈获取到的数据有所不同,该模型还使用逐通道的注意力机制来重点关注有效特征较多的通道;该模型使用数据一致性层保留采样过程中的原始数据,最终形成级联网络。使用3个不同的采样模式对2个不同磁共振成像数据序列进行实验,实验结果表明:DCANet模型具有较好的重建效果,能够获得更高的峰值信噪比(PSNR)和结构相似性指数(SSIM),以及更低的高频误差范数(HFEN),其中,PSNR相比磁共振成像级联通道注意力网络(MICCAN)、Deepcomplex、双倍频网络(DONet)这3种模型平均分别提高了4.52 dB、2.30 dB和1.21 dB。

关键词：并行磁共振成像图像重建深度学习复数卷积网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

面向语音增强的双复数卷积注意聚合递归网络

引用

计算机应用 2023年第10期43卷 3217-3224页

作者：余本年詹永照毛启容董文龙刘洪麟江苏大学计算机科学与通信工程学院江苏镇江212013 江苏省大数据泛在感知与智能农业应用工程研究中心江苏镇江212013

针对现有的语音增强方法对语谱图特征关联信息表达有限和去噪效果不理想的问题,提出一种双复数卷积注意聚合递归网络(DCCARN)的语音增强方法。首先,建立双复数卷积网络,对短时傅里叶变换后的语谱图特征进行两分支信息编码;其次,将两分... 详细信息

针对现有的语音增强方法对语谱图特征关联信息表达有限和去噪效果不理想的问题,提出一种双复数卷积注意聚合递归网络(DCCARN)的语音增强方法。首先,建立双复数卷积网络,对短时傅里叶变换后的语谱图特征进行两分支信息编码;其次,将两分支中编码分别使用特征块间和特征块内注意力机制对不同的语音特征信息进行重标注;再次,使用长短期记忆(LSTM)网络处理长时间序列信息,并用两解码器还原语谱图特征并聚合这些特征;最后,经短时逆傅里叶变换生成目标语音波形,以达到抑制噪声的目的。在公开数据集VBD(Voice Bank+DMAND)和加噪的TIMIT数据集上进行的实验的结果表明,与相位感知的深度复数卷积递归网络(DCCRN)相比,DCCARN在客观语音感知质量指标(PESQ)上分别提升了0.150和0.077~0.087。这验证了所提方法能更准确地捕获语谱图特征的关联信息,更有效地抑制噪声,并提高语音的清晰度。

关键词：语音增强注意力机制复数卷积网络编码长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于深度复卷积神经网络的滚动轴承故障诊断方法研究

基于深度复卷积神经网络的滚动轴承故障诊断方法研究

引用

作者：韩冰北京交通大学

学位级别：硕士

伴随着现代科学技术的超高速发展和机械设备复杂化和智能化的逐步加深,机械设备的运行工况和工作环境越来越复杂。当机械设备出现故障时,依靠专家对采集到的信号进行分析并判断出故障类型费时费力,且在错综复杂的工况下缺乏通用性,已经... 详细信息

伴随着现代科学技术的超高速发展和机械设备复杂化和智能化的逐步加深,机械设备的运行工况和工作环境越来越复杂。当机械设备出现故障时,依靠专家对采集到的信号进行分析并判断出故障类型费时费力,且在错综复杂的工况下缺乏通用性,已经不能满足大型机械设备故障诊断的要求。本文针对该问题,以旋转机械中最常用的零部件轴承作为研究对象,根据深度学习搭建复数卷积神经网络,利用该网络对轴承信号进行特征提取和分类。具体内容如下:本文首先设计2层卷积层的一维卷积神经网络,采用全局均值池化层(Global Average Pooling Layer)对网络结构进行改进,通过对比不同优化算法和学习率的实验结果得到了模型最优训练参数。对振动信号进行诊断的实验结果证明,直接使用振动信号作为输入可以取得较好的预测性能,但仍存在优化的空间。针对二维卷积神经网络对图像分类问题具有较好的性能,本文设计8层二维卷积神经网络,通过滑窗取样将一维时域信号制作成图片,送入二维卷积神经网络进行实验验证。实验结果证明,模型在西储大学轴承数据集上的识别率可以达到85%左右,但由于图片数据集数据量较大,导致网络训练耗时严重。针对传统卷积神经网络仅能处理单一类型的数据,利用傅里叶变换可以将原始实数数据转换成同时携带时域和频域信息的复数数据,设计了8层一维复数卷积神经网络,该网络接收复数数据作为输入。由于同时提取轴承信号中的时域和频域的故障特征,经过实验验证,该模型可以达到100%的准确率。利用PCA对故障特征进行降维,对复数卷积神经网络分类过程进行可视化。针对实际应用中对轴承故障标签信息的不足,提出了特征迁移和卷积神经网络相结合的方法。首先通过卷积神经网络对轴承原始时域数据进行特征提取,再利用TCA算法和JDA算法对特征提取后的数据进行特征迁移,利用KNN算法根据源域数据特征预测目标域数据种类,将预测值与实际值对比得出预测准确率。针对实际应用中对轴承故障测量信息的不足,设计基于模型迁移的复数卷积神经网络。先利用源域数据对网络进行训练,然后将网络前2层卷积层进行迁移,利用目标域数据对迁移后的网络进行微调和分类测试。特征迁移和模型迁移的实验结果均证明,变负载情况时源域和目标域数据之间特征差异较小,可迁移性较好,而变故障直径和变采样位置时源域和目标域数据之间特征差异较大,可迁移性较差。

