检索结果-内蒙古大学图书馆

数据采集与处理 2023年第2期38卷 293-303页

作者：张国梅张欣尹佳文王华西安交通大学信息与通信工程学院西安710049 地理信息工程国家重点实验室西安710054 西安测绘研究所西安710054

在各种压制式和欺骗式干扰随机存在的全球卫星导航系统(Global navigation satellite system,GNSS)复杂应用环境下,传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法,设计工作量大且缺... 详细信息

在各种压制式和欺骗式干扰随机存在的全球卫星导航系统(Global navigation satellite system,GNSS)复杂应用环境下,传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法,设计工作量大且缺乏通用性。为此本文提出了一种基于深度残差神经网络的干扰抑制方案。首先,针对典型的GNSS干扰类型搭建和训练了相应的残差神经网络,实现从受扰接收信号中直接提取有用卫星信号。然后,结合干扰分类识别结果,将对一维接收信号进行短时傅里叶变换(Short⁃time fourier transform,STFT)预处理后的时频谱二维信号送入与干扰类型相对应的残差网络,网络输出消除了干扰信号影响的有用卫星信号的时频二维谱。该方案无需对不同类型的干扰采用不同的参数估计和干扰抵消方法,对各类压制干扰和欺骗信号均采用相同的处理流程。实验结果表明相比于先估计干扰信号参数再进行抵消的干扰抑制方案,所提方案对各种GNSS干扰类型均具有较好的抑制效果,具备一定的通用性。

关键词：全球卫星导航系统压制式干扰欺骗式干扰干扰抑制深度残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度残差神经网络的无线电引信多调制类型时域混叠信号识别方法

引用

探测与控制学报 2024年第6期46卷 37-45页

作者：常仁朱玉鹏周辉刘金生中国人民解放军军事科学院系统工程研究院北京100097

针对多方向不同弹药来袭场景下产生的多调制类型时域混叠无线电引信信号识别问题,提出一种基于深度残差神经网络的时域混叠引信信号自动识别方法,实现低信噪比下多调制类型引信时域混叠信号的精确识别。采用DnCNN编码解码结构对时频域... 详细信息

针对多方向不同弹药来袭场景下产生的多调制类型时域混叠无线电引信信号识别问题,提出一种基于深度残差神经网络的时域混叠引信信号自动识别方法,实现低信噪比下多调制类型引信时域混叠信号的精确识别。采用DnCNN编码解码结构对时频域混沌信号进行降噪,为低信噪比下多标签信号有效识别奠定基础;对于可匹配目标信号,建立多调制类型引信时域混叠信号多标签分类模型,构建基于深度残差神经网络的引信多调制类型时域混叠信号识别模型;对于不匹配目标信号,建立增量式小样本学习方法,在不影响原有模型参数条件下,通过增加额外的增量学习结构,实现对新出现的不匹配引信信号的增量学习与在线识别。仿真结果表明,该方法能够在低信噪比下实现不同调制类型引信时域混叠信号的精确识别,-10 dB信噪比下平均识别率可达90%。

关键词：无线电引信多调制类型时域混叠信号深度残差神经网络不匹配目标信号

来源：评论

学校读者我要写书评

暂无评论

基于深度残差神经网络的交通流量预测

基于深度残差神经网络的交通流量预测

引用

作者：赵珊北京工业大学

学位级别：硕士

在交通领域,如何准确地预测车流量的变化是城市交通管理的重点。精确和实时的交通流量的信息能够用来做道路的规划,降低交通事故发生的机率,帮助居民规划出行时间,尽最大可能利用道路资源,减少交通压力。同时因为交通流量是时间序列,具... 详细信息

