检索结果-内蒙古大学图书馆

现代电子技术 2024年第24期47卷 38-46页

作者：吴家菊孔令刚康时嘉左洪福杨永辉周小伟中国工程物理研究院计算机应用研究所四川绵阳621900 南京航空航天大学民航学院江苏南京211106

装备在实际运行过程中出现的大部分常规故障都是由于人为操作、保养以及环境等因素引起的。常规故障在装备的研制、试验、鉴定以及维保过程中都进行了验证,并有明确的定义,具有明确的故障树分析结论,因而数字孪生可为装备常规故障提供... 详细信息

装备在实际运行过程中出现的大部分常规故障都是由于人为操作、保养以及环境等因素引起的。常规故障在装备的研制、试验、鉴定以及维保过程中都进行了验证,并有明确的定义,具有明确的故障树分析结论,因而数字孪生可为装备常规故障提供快速、交互性的诊断可能。为提高常规故障诊断的效率和诊断过程的交互式体验感,提出一种基于数字孪生的装备常规故障诊断模型。在此基础上,鉴于交互式电子技术手册(IETM)良好的交互性及用户体验感,设计一种基于孪生数据和IETM的装备常规故障诊断方案。该方案将装备故障树转换为IETM的故障数据模块,存储到IETM数据库中形成故障库。采用故障树分析方法并将装备实时孪生数据作为输入,利用IETM的交互性,通过过程数据模块结合故障数据模块进行步进式故障诊断及隔离引导操作,同时提供维修操作指导。当装备实时孪生数据与故障库定义的故障信息不完全一致时,采用案例分析法计算装备实时孪生数据提供的故障征兆信息与故障库中明确定义的故障征兆信息的相似度,并设定相似度的阈值进行判定;再利用IETM推送对应故障数据模块进行相应的故障诊断隔离引导。

关键词：装备故障诊断数字孪生 IETM 故障树分析故障数据模块实时孪生数据相似度隔离引导

来源：评论

学校读者我要写书评

暂无评论

大语言模型综述与展望

引用

计算机应用 2025年第3期45卷 685-696页

作者：秦小林古徐李弟诚徐海文中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 中国民用航空飞行学院理学院四川广汉618307

大语言模型(LLM)是由具有大量参数(通常数十亿个权重或更多)的人工神经网络组成的一类语言模型,使用自监督学习或半监督学习对大量未标记文本进行训练,是当前生成式人工智能(AI)技术的核心。与传统语言模型相比,LLM通过大量的算力、参... 详细信息

大语言模型(LLM)是由具有大量参数(通常数十亿个权重或更多)的人工神经网络组成的一类语言模型,使用自监督学习或半监督学习对大量未标记文本进行训练,是当前生成式人工智能(AI)技术的核心。与传统语言模型相比,LLM通过大量的算力、参数和数据支持,展现出更强的语言理解与生成能力,广泛应用于机器翻译、问答系统、对话生成等众多任务中并表现卓越。现有的综述大多侧重于LLM的理论架构与训练方法,对LLM的产业级应用实践及技术生态演进的系统性探讨仍显不足。因此,在介绍LLM的基础架构、训练技术及发展历程的基础上,分析当前通用的LLM关键技术和以LLM为底座的先进融合技术。通过归纳总结现有研究,进一步阐述LLM在实际应用中面临的挑战,包括数据偏差、模型幻觉和计算资源消耗等问题,并对LLM的持续发展趋势进行展望。

关键词：大语言模型智能体自然语言处理检索增强生成模型幻觉

来源：评论

学校读者我要写书评

暂无评论

基于1DCNN-BiLSTM的航空发动机故障分类研究

引用

现代电子技术 2024年第20期47卷 129-135页

作者：孔令刚康时嘉吴家菊左洪福杨永辉程铮中国工程物理研究院计算机应用研究所四川绵阳621999 南京航空航天大学民航学院江苏南京210016

随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提... 详细信息

随着航空发动机运行状态的变化,其故障模式也会发生变化。针对航空发动机的运行退化趋势,提出一种基于1DCNN-BiLSTM的航空发动机故障分类模型。该模型可以直接用于原始监测数据,不需要其他算法提取故障退化特征,并且能充分利用1DCNN提取时间维度局部特征的优势,以及BiLSTM处理非线性时间序列及利用双向上下文信息的特点,最后连接全连接层来学习双向时序依赖的特征信息,并使用softmax函数来诊断故障类别。在美国航空航天局公开的CMAPSS数据集上进行验证,将故障模式分为无故障、HPC故障(单一故障)、HPC&Fan故障(混合故障)三种类型。实验结果表明,与其他模型对比,所提模型具有较高的分类精度,这对提高航空发动机运行可靠性和进一步进行剩余使用寿命预测有一定的实用价值。