关键词：卷积神经网络复数卷积网络傅里叶变换迁移学习特征迁移模型迁移

来源：评论

学校读者我要写书评

暂无评论

基于特征注意聚合和上下文时序语音增强方法研究

基于特征注意聚合和上下文时序语音增强方法研究

引用

作者：余本年江苏大学

学位级别：硕士

随着语音技术的发展,智能语音设备在日常生活中的需求日益显现,语音增强技术也引起了学界和业界的广泛关注。语音增强技术作为语音识别任务中的关键技术之一,一直以来都是人们研究的热点,在语音通信、智能家居、语音翻译等领域有着广泛... 详细信息

随着语音技术的发展,智能语音设备在日常生活中的需求日益显现,语音增强技术也引起了学界和业界的广泛关注。语音增强技术作为语音识别任务中的关键技术之一,一直以来都是人们研究的热点,在语音通信、智能家居、语音翻译等领域有着广泛的应用前景。在语音增强任务中,目标语音特征之间存在潜在相互作用和上下文时序信息相关等多方面因素,会在一定程度上影响语音增强性能。因此,在复杂的声学场景中,如何基于语音特征之间潜在关联信息和上下文时序相关信息等问题,是语音增强任务研究的重要突破点。在查阅和整理了国内外大量研究文献的基础上,本文首先概述了单通道语音增强的应用,国内外研究现状以及面临的问题与挑战;其次阐述了单通道语音增强的分类、架构以及用于语音增强的深度网络模型。本文以充分挖掘语音高维特征中各维度之间可能存在潜在相关性信息作为研究的出发点,提出基于双复数卷积注意聚合递归网络的单通道语音增强方法,充分学习语音特征块间和特征块内的潜在相关性;单通道语音增强任务中语音上下文时间序列变化信息会影响语音增强性能,针对这一问题本文提出基于双复数卷积注意聚合时序优化网络的单通道语音增强方法,在时间周期内和周期间两个维度上,提升网络模型对语音上下文时间序列变化信息的充分表达。最后在上述两个方法的基础上,设计并实现一个单通道语音增强原型系统。本文的主要研究内容有以下几个方面:(1)考虑到语音中信号存在潜在的关联性,提出了基于双复数卷积注意聚合递归网络的单通道语音增强方法。该方法通过构建语音特征块间注意力机制和块内注意力机制更有效地学习语音高维特征中块间和块内的潜在相关性,同时将构造的注意力网络嵌入到双分支深度复数卷积网络中引导学习更多的语音相位信息,提升最终的语音增强性能。在相关的语音增强数据集上的实验结果验证了双复数卷积注意聚合递归网络模型是有效的。对比前沿的语音增强方法,该方法可以有效地提升单通道语音增强的综合性能。(2)针对语音的上下文时间序列信息对单通道语音增强性能有一定的影响问题,考虑到语音信号上下文时序变化中的时间周期间和周期内的潜在关联关系信息,提出了基于双复数卷积注意聚合时序优化网络的单通道语音增强方法。为了进一步解决语音增强任务中语音上下文时间序列信息表达不充分的问题,构建了复数时间序列网络。该网络将语音特征在时间维度上进行切片,将每一个时间片内看作是时间周期内,每个时间片间看作是时间周期间,通过分别对时间周期内和周期间的学习来提升语音增强任务中语音上下文时序变化信息的表达。最后将时间周期内和周期间的特征进行自适应加权融合,学习生成鲁棒性更强的语音上下文时序变化特征。通过在单通道语音增强数据集上的实验结果表明,双复数卷积注意聚合时序优化网络模型能够进一步提升单通道语音增强任务的综合性能,提升了估计语音的客观质量和可懂度。(3)采用Python语言,Pytorch深度学习框架以及Py Qt5进行系统界面开发,设计并实现了一个单通道语音增强的原型系统,该系统集成了语音数据预处理、模型训练、语音增强和试听与可视化四个功能。本系统具有界面美观、操作简单、交互体验较好,能为用户带来良好的体验感,在功能方面实现了集成特征注意聚合和上下文时序优化的单通道语音增强方法,说明了本文所提方法的可用性。