在交通领域,如何准确地预测车流量的变化是城市交通管理的重点。精确和实时的交通流量的信息能够用来做道路的规划,降低交通事故发生的机率,帮助居民规划出行时间,尽最大可能利用道路资源,减少交通压力。同时因为交通流量是时间序列,具有非线性以及周期性的特点,容易受到很多因素的影响,例如恶劣天气或者突发事故等,如何综合考虑众多因素,准确预测未来一段时间内的交通流量是目前研究的热点。本文首先从多个角度分析了影响城市区域的交通流量预测的因素。结果发现,在众多时间段的交通流量中存在着时间和空间上的相互影响,而传统的时间序列分析并不能捕捉到这种关联信息。最近几年来,神经网络的方法频繁被用来解决各种问题,相比其他方法显示出很强的优势。其中卷积神经网络,因为能够自动获得输入数据内部之间的特性,减少人为构造的特征带来的误差,所以应用最为广泛。针对不同区域的车流量的预测问题,本文先考虑采用ARIMA模型预测,发现该模型可以预测到大致的趋势,但是在极值点等部分区域的数据不能做到很好的拟合。然后采LSTM神经网络模型进行预测,因为LSTM模型能够捕捉到较长距离的时间依赖性,所以得到的均方根误差比ARIMA模型误差小,但是经过多次训练后,模型的预测数据和真实数据相比仍存在较大的偏差。因为深层的神经网络能够更好的提取原始序列的特征,所以本文采用了深度残差神经网络模型进行预测。该模型的实验结果证明,在数据量较大的情况下,均方根误差相比其他模型的误差小,预测结果较好。深度残差神经网络Res Net模型是由卷积神经网络构成的,故模型的输入应该为网格图序列的形式。因此首先将区域进行划分,然后按照设置的规则将小区域内的交通流量转换成网格图的序列,这些序列具有时空的特征;之后从流入流量和流出流量两个维度上提取3个不同时间范围的车流量网格图片段,并将其作为模型的输入;接着设计三部分相同的残差网络来同时捕捉车流量数据之间的邻近性、周期性和趋势性,并为每一部分的输出分配不同的权重进行融合;同时设计一个全连接的神经网络捕获一些外部因素如星期属性、气温属性等因素的影响;最后的结果由每一部分的结果聚合得到,然后输出。由滴滴“盖亚”计划得到的成都市某区域交通流量的数据进行实验,结果表明Res Net模型相比传统的时间序列分析的模型ARIMA以及长短时记忆的神经网络模型LSTM等其他模型具有明显的优势,表明本文采用的方法可以很好的预测城市某区域的交通流量。

关键词：深度残差神经网络交通流量预测城市区域时间序列

来源：评论

学校读者我要写书评

暂无评论

基于深度残差神经网络的5G信号室内分布预测

引用

电子技术应用 2024年第12期50卷 77-81页

作者：胡荣青张成挺任国伟吕俊事许高明刘太君宁波大学信息科学与工程学院浙江宁波315211 浙江中烟工业有限责任公司浙江宁波315504

为解决5G信号室内覆盖的质量与稳定性问题,提出了一种基于深度残差神经网络的5G信号室内分布预测方法。采用基于全连接的深度残差神经网络构建预测模型,利用发射机与接收机的三维空间坐标信息和接收机的参考信号接收功率(Reference Sign... 详细信息

为解决5G信号室内覆盖的质量与稳定性问题,提出了一种基于深度残差神经网络的5G信号室内分布预测方法。采用基于全连接的深度残差神经网络构建预测模型,利用发射机与接收机的三维空间坐标信息和接收机的参考信号接收功率(Reference Signal Receiving Power, RSRP)数据作为输入特征,而无需收集复杂的环境特征信息。实验结果表明,该深度残差神经网络模型在不依赖详细环境参数的情况下,经归一化训练,预测出的RSRP与实际值相比,MAE为0.029 455,RMSE为0.041 495,能有效地预测室内的5G信号分布,验证了基于深度残差神经网络的预测方法在室内5G信号覆盖预测问题上的有效性,为优化室内5G网络部署和提升用户体验提供了科学依据和技术手段,具有重要的实际应用价值。

关键词：深度残差神经网络信号分布信号强度信号预测 RSRP

来源：评论

学校读者我要写书评

暂无评论

基于子网络架构的页岩气水平井机械钻速预测

引用

钻采工艺 2025年第1期48卷 113-120页

作者：彭炽任书江杨赟西南石油大学石油与天然气工程学院中国石油川庆钻探工程技术有限公司钻采工程技术研究院

构建准确的机械钻速预测模型是优化钻井参数的前提。在页岩气水平井钻井过程中,由于地质条件复杂、影响因素繁多、钻压传递困难,采用传统方法难以准确预测机械钻速。针对这一问题,提出了一种基于深度残差神经网络和子网络架构的机械钻... 详细信息

构建准确的机械钻速预测模型是优化钻井参数的前提。在页岩气水平井钻井过程中,由于地质条件复杂、影响因素繁多、钻压传递困难,采用传统方法难以准确预测机械钻速。针对这一问题,提出了一种基于深度残差神经网络和子网络架构的机械钻速预测模型。首先,对实钻数据进行了预处理,随后,构建了基于二维卷积神经网络的井下约束条件井深序列特征提取器,将井下约束条件添加到钻速模型中。最后,考虑到不同类型特征参数对机械钻速的影响机理不同,基于子网络架构建立了机械钻速智能预测模型。利用四川盆地泸州区块页岩气水平井实钻数据对构建的机械钻速预测模型进行了训练和测试,并通过消融试验分析了井下约束条件井深序列特征提取、子网络架构和深度残差神经网络对模型预测精度的影响。结果表明,该模型平均绝对误差为0.41 m/h,平均相对误差为6.87%,子网络架构对模型性能的贡献程度最大。该模型能够准确预测页岩气水平井的机械钻速,为钻井提速提供参考。