关键词：航空发动机发动机故障故障分类 1DCNN BiLSTM 非线性时间序列

来源：评论

学校读者我要写书评

暂无评论

基于多路层次化混合专家模型的轴承故障诊断方法

引用

计算机应用 2025年第1期45卷 59-68页

作者：徐欣然张绍兵成苗张洋曾尚中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 深圳市中钞科信金融科技有限公司广东深圳518206

针对滚动轴承故障诊断中处理复杂工况准确率较低的问题,提出一个多任务学习(MTL)模型,即多路层次化混合专家(MHMoE)模型,以及对应的层次化训练模式。该模型结合多阶段、多任务联合训练,实现了层次化的信息共享模式,并在普通MTL模式的基... 详细信息

针对滚动轴承故障诊断中处理复杂工况准确率较低的问题,提出一个多任务学习(MTL)模型,即多路层次化混合专家(MHMoE)模型,以及对应的层次化训练模式。该模型结合多阶段、多任务联合训练,实现了层次化的信息共享模式,并在普通MTL模式的基础上进一步提升了模型的泛化性和故障识别准确率,使模型能同时在复杂与简单的数据集上出色地完成任务,同时,结合一维ResNet的瓶颈层结构,在保证网络深度的同时,也规避梯度爆炸与梯度消失等问题,从而能充分地提取数据集的相关特征。以帕德博恩大学轴承故障数据集(PU)为测试数据集设计的实验的结果表明,在不同工况复杂度下,与不使用MTL的单任务混合专家单元结构(OMoE)-ResNet18模型相比,所提模型的准确率提升5.45~9.30个百分点;而与集成经验模态分解的Hilbert谱变换方法(EEMD-Hilbert)、MMoE(Multigate Mixture-of-Experts)和多尺度多任务注意力卷积神经网络(MSTACNN)等模型相比,所提模型的准确率至少提升3.21~16.45个百分点。

关键词：轴承故障诊断预测性维护多任务学习深度学习卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于孪生网络的离线手写签名鉴别算法

引用

计算机应用 2023年第S01期43卷 45-48页

作者：尤庆丽李国勇中国科学院成都计算机应用研究所成都610041 中国科学院大学北京100049

针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特... 详细信息

针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。

关键词：卷积神经网络孪生网络注意力机制离线手写签名鉴别深度学习

来源：评论

学校读者我要写书评

暂无评论

基于负训练和迁移学习的关系抽取方法

引用

计算机应用 2023年第8期43卷 2426-2430页

作者：陈克正郭晓然钟勇李振平中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 西北民族大学数学与计算机科学学院兰州730124

远程监督是关系抽取任务中常用的数据自动标注方法,然而该方法会引入大量的噪声数据,从而影响模型的表现效果。为了解决噪声数据的问题,提出一种基于负训练和迁移学习的关系抽取方法。首先通过负训练的方法训练一个噪声数据识别模型;然... 详细信息

远程监督是关系抽取任务中常用的数据自动标注方法,然而该方法会引入大量的噪声数据,从而影响模型的表现效果。为了解决噪声数据的问题,提出一种基于负训练和迁移学习的关系抽取方法。首先通过负训练的方法训练一个噪声数据识别模型;然后根据样本的预测概率值对噪声数据进行过滤和重新标注;最后利用迁移学习的方法解决远程监督存在的域偏移问题,从而进一步提升模型预测的精确率和召回率。以唐卡文化为基础,构建了具有民族特色的关系抽取数据集。实验结果表明,所提方法的F1值达到91.67%,相较于SENT(Sentence level distant relation Extraction via Negative Training)方法,提升了3.95个百分点,并且远高于基于BERT(Bidirectional Encoder RepresentationsfromTransformers)、BiLSTM+ATT(Bi-directionalLongShort-TermMemoryAndAttention)、PCNN(Piecewise Convolutional Neural Network)的关系抽取方法。

