检索结果-内蒙古大学图书馆

激光与光电子学进展 2025年第9期62卷 369-375页

作者：许舰郭泽林江敏南京信息工程大学自动化学院江苏南京 210044 无锡学院公共基础教学部江苏无锡 214105

超表面是一种人工设计的二维平面结构.设计超表面结构需要在软件中进行仿真,耗费较长的时间.为了解决耗时长的问题,提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱.通过构建多种金超表面结构数据集并进行预处理,来... 详细信息

超表面是一种人工设计的二维平面结构.设计超表面结构需要在软件中进行仿真,耗费较长的时间.为了解决耗时长的问题,提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱.通过构建多种金超表面结构数据集并进行预处理,来搭建这一残差网络模型.实验结果显示:模型预测的透射光谱与仿真结果高度一致,测试集平均绝对误差为0.0069,预测准确率超过98.7%.相比于其他深度学习模型,该模型在预测精度和效率上均有显著提升,证明其具有高效性和准确性,为超表面快速设计优化提供新方法.

关键词：深度学习超表面残差网络模型正向预测

来源：评论

学校读者我要写书评

暂无评论

基于一种残差网络模型的超表面透射光谱预测方法

引用

激光与光电子学进展 2024年

作者：许舰郭泽林江敏南京信息工程大学自动化学院无锡学院理学院

超表面是一种人工设计的二维平面结构，设计超表面结构时，需要在软件中仿真要花费很多的时间，本文为了解决耗时问题，提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱。通过构建多种金超表面结构数据集并预处理，... 详细信息

超表面是一种人工设计的二维平面结构，设计超表面结构时，需要在软件中仿真要花费很多的时间，本文为了解决耗时问题，提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱。通过构建多种金超表面结构数据集并预处理，然后搭建了这一残差网络模型。实验结果显示，模型预测的透射光谱与仿真结果高度一致，测试集平均绝对误差为0.0069，预测准确率超过98.7%。相比其他深度学习模型，模型在预测精度和效率上均有显著提升，验证了其高效性和准确性，为超表面快速设计优化提供了新方法。

关键词：深度学习超表面残差网络模型正向预测

来源：评论

学校读者我要写书评

暂无评论

基于一种残差网络模型的超表面透射光谱预测方法

引用

激光与光电子学进展 2025年第9期 375-381页

作者：许舰郭泽林江敏南京信息工程大学自动化学院无锡学院公共基础教学部

超表面是一种人工设计的二维平面结构。设计超表面结构需要在软件中进行仿真，耗费较长的时间。为了解决耗时长的问题，提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱。通过构建多种金超表面结构数据集并进行预处... 详细信息

超表面是一种人工设计的二维平面结构。设计超表面结构需要在软件中进行仿真，耗费较长的时间。为了解决耗时长的问题，提出一种结合混合域注意力机制的残差网络模型以预测超表面的透射光谱。通过构建多种金超表面结构数据集并进行预处理，来搭建这一残差网络模型。实验结果显示：模型预测的透射光谱与仿真结果高度一致，测试集平均绝对误差为0.0069，预测准确率超过98.7%。相比于其他深度学习模型，该模型在预测精度和效率上均有显著提升，证明其具有高效性和准确性，为超表面快速设计优化提供新方法。

关键词：深度学习超表面残差网络模型正向预测

来源：评论

学校读者我要写书评

暂无评论

基于光谱-空间残差网络模型的高光谱遥感图像分类

引用

地理信息世界 2020年第3期27卷 42-48页

作者：韦春桃肖博林李倩倩白风卢志豪重庆交通大学土木工程学院重庆400074

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,... 详细信息

残差网络是近几年提出的一种新型深度卷积网络,通过增加网络深度提高分类的准确率,也解决了网络退化问题。基于残差学习原理,设计了针对高光谱遥感图像分类的光谱-空间残差网络模型。首先,将原始高光谱遥感数据三维立方体输入网络模型,并使用特定的卷积核对光谱特征进行降维;然后,利用光谱残差模块和空间残差按模块分别且连续地学习光谱和空间特征;最后,对提取到的特征进行池化操作并分类。此外,为规范训练数据和防止过拟合,学习过程中使用了批量归一化和dropout的方法。所设计网络模型在Indian Pines和Pavia U数据集上进行了验证实验,结果表明,所提方法有效地缓解了网络退化的问题,且在分类精度上也高于支持向量机、卷积神经网络等现有算法。

关键词：高光谱遥感图像分类残差网络模型特征提取批量归一化 dropout

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制与深度学习算法的机床主轴系统故障辨识

引用

兵工学报 2022年第4期43卷 861-875页

作者：王伟平王琦于洋沈阳工业大学信息科学与工程学院辽宁沈阳110870 辽宁工业大学辽宁锦州121001

针对具有复杂非线性特点的数控机床主轴系统整体动态退化故障较难辨识及故障研究难度大的问题,从数据分析入手,提出一种基于注意力机制与深度学习算法的智能化故障辨识方法,研究机床主轴系统的整体故障辨识问题。该方法设计了注意力机... 详细信息