关键词：机器学习页岩气水平井机械钻速深度残差神经网络子网络架构

来源：评论

学校读者我要写书评

暂无评论

基于神经网络与集成树模型的投资组合收益研究

基于神经网络与集成树模型的投资组合收益研究

引用

作者：洪林祥南昌大学

学位级别：硕士

近年来,我国的经济不断增长,经济规模不断扩大,企业对股权融资的需求也在持续增长,这些都促进了我国股市的迅速发展。截至2022年12月31日,沪深两市的上市公司总数达到4917家,其中,上交所有2174家上市公司,深交所有2743家上市公司。那么... 详细信息

近年来,我国的经济不断增长,经济规模不断扩大,企业对股权融资的需求也在持续增长,这些都促进了我国股市的迅速发展。截至2022年12月31日,沪深两市的上市公司总数达到4917家,其中,上交所有2174家上市公司,深交所有2743家上市公司。那么面对这么多股票,如何取舍成为困扰广大投资者的难题。为了给投资者提供一个解决难题的思路,本文混合使用神经网络与集成树模型选择股票,构建投资组合,期望获得可观的超额收益。本文创新性地使用深度残差神经网络提取因子,与集成树模型相互配合,弥补了集成树模型无法自动提取因子的不足。同时深度残差神经网络的训练数据跨越四个年度,而集成树模型则是跨越一个年度,一方面使用两个不同的数据集可以降低模型的过拟合,另一方面可以使得神经网络提取的因子更偏向长期信息,而集成树模型偏向短期信息,两者相互配合。另外,考虑到神经网络参数量大,需要足够多的数据估计,本文选择沪深300、中证500与中证1000指数成分股为股票池,总计1800支股票。同时结合股票交易数据以及披露的财务数据等一些基本面数据手动计算大量候选因子,总共105个因子。具体而言,本文首先将股票收益率通过分位数进行标签化,训练深度残差神经网络,并且将其最后一层的输出值作为网络提取的因子。然后,将这个因子与之前计算的因子通过集成树模型来拟合其与收益率之间的关系,同时设置时间窗口,随时间对模型进行不断更新,提升模型的灵活性与时效性。最后,为了优化模型的表现,本文进一步利用5折交叉验证和Grid Search网格搜索方法对超参数进行优化,形成了最终的选股模型。通过对实际数据进行建模,我们发现使用深度残差神经网络提取特征之后的Res Net-RF与Res Net-GBDT构建的投资组合年化收益率要明显优于仅使用手动计算因子的RF与GBDT构建的投资组合。当然,这四种模型构建的投资组合取得的年化收益率都要远高于线性回归构建的投资组合收益以及市场组合的收益,也验证了通过机器学习方法在A股市场构建投资组合的有效性。

关键词：深度残差神经网络集成树模型投资组合

来源：评论

学校读者我要写书评

暂无评论

采用空间和通道激励注意力机制优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测

引用

中国机械工程 2024年第10期35卷 1793-1801页

作者：聂鹏杨程越彭新月于家鹤潘五九沈阳航空航天大学机电工程学院沈阳110136 沈阳飞机工业(集团)有限公司四十六厂沈阳110031

针对碳纤维增强复合材料(CFRP)与钛合金组成的叠层材料在制备装配孔时存在刀具磨损严重的问题,提出了一种空间和通道激励注意力机制(scSE)优化深度残差神经网络(ResNet-50)的刀具磨损监测方法。开展钻削实验,采集钻削过程中的力和温度信... 详细信息

针对碳纤维增强复合材料(CFRP)与钛合金组成的叠层材料在制备装配孔时存在刀具磨损严重的问题,提出了一种空间和通道激励注意力机制(scSE)优化深度残差神经网络(ResNet-50)的刀具磨损监测方法。开展钻削实验,采集钻削过程中的力和温度信号,信号经连续小波变换转换为小波尺度谱。搭建ResNet-50网络结构,从空间和通道双维度对卷积提取的特征图进行权重标定。研究结果表明,scSE可以从空间和通道两个维度做到增强有用特征,抑制无用特征,经scSE优化的网络结构识别准确度达到96.15%。

关键词：刀具磨损连续小波变换空间和通道激励注意力机制深度残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于双通道注意力机制的ResNet果实外观品质分类

