检索结果-内蒙古大学图书馆

信息系统工程 2024年第11期 56-59页

作者：王祥波王军锋宋一琦中国石油长庆油田数字和智能化事业部中国石油长庆油田公司第三采油厂

在油田监控中,智能算法的应用显著提高了作业效率和安全性。然而,由于油田环境的特殊性,获取大量标注数据较为困难,导致小样本训练成为必须解决的问题。研究在小样本条件下训练智能算法的方法,通过数据增强、转移学习和元学习等技术,旨... 详细信息

在油田监控中,智能算法的应用显著提高了作业效率和安全性。然而,由于油田环境的特殊性,获取大量标注数据较为困难,导致小样本训练成为必须解决的问题。研究在小样本条件下训练智能算法的方法,通过数据增强、转移学习和元学习等技术,旨在提升算法在油田作业场景下的识别能力,并探讨减少误告警率的优化方法。实验结果表明,这些方法显著提高了模型性能和鲁棒性,降低了误告警率。研究成果为智能算法在油田监控中的应用提供了新的思路和方法,具有重要的实践意义。

关键词：油田监控小样本训练误告警率

来源：评论

学校读者我要写书评

暂无评论

基于迁移学习小样本训练的SAR目标识别

基于迁移学习小样本训练的SAR目标识别

引用

第十五届中国航天电子技术研究院学术交流会

作者：吴国强白涛王诗源季飞黄坤北京航天无人机所系统工程研究所

传统的深度神经网络在训练的过程中,需要的样本数量大,训练时间长,难以收敛。由于SAR目标数据获取的成本高,成像质量较差,使传统的深度神经网络,在针对SAR目标的训练过程中,得到的网络很难以收敛。本文提出了一种基于迁移学习的SAR目标... 详细信息

传统的深度神经网络在训练的过程中,需要的样本数量大,训练时间长,难以收敛。由于SAR目标数据获取的成本高,成像质量较差,使传统的深度神经网络,在针对SAR目标的训练过程中,得到的网络很难以收敛。本文提出了一种基于迁移学习的SAR目标识别方式,该方式需要少量的训练样本,少量的训练次数,即可完成对目标的训练。迁移学习可以将一个训练好的网络迁移到一个全新的网络里,而不需要为了一个特定的任务去从头训练一个神经网络。同时也能达到97.8%的准确率,能有有效迅速的完成对SAR目标的识别工作。

关键词：迁移学习 SAR 目标识别小样本训练

来源：评论

学校读者我要写书评

暂无评论

基于多尺度-组合式循环神经网络的内燃机缸套表面磨损量预测方法

引用

摩擦学学报(中英文) 2025年第2期45卷 315-324页

作者：张永芳侯丕鸿杨鑫亮陈锐搏康建雄邢志国吕延军西安理工大学机械与精密仪器工程学院陕西西安710048 西安理工大学印刷包装与数字媒体学院陕西西安710054 兰州理工大学机电工程学院甘肃兰州730050 陆军装甲兵学院装备再制造技术国防科技重点实验室北京100072

缸套作为内燃机的关键部件,其磨损状况直接影响内燃机活塞-缸套系统的服役性能.为了准确预测内燃机缸套表面的磨损状况,本文中提出了1种多尺度组合式的循环神经网络(MIXRNN)模型,该模型融合了多尺度特征提取技术与组合式循环神经网络(R... 详细信息

缸套作为内燃机的关键部件,其磨损状况直接影响内燃机活塞-缸套系统的服役性能.为了准确预测内燃机缸套表面的磨损状况,本文中提出了1种多尺度组合式的循环神经网络(MIXRNN)模型,该模型融合了多尺度特征提取技术与组合式循环神经网络(RNN)架构,通过捕捉和学习缸套磨损过程中的时序特征及其动态关系,使其具备了非线性磨损量回归的能力.基于内燃机缸套实际运行数据的测试表明:该模型在平均绝对误差、平均相对误差、根均方误差及决定系数等性能指标上显著优于传统的RNN及其变体模型,尤其在处理小样本数据集和长时间序列数据时,具有很好的鲁棒性和准确性,为内燃机活塞-缸套系统的剩余寿命预测和服役性能评估提供了参考和依据.