关键词：单通道语音增强复数卷积网络注意力机制上下文时间序列

来源：评论

学校读者我要写书评

暂无评论

面向复杂场景的目标分类方法

面向复杂场景的目标分类方法

引用

作者：周剑杭州电子科技大学

学位级别：硕士

正确地识别目标物体是实现机器智能化的关键任务。近年来,随着深度学习技术的发展,目标分类任务已经取得了显著的进展。然而,当前的目标分类技术大多都是基于图像的。图像在网络传输差、物体被遮挡等复杂情况下是难以获取的。因此,研究... 详细信息

正确地识别目标物体是实现机器智能化的关键任务。近年来,随着深度学习技术的发展,目标分类任务已经取得了显著的进展。然而,当前的目标分类技术大多都是基于图像的。图像在网络传输差、物体被遮挡等复杂情况下是难以获取的。因此,研究如何在目标图像不容易获取时的目标分类方法也是非常重要的。图像不容易获取的场景是多种多样的,本文仅研究两种情况下的解决方案:1)网络情况差,图像不利于传输;2)光照条件差或者物体被遮挡。对于第一种情况,本文提出利用用户点击这种可在网络中高效传输的文本数据类型来表征图像语义信息;对于第二种情况,本文提出利用不受可见光条件干扰的电磁散射数据来解决。因此,本文主要围绕基于点击数据和散射场数据的目标分类方法展开研究,具体包括以下两部分内容:(1)基于深度点击的目标图像分类方法。点击数据具有高层的语义,贴近人类对于目标物体的理解。利用用户点击数据,目标可以表示为在查询文本下的用户点击次数向量。但是这种向量高度稀疏,表征能力有限。本文提出利用自然语言的技术,将查询文本切分为单词后,利用TF-IDF算法,将目标表征为单词词典下的TF-IDF向量。在此基础上,本文提出在构建TF-IDF点击特征向量时考虑单词词性,为用户点击的查询构建不同词性的字典。进一步地,本文提出利用这些词性分解的点击特征向量去构建一个点击特征张量,并为该点击特征张量设计一个专属的深度点击网路来挖掘它的深度点击特征。实验结果表明,点击特征张量具有丰富的语义性,能够达到更好的分类性能。(2)基于电磁散射特征的目标分类方法。散射场数据是微波探测物体后,利用电磁波传感器接受到的一种数据。散射场数据是一种复数形式的数据,我们提出在目标物上探测到的电磁散射数据上构建深度模型,挖掘目标的深度散射特征。然而,相比于在计算机视觉领域经常使用的面向实数输入的深度模型,复数输入上构建深度模型相对困难。因此,本文提出了一种由复数组件构成的复数深度卷积神经网络、并利用注意力机制来自动学习散射场的判别特征。此外,为了应对实际场景,我们从抗噪能力和有限孔径两方面研究了模型的鲁棒性。实验结果表明,带有注意力机制的复数卷积神经网络不仅能够有效地学习到散射场数据的更有区分性的深度特征,同时具有很好的鲁棒性。

关键词：深度学习点击数据散射场目标分类复数卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于对比学习的极化SAR地物分类方法