引用

光电子．激光 2022年第6期33卷 643-651页

作者：赵辉乔艳军王红君岳有军天津理工大学电气电子工程学院天津市复杂系统控制理论与应用重点实验室天津300384 天津农学院工程技术学院天津300392

为了实现对采摘后的果实进行快速、精确的外观品质分类,并配合分拣生产线完成果实大规模集中分拣,该研究提出了一种基于改进ResNet的果实分类方法。首先,将深度残差神经网络(deep residual neural network,ResNet)网络中的残差模块与双... 详细信息

为了实现对采摘后的果实进行快速、精确的外观品质分类,并配合分拣生产线完成果实大规模集中分拣,该研究提出了一种基于改进ResNet的果实分类方法。首先,将深度残差神经网络(deep residual neural network,ResNet)网络中的残差模块与双通道SE模块(dual channel squeeze-and-excitation block,DC-SE Block)结合,增强有效的通道特征并抑制低效或无效的通道特征,提高特征图的表达能力,从而提升识别精度;其次,在原始ResNet模型中加入Inception模块,将果实不同尺度的特征进行融合,增强对较小缺陷的识别能力;最后,对收集到的4类不同外观品质的果实图像进行数据增强并利用迁移学习的方法对模型进行初始化。以苹果为例进行的试验结果表明:经过数据集训练之后的改进模型,在测试集下的准确率达到99.7%,高于原模型的98.5%;精确率达到99.7%,高于原模型的98.3%;召回率达到99.7%,高于原模型的98.7%;在图形处理器(graphic processing unit,GPU)下的平均检测速度达到32.3帧/s,略低于原模型的35.7帧/s。与GoogleNet、MobileNet等几种目前先进的分类方法进行比较并对不同改进模型进行对比试验的结果表明,该方法具有良好的分类性能,对解决果实外观品质的精准分级问题具有重要参考价值。

关键词：图像增强外观品质分类深度残差神经网络双通道SE模块 Inception模块迁移学习

来源：评论

学校读者我要写书评

暂无评论

采用scSE优化ResNet-50的CFRP/TC4叠层材料钻削刀具磨损状态监测

引用

中国机械工程 2023年

作者：聂鹏杨程越彭新月于家鹤潘五九沈阳航空航天大学机电工程学院沈阳飞机工业(集团)有限公司四十六厂

针对碳纤维增强复合材料(carbon fiber reinforced composite materials，简称CFRP)与钛合金组成的叠层材料在制备装配孔时存在刀具磨损严重的问题，提出了一种空间和通道激励注意力机制(concurrent spatial and shannel squeeze and s... 详细信息

针对碳纤维增强复合材料(carbon fiber reinforced composite materials，简称CFRP)与钛合金组成的叠层材料在制备装配孔时存在刀具磨损严重的问题，提出了一种空间和通道激励注意力机制(concurrent spatial and shannel squeeze and sxcitation，简称scSE)优化深度残差神经网络(ResNet-50)的刀具磨损监测方法。开展钻削实验，采集钻削过程中的力和温度信号。信号经连续小波变换转换为小波尺度谱。搭建ResNet-50网络结构，从空间和通道双维度对卷积提取的特征图进行权重标定。结果表明，scSE可以从空间和通道两个维度做到增强有用特征，抑制无用特征，经scSE优化的网络结构识别精度达到96.15%。

关键词：刀具磨损连续小波变换注意力机制深度残差神经网络

来源：评论

学校读者我要写书评

暂无评论

基于频谱图与时序成像的非侵入式负荷监测方法

引用

电力系统及其自动化学报 2024年第6期36卷 34-42页

作者：杨克新王小宇徐斌琚佳彬童力诸葛斌上海电力大学电气工程学院上海200090 国家电网浙江省电力有限公司电力科学研究院杭州310015 国家电网浙江省电力有限公司桐庐供电公司杭州311599

针对在多种电器设备同时运行的场景下,当前非侵入式负荷监测方法存在分解困难的问题,本文提出了基于频谱图与时序成像的非侵入式负荷监测方法。首先进行负荷分解,利用频谱图变换原理将多种电器设备的聚合电流转换成频谱图矩阵,并通过词... 详细信息

针对在多种电器设备同时运行的场景下,当前非侵入式负荷监测方法存在分解困难的问题,本文提出了基于频谱图与时序成像的非侵入式负荷监测方法。首先进行负荷分解,利用频谱图变换原理将多种电器设备的聚合电流转换成频谱图矩阵,并通过词嵌入将频谱图矩阵变换到高维;然后通过k-均值聚类算法得到单个电器设备的频谱图矩阵并反变换为相应的时序电流;其次,进行负荷分类,将负荷分解得到的各类电器设备的时序电流转换为图像进行分类,分类模型为训练完成的深度神经网络模型。最后,利用公开数据集进行实验,结果表明所提方法具有较好的分解和分类效果。

关键词：非侵入式负荷监测频谱图时序成像深度学习深度残差神经网络

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：