关键词：内燃机缸套磨损量预测多尺度特征组合式循环神经网络小样本训练

来源：评论

学校读者我要写书评

暂无评论

采用迁移学习的小样本锂电池荷电状态估算方法

引用

西安交通大学学报 2023年第11期57卷 142-150页

作者：李龙燕旭朦张钰声冯雅琳胡红利段羽洁崔晨辉国网陕西省电力有限公司电力科学研究院 710199西安西安交通大学电气工程学院西安710049 国网西安高新供电公司西安710076

针对锂电池荷电状态(SOC)估算面临的大型数据集获取困难和训练速度慢的问题,结合深度学习和迁移学习提出一种小样本锂电池荷电状态估算方法。基于卷积-长短期记忆网络(CNN-LSTM)构建深度神经网络结构。在源域上采用K折交叉验证对NASA数... 详细信息

针对锂电池荷电状态(SOC)估算面临的大型数据集获取困难和训练速度慢的问题,结合深度学习和迁移学习提出一种小样本锂电池荷电状态估算方法。基于卷积-长短期记忆网络(CNN-LSTM)构建深度神经网络结构。在源域上采用K折交叉验证对NASA数据集进行划分,选取SOC估计性能最优的网络,利用目标域内具有多种工况和温度条件的Panasonic小样本数据进行迁移学习。为了提升方法的整体性能,分析了网络超参数对SOC估计结果的影响。实验结果表明:在相同的迭代次数下,该方法在不同的工况下可以较准确地实现小样本电池SOC估计,相较于非小样本迁移学习处理方法的均方根误差降低了47.29%。

关键词：电池荷电状态迁移学习小样本训练 K折交叉验证

来源：评论

学校读者我要写书评

暂无评论

结合自监督学习和生成对抗网络的小样本人脸属性识别

引用

中国图象图形学报 2020年第11期25卷 2391-2403页

作者：疏颖毛龙彪陈思严严厦门大学信息学院厦门361005 厦门大学福建省智慧城市感知与计算重点实验室厦门361005 厦门理工学院计算机与信息工程学院厦门361024

目的人脸属性识别是计算机视觉和情感感知等领域一个重要的研究课题。随着深度学习的不断发展,人脸属性识别取得了巨大的进步。目前基于深度学习的人脸属性识别方法大多依赖于包含完整属性标签信息的大规模数据集。然而,对于小样本数据... 详细信息

目的人脸属性识别是计算机视觉和情感感知等领域一个重要的研究课题。随着深度学习的不断发展,人脸属性识别取得了巨大的进步。目前基于深度学习的人脸属性识别方法大多依赖于包含完整属性标签信息的大规模数据集。然而,对于小样本数据集的属性标签缺失问题,人脸属性识别方法的准确率依然较低。针对上述问题,本文提出了一种结合自监督学习和生成对抗网络的方法来提高在小样本数据集上的人脸属性识别准确率。方法使用基于旋转的自监督学习技术进行预训练得到初始的属性识别网络;使用基于注意力机制的生成对抗网络得到人脸属性合成模型,对人脸图像进行属性编辑从而扩充训练数据集;使用扩充后的训练数据集对属性识别网络进行训练得到最终模型。结果本文在小样本数据集UMD-AED(University of Maryland attribute evaluation dataset)上进行了实验并与传统的有监督学习方法进行了比较。传统的有监督学习方法达到了63.24%的平均准确率,而所提方法达到了69.01%的平均准确率,提高了5.77%。同时,本文在Celeb A(Celeb Faces attributes dataset)、LFWA(labeled faces in the wild attributes dataset)和UMD-AED数据集上进行了使用自监督学习和未使用自监督学习的对比实验,验证了自监督学习在小样本数据集上的有效性。结论本文所提出的结合自监督学习和生成对抗网络的人脸属性识别方法有效提高了小样本数据集上属性识别的准确率。

关键词：人脸属性识别自监督学习生成对抗网络(GAN) 数据增强小样本训练

来源：评论

学校读者我要写书评

暂无评论

小样本条件下动力电池容量和内阻协同估计

引用

西南大学学报（自然科学版） 2024年第12期46卷 14-23页

作者：朱建功张仁杰姜波戴海峰魏学哲同济大学汽车学院上海201800

锂离子电池的容量和内阻分别是表征电池系统能量和功率特性的重要参数,准确估计容量和内阻对于电动汽车电池管理系统有至关重要的作用.提出了一种数据驱动的电池容量和内阻估计方法.该方法首先从电池的恒流充电片段提取容量增量(increme... 详细信息

锂离子电池的容量和内阻分别是表征电池系统能量和功率特性的重要参数,准确估计容量和内阻对于电动汽车电池管理系统有至关重要的作用.提出了一种数据驱动的电池容量和内阻估计方法.该方法首先从电池的恒流充电片段提取容量增量(incremental capacity,IC)特征,经过重采样方法构建特征向量.然后将IC特征输入弹性网络模型进行训练,从而实现容量和内阻估计.应用KIT数据集对所提方法进行验证.结果表明:该模型可以在相同特征输入下实现高精度的容量和内阻协同估计,且在小样本训练(仅使用2个电池作为训练集)时保持容量估计误差在2%以内,内阻的估计误差在3%以内.最后提出了基于容量和内阻双参量的“三段式”电池评价方法.