基于对比学习的极化SAR地物分类方法

引用

作者：吕坚西安电子科技大学

学位级别：硕士

近些年来,随着深度学习技术的发展,深度神经网络被证明在计算机视觉领域有着十分出色的性能。而在极化SAR(Polarimetric synthetic aperture radar,PolSAR)数据解译的过程中,深度神经网络的兴起也正在逐步取代传统的基于极化SAR数据散... 详细信息

近些年来,随着深度学习技术的发展,深度神经网络被证明在计算机视觉领域有着十分出色的性能。而在极化SAR(Polarimetric synthetic aperture radar,PolSAR)数据解译的过程中,深度神经网络的兴起也正在逐步取代传统的基于极化SAR数据散射特性以及一些分解理论的解译方法。事实证明,深度神经网络模型的确在极化SAR数据解译的任务,如地物分类中取得了优越的性能,得到较高的分类准确度。这些方法大都将极化SAR数据视作实数,与自然图像不同,极化SAR数据有着其独特的散射特性以及复数特性,而且极化SAR数据的多模态表征十分丰富,拥有着前人在传统方法中提出的各种分解理论。以往的方法大都没有充分利用这些信息,导致了数据解译过程中信息的流失。使用监督式的学习方法,需要大量的人工标注数据,才能取得较好的分类性能。极化SAR数据的标注是一件非常耗时且耗力的工作,而且随着雷达成像技术和卫星发射技术的不断进步,地球每天都会接收海量的数据等待解译,建立一套拥有着一定程度的自主性的数据解译智能系统显然是研究的重中之重。因此,如何能够在使用少量标签数据的情况下,充分利用极化SAR数据的特性,从而提高极化SAR地物分类的精度,是当前研究的重点。自监督学习方法(Self-supervised learning,SSL)被证明是一个很好的解决途径。随着自监督学习在计算机视觉领域的成功应用,以其独特的对标签数据量要求少这一优势深受研究者的青睐。本文采用自监督方法中的对比学习(Contrastive learining,CL)思想,提出了三种基于对比学习的极化SAR地物分类模型,通过设计合适的辅助任务,自动从无标签数据中进行特征提取,得到好的特征表示。论文中的三种对比学习辅助任务基于三种不同的思想机制,旨在探索如何在标签数据有限的情况下去提高极化SAR地物分类的精确性和鲁棒性。主要工作如下。首先是基于正负样本机制对比学习,提出极化SAR多模态复值特征增强对比学习模型(Complex value augmented contrastive learning,CVA＿CL)。利用极化SAR数据的不同模态以及复数特性,对输入数据作数据增强操作,利用数据增强后的不同视图构建正负样本,同一样本的不同视图为正样本,其余样本为负样本,构建损失函数,衡量样本之间的相似性。并且使得正样本之间的距离在特征空间中尽可能相近,使负样本远离,从而完成预训练任务。通过此方法可以很好地利用极化SAR数据的数据特性,使用无标签数据自动地进行特征提取,通过将预训练模型迁移到地物分类任务中,提高分类精度。其次是抛弃正负样本思想,采用负样本非必要对比学习机制,提出极化SAR复数卷积对比学习模型(Complex convolutional network contrastive learning,Com Net＿CL)。以往的方法往往将极化SAR数据视作实数送入网络进行特征提取,本模型使用多模态数据作为输入数据,利用复数卷积网络定义学生网络和教师网络进行特征提取。在定义损失函数时抛弃正负样本的思想,不去定义何为正样本,何为负样本,直接计算两个样本之间的相似性,降低了对负样本以及大规模训练批次的要求。通过此方法可在预训练阶段得到更好的特征表示,从而提高分类精度以及模型的鲁棒性。最后是基于原型对比学习机制,提出极化SAR原型对比学习模型(PolSAR prototypical contrastive learning,PolSAR＿PCL)。针对对比学习中存在的模型奔溃问题,设计合适的辅助任务,充分考虑了样本之间的语义相似性。通过定义不同模态特征与数据原型之间的互相关矩阵,并且使之接近于单位矩阵,完成预训练任务。通过此方法充分考虑了样本之间的语义相似性,从而提高分类精度。

关键词：极化SAR 地物分类对比学习辅助任务复数卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于毫米波通信大规模天线阵列的预编码技术研究