关键词：远程监督负训练知识图谱关系抽取迁移学习自然语言处理

来源：评论

学校读者我要写书评

暂无评论

基于多尺度门控膨胀卷积网络的时间序列预测算法

引用

计算机应用 2024年第11期44卷 3427-3434页

作者：曾渝张洋曾尚付茂栗何启学曾林隆中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 深圳市中钞科信金融科技有限公司广东深圳518206

针对当前时间序列预测任务存在的高维特征、大规模数据以及对预测准确性高要求等问题,提出一种基于多尺度趋势-周期分解的多头门控膨胀卷积网络模型。该模型采用多尺度分解方法,将原始协变量序列和预测变量序列分解为各自的周期项和趋势... 详细信息

针对当前时间序列预测任务存在的高维特征、大规模数据以及对预测准确性高要求等问题,提出一种基于多尺度趋势-周期分解的多头门控膨胀卷积网络模型。该模型采用多尺度分解方法,将原始协变量序列和预测变量序列分解为各自的周期项和趋势项,从而实现独立的预测。对于周期项,引入多头门控膨胀卷积网络的编码器,以提取各自的周期信息;在解码器阶段,使用交叉注意力机制进行通道信息的交互融合,并将预测变量的周期信息采样对齐后通过时间注意力与通道融合信息进行周期预测。对趋势项则采用自回归方式进行趋势预测。最后将趋势预测与周期预测的结果相加得到预测序列。与长短期记忆(LSTM)、Informer等多个主流基准模型进行比较,所提模型在ETTm1、ETTh1等5个数据集上的均方误差(MSE)平均下降了19.2%~52.8%,平均绝对误差(MAE)平均下降了12.1%~33.8%。通过消融实验验证了所提出的多尺度分解模块、多头门控膨胀卷积以及时间注意力模块能提升时序预测的准确度。

关键词：时间序列预测序列分解膨胀卷积编码器解码器注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于反向蒸馏的衍射光变图像异常检测算法

引用

计算机应用 2024年第S2期44卷 223-228页

作者：周荣成廖世鹏张绍兵龚庆凯中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 深圳市中钞科信金融科技有限公司广东深圳518206

为防止伪造,钞票、证卡和产品包装等各类高安全或高附加值印刷品中广泛采用衍射光变图像的光学防伪元件。这种光学防伪元件具有光变特性,即在白光照明条件下该原件产生的具有立体效果、动态变化的图像会对异常检测产生严重干扰,使人们... 详细信息

为防止伪造,钞票、证卡和产品包装等各类高安全或高附加值印刷品中广泛采用衍射光变图像的光学防伪元件。这种光学防伪元件具有光变特性,即在白光照明条件下该原件产生的具有立体效果、动态变化的图像会对异常检测产生严重干扰,使人们无法及时发现工业生产过程中的异常情况。针对现有无监督异常检测算法无法适应衍射光变图像的光变特性的问题,提出一种基于反向蒸馏(RD)的衍射光变图像异常检测算法。所提算法对正常样本添加噪声以生成伪异常样本,并模拟工业现场可能出现的异常现象,随后将正常样本与伪异常样本作为图像对输入网络,并基于孪生网络架构提出对比重建模块(CRM)。该模块通过特征重建层对编码器提取的正常样本及伪异常样本的特征进行对比学习以及重建,既避免了异常信息流入解码器中导致蒸馏失败,又使重建后的特征符合样本的正常分布。然后,将复原后的特征输入特征融合层以及特征压缩层进行特征融合和维度压缩,并使用解码器对压缩后的特征逐层解码。最后,对解码后的特征与编码器提取的特征基于协同差异优化算法进行蒸馏,识别并定位样本中的异常信息。实验结果表明,所提算法在某防伪标数据集上较现有的先进异常检测算法提升了对于衍射光变图像的光变特性的适应能力,并保持了对于样本异常区域的检测精度,在图像层面接收者特性曲线下的面积(Image-AUROC)、像素层面接收者特性曲线下的面积(Pixel-AUROC)以及连通域重叠(PRO)指标上分别达到了100%、95.02%和92.98%,满足工业现场对衍射光变图像异常检测的要求。