关键词：锂离子电池数据驱动容量和内阻估计小样本训练电池评价方法

来源：评论

学校读者我要写书评

暂无评论

建筑安全事故通告关键信息自动提取方法

引用

科学技术与工程 2022年第10期22卷 4026-4032页

作者：董国鹏徐旭升中铁七局集团有限公司勘测设计研究院郑州450016

在建筑工程项目中,高效地对施工安全进行管理是十分重要的。工程安全事故通告记录了实际施工过程中发生事故的相关信息。但是从业人员对这种非结构化文本进行总结和分析是比较困难的。随着自然语言过程(natural language process,NLP)... 详细信息

在建筑工程项目中,高效地对施工安全进行管理是十分重要的。工程安全事故通告记录了实际施工过程中发生事故的相关信息。但是从业人员对这种非结构化文本进行总结和分析是比较困难的。随着自然语言过程(natural language process,NLP)技术的快速发展,为了有效地对这一类文本进行处理,学者们已经取得了一些不错的成果。但是现阶段的一个关键问题是深度神经网络的训练需要大规模的训练数据集。并且建筑工程行业中数据来源非常有限,所以数据集对建筑工程行业来说是一个巨大的挑战。现提出一个基于自然语言处理的小样本训练方法。首先通过一种基于交叉组合的文本数据增广算法扩大数据集,然后以“字符”为检测单元进行汉字语义编码,使用BiLSTM-CRF模型作为检测核心对文本进行处理。最后,以安全事故通告为对象进行分析处理,为施工的安全管理提供了理论指导。

关键词：自动信息提取工程管理小样本训练数据增广建筑事故通告

来源：评论

学校读者我要写书评

暂无评论

基于小样本下改进ChaosNet的轴承故障诊断

引用

组合机床与自动化加工技术 2024年第2期 182-185,192页

作者：李天昊李志星王衍学北京建筑大学机电与车辆工程学院北京100044 北京建筑大学城市轨道交通车辆服役性能保障重点实验室北京100044

为解决在训练样本不足条件下,轴承故障特征提取困难的问题,提出一种基于改进神经混沌学习(neurochaos learning+AdaBoost,NL-AdaBoost)的轴承故障诊断新方法。首先,对时域振动信号进行快速傅里叶变换(fast fourier transform,FFT)提取... 详细信息

为解决在训练样本不足条件下,轴承故障特征提取困难的问题,提出一种基于改进神经混沌学习(neurochaos learning+AdaBoost,NL-AdaBoost)的轴承故障诊断新方法。首先,对时域振动信号进行快速傅里叶变换(fast fourier transform,FFT)提取频域特征,拼接时频域信号获得一维特征样本;其次,输入信号产生对混沌GLS神经元的激励,形成ChaoFEX特征,馈送至集成学习分类器(AdaBoost);随后,选取轴承故障特征样本,对样本集做k折交叉验证,获得模型最优超参数值,将其应用于测试集进行模型分类能力验证;最后,在小样本对比实验中,与4种常见深度学习算法比较模型的macro F1-score。实验结果证明,在低训练样本条件下,NL-AdaBoost模型具有良好的准确性和泛化能力。

关键词：小样本训练神经混沌学习滚动轴承故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于神经网络的主动热成像数据分析方法研究

基于神经网络的主动热成像数据分析方法研究

引用

作者：郑燕鹏中国计量大学

学位级别：硕士

主动热成像是一种用于缺陷检测和材料评估的无损检测技术。其数据特征信息主要通过时空连续演变规律体现,特征设计困难。神经网络在机器视觉任务中应用广泛,且视觉数据与热成像数据形式上相似。本文对神经网络应用于主动热成像数据分析... 详细信息