基于毫米波通信大规模天线阵列的预编码技术研究

引用

作者：李咏梅东南大学

学位级别：硕士

近年来全球各种无线终端设备的数量呈爆炸式增加的趋势,致使移动数据的需求增加速度越来越快,现有的通信频段愈发饱和。处于高频段的毫米波通信有着丰富的频谱资源,因此受到了学术界广泛的关注。但是,由于毫米波频率高,波长短,信号在传... 详细信息

近年来全球各种无线终端设备的数量呈爆炸式增加的趋势,致使移动数据的需求增加速度越来越快,现有的通信频段愈发饱和。处于高频段的毫米波通信有着丰富的频谱资源,因此受到了学术界广泛的关注。但是,由于毫米波频率高,波长短,信号在传输过程中路径损耗大,易受阴影影响,严重时可能会导致通信中断。针对这些挑战,学术界的研究者提出了许多方案,其中混合波束成形和大规模天线阵列相结合毫米波通信系统模型成为主流架构并不断优化发展。大规模天线阵列拥有大量的发送天线和接收天线,产生的天线增益可以有效弥补路径损耗。数字与模拟相混合的波束成形结构可以减少射频链路的数量。但是,在这种毫米波通信架构中,发射端功率放大器的数量仍然会随着发送天线的增加而增加。所以降低功率放大器的损耗,对提高系统效率十分关键。为了提高功率放大器的能量转换效率,需要降低发射端毫米波信号的功率峰均比（Peak-to-Average Power Ratio,PAPR）以保证功率放大器稳定地工作在饱和区附近。本文研究基于毫米波通信的大规模天线阵列的预编码技术,以实现发射信号PAPR的压缩。本文主要工作内容如下:针对发射端天线的峰值功率受限的毫米波通信系统,本文介绍了传统的数学优化模型的毫米波信号的功率峰均比压缩方案,即快速迭代收缩阈值算法（Fast Iterative Shrinkage-Thresholding Algorithm,FISTA）,这种方案利用改进的Squash方法求解近端优化问题。在阐述了复数神经网络设计方案的基础上,针对发射端天线的最大发射功率不受约束的场景,本文提出了一种基于复数神经网络的毫米波信号的功率峰均比压缩方案（AE1d）。设计了基于一维卷积网络构成的自编码器用来进行毫米波信号的功率峰均比压缩,并根据互补累计分布函数和系统误码率两个指标参数设计了基于多任务学习的损失函数。通过仿真表明了AE1d方案能取得较好的功率峰均比性能和误码率性能,并说明了损失函数中权重对毫米波信号的功率峰均比性能和系统误码率性能的影响。最后,针对发射端单天线峰值功率受限的场景,本文对AE1d方案进行改进提出了AE2d方案。设计了基于二维复数卷积网络构成的自编码器。并对损失函数进行优化,构造了基于神经网络预测权重的多任务损失函数,以实现毫米波信号的功率峰均比压缩。同时,对经过编码器编码后的信号进行了削波操作以满足发射天线最大功率约束的条件。最终的仿真结果表明,相对于FISTA算法,AE2d方案的毫米波信号的功率峰均比显著下降,系统误码率也比较低,而且复杂度也有所下降。

关键词：毫米波通信大规模天线阵列 PAPR压缩自编码器复数卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的FDD大规模MIMO系统下行CSI反馈技术

引用

移动通信 2022年第7期46卷 23-28页

作者：华敏妤张逸彬孙金龙杨洁南京邮电大学通信与信息工程学院江苏南京210023

准确的CSI反馈是FDD大规模MIMO系统中的关键技术之一。为了解决现有基于深度学习的压缩反馈会因分解复值CSI矩阵而造成信息损失的问题,提出了一种改进的下行CSI反馈技术,基于全卷积模型的CVCNN算法,利用复卷积层和反卷积层分别对下行CS... 详细信息

准确的CSI反馈是FDD大规模MIMO系统中的关键技术之一。为了解决现有基于深度学习的压缩反馈会因分解复值CSI矩阵而造成信息损失的问题,提出了一种改进的下行CSI反馈技术,基于全卷积模型的CVCNN算法,利用复卷积层和反卷积层分别对下行CSI进行压缩和解压缩,避免了分解复值带来的损耗。实验结果表明,相较于传统的基准CsiNet算法,所提出的CVCNN算法提升了下行CSI的重构精度,同时降低了存储和计算开销。

关键词：复数卷积网络频分双工大规模MIMO 深度学习 CSI反馈

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：