关键词：对比学习特征重建异常模拟反向蒸馏衍射光变图像异常检测

来源：评论

学校读者我要写书评

暂无评论

基于分解和频域特征提取的多变量长时间序列预测模型

引用

计算机应用 2024年第11期44卷 3442-3448页

作者：范艺扬张洋曾尚曾渝付茂栗中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 深圳市中钞科信金融科技有限公司广东深圳518206

针对现有基于Transformer的多变量长时间序列预测(MLTSF)模型主要从时域中提取特征,难以直接从长时间序列分散的时间点中找出可靠依赖关系的问题,提出一种新的基于分解和频域特征提取的模型。首先,提出基于频域的周期项-趋势项的分解方... 详细信息

针对现有基于Transformer的多变量长时间序列预测(MLTSF)模型主要从时域中提取特征,难以直接从长时间序列分散的时间点中找出可靠依赖关系的问题,提出一种新的基于分解和频域特征提取的模型。首先,提出基于频域的周期项-趋势项的分解方法,以降低分解过程的时间复杂度;其次,在利用周期项-趋势项分解提取序列趋势性特征的基础上,利用基于Gabor变换进行频域特征提取的Transformer网络捕捉周期性的依赖,提高预测的稳定性和鲁棒性。在5个基准数据集上的实验结果显示,与现有的先进方法相比,所提模型在MLTSF上的均方误差(MSE)平均减小了7.6%,最多减小了18.9%,有效提升了预测精度。

关键词：多变量长时间序列预测频域特征提取 Gabor变换 Transformer 时间序列深度学习

来源：评论

学校读者我要写书评

暂无评论

基于模糊核估计和交替Transformer的二维码图像去运动模糊算法

引用

计算机应用 2024年第S2期44卷 234-239页

作者：石彬成苗张绍兵曾尚中国科学院成都计算机应用研究所成都610213 中国科学院大学计算机科学与技术学院北京100049 深圳市中钞科信金融科技有限公司广东深圳518206

在生产生活中,运动模糊的存在增加了二维码(QR code)识别的难度。针对这一问题,提出一种基于模糊核估计和交替Transformer的QR code图像去运动模糊算法。首先,针对目前去运动模糊算法对中间退化过程缺少解释的问题,使用一个模糊核估计网... 详细信息

在生产生活中,运动模糊的存在增加了二维码(QR code)识别的难度。针对这一问题,提出一种基于模糊核估计和交替Transformer的QR code图像去运动模糊算法。首先,针对目前去运动模糊算法对中间退化过程缺少解释的问题,使用一个模糊核估计网络(KEN)动态估计模糊核的形状和参数,并在将KEN的输出和原图做维纳滤波后,指导后续复原网络更好地去运动模糊;其次,针对基于窗口的Transformer捕捉全局特征的能力较弱,传统Transformer计算复杂度较高的问题,提出一个基于局部窗口的Transformer块(LTB)和基于全局轴的Transformer块(GTB)结合的交替Transformer模块(ATB),交替提取局部和全局的特征;最后,针对输入为单一尺度图像时模型无法处理不同层次模糊的问题,提出一个多尺度特征融合模块(MSFFB)。这样,模型能从多尺度输入图像提取特征,有效利用上下文信息,并更好地保留和恢复图像细节。在运动模糊QR code图像数据集上的实验结果表明,对于线性模糊核测试集,所提算法相较于复原效果第2名的Uformer(U-shaped Transformer)-B在峰值信噪比(PSNR)、结构相似度(SSIM)上分别提升了3.11%、1.23%;对于非线性模糊核测试集,所提算法相较于Uformer-B在PSNR和SSIM上分别提升了7.13%、2.19%,同时,在乘加累积操作量(MAC)上减少了77.22%,在所有对比算法中取得最优,在模型参数量(Param)上下降了83.5%。此外,采用YOLOv4和ZBar进行目标检测和识别实验,结果表明所提算法对提高QR code检测和识别效率具有一定实际意义。

关键词： Transformer 二维码运动模糊图像复原模糊核估计多尺度

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：