主动热成像是一种用于缺陷检测和材料评估的无损检测技术。其数据特征信息主要通过时空连续演变规律体现,特征设计困难。神经网络在机器视觉任务中应用广泛,且视觉数据与热成像数据形式上相似。本文对神经网络应用于主动热成像数据分析的几个关键技术进行研究。(1)对主动热成像进行分析,确定应用神经网络的关键问题。分析激光热成像检测裂纹和评估导热系数常规数据处理方法存在的难点,采用神经网络分析数据。针对小样本训练问题,提出从模型参数、迁移学习和仿真数据三方面进行研究。(2)分析模型参数、仿真数据训练对小样本训练问题的有效性。构建不同参数规模的卷积神经网络,将实验数据训练、测试的结果与仿真数据训练、实验数据测试的结果进行对比。结果表明仿真数据对于解决小样本训练问题有效,但网络参数少可能无法达到满意的效果。(3)分析迁移学习、仿真数据对小样本训练问题的有效性。以ImageNet训练集预训练的VGG-16模型为基础,分别从实验数据直接迁移学习,仿真数据迁移学习并用实验数据测试,实验数据在仿真数据预训练的模型上迁移学习三个方面进行验证。结果表明:采用其它机器视觉任务预训练的模型进行迁移学习对于解决小样本训练问题有效,且采用仿真数据预训练后,再用实验数据迁移学习的方法更好,模型漏检率误检率最低达到1.7%。(4)采用BP神经网络分析热信号与导热系数之间的关系。以仿真数据对模型进行训练和评估,针对低导热系数预测相对误差较大的问题,提出对数处理的数据预处理方法。实验表明该方法能有效降低低导热系数数据的相对误差。

关键词：神经网络主动热成像数据分析方法小样本训练

来源：评论

学校读者我要写书评

暂无评论

面向会议场景的声纹识别技术的研究与应用

面向会议场景的声纹识别技术的研究与应用

引用

作者：冯雨佳电子科技大学

学位级别：硕士

声纹识别技术主要是从说话人的原始语音信号中提取出代表说话人的生物特征,然后对其身份进行识别。但是在提取说话人的声纹特征时,往往会受到噪声因素的干扰,使得声学细节模糊,从而影响模型的性能和识别率。此外,会议时间往往相对较短,... 详细信息

声纹识别技术主要是从说话人的原始语音信号中提取出代表说话人的生物特征,然后对其身份进行识别。但是在提取说话人的声纹特征时,往往会受到噪声因素的干扰,使得声学细节模糊,从而影响模型的性能和识别率。此外,会议时间往往相对较短,每个人发言时间有限,能够采集到的说话人语音样本数量较少,因此对声纹识别模型在小样本数据下的训练提出了要求。本文面向会议场景,探索了声纹识别算法及其应用。通过梳理相关研究的脉络,分析相关工作中存在的建模思路以及存在的缺陷,确定了本文要解决的关键问题,并提出了解决方案和相应模型设计。本文面向声纹识别在噪声背景下的特征提取问题提出了结合使用多个维度的注意力模块的方式,通过在特征提取网络的各卷积层后添加不同维度的注意力模块,并将不同维度的注意力模块进行结合,充分利用多个维度的重要特征信息对语音的帧级特征进行提取,使得模型更加专注于重要特征,忽略噪声对特征提取的影响,增强了网络提取重要特征的能力,从而产生更具代表性的说话人嵌入。实验表明,所提出的多维度注意力机制相结合的方法在噪声环境下能够有效提高声纹识别模型的识别性能。本文面向会议说话人录音时长不足和样本数量较少的问题,还对声纹识别模型在小样本数据下的训练方式进行了研究。在借鉴了已有工作研究的基础之上,设计了利用深度迁移学习实现声纹识别模型的小样本训练的方法。为了能够使模型有效地应用于会议场景,在经过预训练之后,将提出的模型进行迁移,让模型快速学习目标数据集的特征分布,使用受限玻尔兹曼机层代替原本的网络模型中的全连接层,并用小样本数据集对RBM层进行再训练,更多地了解小样本所拥有的高级声纹特征,从而提高模型的识别性能。本文所提出的方法有效提升了声纹识别算法模型的噪声泛化性能,并提高了声纹识别模型在小样本条件下的识别准确性,同时,将提出的网络模型进行了成果转化,开发并实现了可视化的原型系统。未来研究工作将致力于探索更为复杂的多人同时说话的场景的声纹识别以及更高交互速度的系统。

关键词：声纹识别注意力机制小样本训练深度学习

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：