针对具有复杂非线性特点的数控机床主轴系统整体动态退化故障较难辨识及故障研究难度大的问题,从数据分析入手,提出一种基于注意力机制与深度学习算法的智能化故障辨识方法,研究机床主轴系统的整体故障辨识问题。该方法设计了注意力机制的研究框架,将研究问题分为全局纵向大分类区间和局部横向细粒度区间两个维度:采用训练并调优后推理平均绝对误差达到0.028 7的门控循环单元模型,辨识出大分类区间的全局性退化故障;采用鲁棒性强且辨识准确率达99.7%的残差网络模型,在sym8小波基自适应软阈值降噪的基础上对局部细粒度区间故障进行准确细节辨识。结果表明:该方法可量化地辨识出主轴系统的整体故障;所提注意力机制可使大分类区间无法准确辨识的故障在细粒度区间得到有效区分,类内数据增长梯度由6.6%增加到43.8%;通过对机床主轴系统实际使用中在空载状态下遇到的不对中和局部共振等典型故障,以及在负载加工状态下故障的辨识研究,验证了所提方法的有效性与准确性。

关键词：机床主轴系统故障辨识注意力机制门控循环单元模型残差网络模型

来源：评论

学校读者我要写书评

暂无评论

Resnet18模型在玻璃表面脏污识别中的应用

引用

福建电脑 2024年第9期40卷 17-21页

作者：苏国兴常光超任传成德州学院计算机与信息学院山东德州253023 吉林化工学院信息与控制工程学院吉林吉林132022

为解决高层建筑窗户的玻璃表面赃污识别检测的困难,本文提出一种基于Resnet18的玻璃表面脏污识别方法。该方法以玻璃表面脏污层为研究对象,将迁移学习和计算机视觉算法相结合,实现对玻璃表面赃污的识别和检测。测试的结果表明,Resnet18... 详细信息

为解决高层建筑窗户的玻璃表面赃污识别检测的困难,本文提出一种基于Resnet18的玻璃表面脏污识别方法。该方法以玻璃表面脏污层为研究对象,将迁移学习和计算机视觉算法相结合,实现对玻璃表面赃污的识别和检测。测试的结果表明,Resnet18在自建玻璃表面脏污数据集上的识别准确率达到了99.10%,可以有效地对玻璃表面脏污进行识别,对实际应用具有一定的借鉴意义。

关键词：玻璃脏污层图像识别残差网络模型迁移学习

来源：评论

学校读者我要写书评

暂无评论

ResNet50模型在肺炎识别分类中的应用

引用

福建电脑 2024年第4期40卷 9-13页

作者：彭航邓锡泽牛玉霞刘洋北方民族大学计算机科学与工程学院银川750021 北方民族大学图像图形智能处理国家民委重点实验室银川750021

为了提高医学图像中肺炎的识别和分类效率,本文使用ResNet50模型对COVID图像、Lung_Opacity图像、Normal图像和Pneumonia图像进行识别分类。通过比较ResNet50与AlexNet和GoogLeNet对肺炎图像分类的准确率、F1值、召回率、精确率、特异... 详细信息

为了提高医学图像中肺炎的识别和分类效率,本文使用ResNet50模型对COVID图像、Lung_Opacity图像、Normal图像和Pneumonia图像进行识别分类。通过比较ResNet50与AlexNet和GoogLeNet对肺炎图像分类的准确率、F1值、召回率、精确率、特异性评价指标的差别,表明了ResNet50较其他模型具有更好的图像识别和分类性能。

关键词：肺炎图像识别残差网络模型肺炎分类

来源：评论

学校读者我要写书评

暂无评论

多感知兴趣区域特征融合的图像识别方法

引用

智能系统学报 2021年第2期16卷 263-270页

作者：闫涵张旭秀张净丹大连交通大学电气信息工程学院辽宁大连116028

针对自然图像识别过程中不同深度学习模型关注兴趣区域不同的现象,本文引入深度卷积神经网络融合机制,结合深度迁移学习方法,给出了一种基于多感知兴趣区域特征融合的图像识别方法。本文将迁移学习方法引入牛津大学视觉组网络模型(visua... 详细信息

针对自然图像识别过程中不同深度学习模型关注兴趣区域不同的现象,本文引入深度卷积神经网络融合机制,结合深度迁移学习方法,给出了一种基于多感知兴趣区域特征融合的图像识别方法。本文将迁移学习方法引入牛津大学视觉组网络模型(visual geometry group network,VGGNet)和残差网络模型(residual network,ResNet),通过对单个分类模型进行热力图可视化及特征可视化,得到了不同网络模型关联的特征区域不一样的结论。然后在此基础上分别设计特征拼接、特征融合加特征拼接及融合投票方法将不同模型特征进行融合,得到3种新的融合模型。实验结果表明,本文方法在Kaggle数据集上的识别准确率高于VGG-16、VGG-19、ResNet-50、DenseNet-201模型。

关键词：深度学习图像识别迁移学习特征融合集成学习特征提取 CAM可视化视觉组网络模型残差网络模型

来源：评论

学校读者我要写书评

暂无评论

多通道递归残差网络的图像超分辨率重建

引用

中国图象图形学报 2021年第3期26卷 605-618页

作者：程德强郭昕陈亮亮寇旗旗赵凯高蕊中国矿业大学信息与控制工程学院徐州221116 中国矿业大学计算机科学与技术学院徐州221116

目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训... 详细信息

目的基于神经网络的图像超分辨率重建技术主要是通过单一网络非线性映射学习得到高低分辨率之间特征信息关系来进行重建,在此过程中较浅网络的图像特征信息很容易丢失,加深网络深度又会增加网络训练时间和训练难度。针对此过程出现的训练时间长、重建结果细节信息较模糊等问题,提出一种多通道递归残差学习机制,以提高网络训练效率和图像重建质量。方法设计一种多通道递归残差网络模型,该模型首先利用递归方法将残差网络块进行复用,形成32层递归网络,来减少网络参数、增加网络深度,以加速网络收敛并获取更丰富的特征信息。然后采集不同卷积核下的特征信息,输入到各通道对应的递归残差网络后再一起输入到共用的重建网络中,提高对细节信息的重建能力。最后引入一种交叉学习机制,将通道1、2、3两两排列组合交叉相连,进一步加速不同通道特征信息融合、促进参数传递、提高网络重建性能。结果本文模型使用DIV2K(DIVerse 2K)数据集进行训练,在Set5、Set14、BSD100和Urban100数据集上进行测试,并与Bicubic、SRCNN(super-resolution convolutional neural network)、VDSR(super-resolution using very deep convolutional network)、Lap SRN (deep Laplacian pyramid networks for fast and accurate super-resolution)和EDSRbaseline(enhanced deep residual networks for single image superresolutionbaseline)等方法的实验结果进行对比,结果显示前者获取细节特征信息能力提高,图像有了更清晰丰富的细节信息;客观数据方面,本文算法的数据有明显的提升,尤其在细节信息较多的Urban100数据集中PSNR(peak signal-to-noise ratio)平均分别提升了3.87 d B、1.93 d B、1.00 d B、1.12 d B和0.48 d B,网络训练效率相较非递归残差网络提升30%。结论本文模型可获得更好的视觉效果和客观质量评价,而且相较非递归残差网络训练过程耗时更短,可用于复杂场景下图像的超分辨率重建。

关键词：超分辨重建多通道递归交叉残差网络模型

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的肌电信号手势识别研究

基于深度学习的肌电信号手势识别研究

引用

作者：殷子为南昌大学

学位级别：硕士

随着人工智能大潮的向前发展,人机交互技术的应用逐渐广泛,其中以手势识别为基础的新型人机交互展现出优越的应用价值。表面肌电信号凭借其容易被获取且蕴含丰富动作的信息的优势,成为手势识别领域应用最为广泛的信号源。然而,现有大多... 详细信息

随着人工智能大潮的向前发展,人机交互技术的应用逐渐广泛,其中以手势识别为基础的新型人机交互展现出优越的应用价值。表面肌电信号凭借其容易被获取且蕴含丰富动作的信息的优势,成为手势识别领域应用最为广泛的信号源。然而,现有大多数基于表面肌电信号的手势识别方法面临表面肌电信号特征提取过程复杂、可识别的手势动作种类少等问题。针对这些问题,本文开展了如下工作:(1)我们设计了一个基于支持向量机模型的组合分类器。组合分类器的基本思想是将大量的手势分类的问题转化为多级的少量的手势分类的问题。基于该模型,我们将可识别的动作种类由10种左右提升到了40种。并且,我们证明了基于支持向量机的组合分类器的分类精度(分类精度72%)高于基于单一支持向量机的分类器的分类精度(分类精度63%)。(2)为了解决支持向量机模型特征提取过程耗时费力的问题,我们提出了两种自动提取表面肌电信号特征的深度学习网络模型。一种是基于单一网络架构的残差网络的手势识别模型,它可以自动提取肌电信号的时域特征;另一种是基于残差网络和双向门控循环网络的双流识别模型,它可以自动提取肌电信号的时域和频域特征。我们使用公开数据集NinaPro DB2来验证这两个模型的有效性。结果表明,基于单一网络架构的残差网络的手势识别模型的分类精度为80.85%,双流识别模型的分类精度为84.55%。这些结果优于许多其他研究中分类模型的分类精度。

关键词：手势识别表面肌电信号支持向量机残差网络模型双向门控循环网络

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：