期刊文献+
共找到9篇文章
< 1 >
每页显示 20 50 100
基于多尺度记忆残差网络的网络流量异常检测模型 被引量:19
1
作者 王馨彤 王璇 孙知信 《计算机科学》 CSCD 北大核心 2022年第8期314-322,共9页
基于深度学习的网络流量异常检测模型通常存在现实环境适应性差、表征能力有限以及泛化能力弱的问题。为此,提出了一种基于多尺度记忆残差网络的网络流量异常检测模型。基于高维特征空间分布分析,证明网络流量数据预处理方法的有效性;... 基于深度学习的网络流量异常检测模型通常存在现实环境适应性差、表征能力有限以及泛化能力弱的问题。为此,提出了一种基于多尺度记忆残差网络的网络流量异常检测模型。基于高维特征空间分布分析,证明网络流量数据预处理方法的有效性;将多尺度一维卷积与长短期记忆网络相结合,通过深度学习算法提高模型的表征能力;基于残差网络的思想,实现深度特征提取,同时防止梯度消失、梯度爆炸、过拟合及网络退化现象,加快模型收敛速度,从而实现准确高效的网络流量异常检测。数据预处理可视化结果表明,经独热编码处理后,相较于标准化处理,归一化处理可使正常流量与异常流量数据有效分离;有效性验证实验及性能评估实验结果表明,通过增加恒等映射可加快模型收敛速度,并有效解决网络退化问题;对比实验结果表明,多尺度一维卷积及长短期记忆网络可提升模型的表征能力并使模型具备较强的泛化能力,且本文模型相比当前部分深度学习模型呈现更优的性能指标。 展开更多
关键词 网络流量异常检测 尺度记忆残差网络 尺度一维卷积 长短期记忆网络 残差网络 网络入侵检测
下载PDF
LCD面板C/FOG工艺制造虚拟计量方法研究
2
作者 刘暾东 黄智斌 +2 位作者 高凤强 郑鹏 谢玉练 《仪器仪表学报》 EI CAS CSCD 北大核心 2024年第1期16-25,共10页
针对液晶显示器(LCD)面板的“Chip/FPC on Glass”(C/FOG)工艺生产制造过程中存在的计量延迟大、生产异常无法提前预测的问题,本文提出一种基于神经网络的C/FOG工艺生产制造虚拟计量方法。该方法利用生产机台上的传感器采集生产过程中... 针对液晶显示器(LCD)面板的“Chip/FPC on Glass”(C/FOG)工艺生产制造过程中存在的计量延迟大、生产异常无法提前预测的问题,本文提出一种基于神经网络的C/FOG工艺生产制造虚拟计量方法。该方法利用生产机台上的传感器采集生产过程中的过程状态数据,构建基于多尺度一维卷积及通道注意力模型(MS1DC-CA)的虚拟计量模型。通过多个尺度的卷积核提取不同尺度范围内的状态数据特征。在对含有缺失值的原始数据预处理中,提出了基于粒子群算法改进的K近邻填补方法(PSO-KNN Imputation)进行缺失值填充,保留特征的同时,减少因填充值引入的干扰。最后在实际生产采集的数据上进行实验对比分析,实际不良率主要集中在0.1%~0.5%,该虚拟计量模型的拟合均方误差为0.397 7‱,低于其他现有拟合模型,在平均绝对误差、对称平均绝对百分比误差和拟合优度3种评价指标下也均优于其他现有的拟合模型,具有良好的预测性能。 展开更多
关键词 C/FOG工艺 虚拟计量 缺失值填充 尺度一维卷积 通道注意力
下载PDF
基于VME-M1DCNN-LSTM的齿轮异常状态智能识别
3
作者 杜文友 王宇琦 +2 位作者 崔霄 徐伟 崔建国 《沈阳航空航天大学学报》 2023年第5期50-55,共6页
针对工程实际中齿轮振动信号受噪声污染严重导致其异常状态难以准确识别的问题,提出了一种基于变分模态提取(variational mode extraction,VME)和多尺度一维卷积(multiscale one-dimensional convolution,M1DCNN)融合长短时记忆神经网络... 针对工程实际中齿轮振动信号受噪声污染严重导致其异常状态难以准确识别的问题,提出了一种基于变分模态提取(variational mode extraction,VME)和多尺度一维卷积(multiscale one-dimensional convolution,M1DCNN)融合长短时记忆神经网络(long short-term memory,LSTM)的齿轮异常状态智能识别新方法。首先,采用VME方法分别对采集到的齿轮处于正常状态、轮齿碎裂、齿轮断齿、齿根裂纹以及齿轮磨损等5种状态的原始振动信号进行预处理,去除原始振动信号中的噪声干扰,提取齿轮不同状态的主模态分量作为齿轮状态的特征信息;其次,由提取的齿轮状态主模态分量构建训练数据集与测试数据集;最后,设计了M1DCNN-LSTM异常状态识别模型,并采用所构建的数据集对设计的异常状态识别模型进行了测试试验验证。结果表明,所提出的方法可以很好地实现齿轮异常状态智能识别效能,异常状态识别准确率达99.25%,明显高于其他相关齿轮异常状态识别方法。 展开更多
关键词 齿轮 异常状态识别 变分模态提取 尺度一维卷积 长短时记忆神经网络
下载PDF
基于多尺度一维卷积神经网络的光纤振动事件识别 被引量:24
4
作者 吴俊 管鲁阳 +2 位作者 鲍明 许耀华 叶炜 《光电工程》 CAS CSCD 北大核心 2019年第5期76-83,共8页
针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处... 针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号,直接通过MS 1-D CNN实现端到端的振动信号特征的提取和识别。MS1-DCNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度,利用全连接层(FClayer)和Softmax层完成最终的识别过程,与二维卷积神经网络(2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰三类目标振动事件的光纤振动传感信号识别结果表明,MS 1-D CNN的识别正确率与2-D CNN相近,达到了96%以上,而处理速度提升一倍,在保持识别性能的前提下,有利于提高振动事件识别的实时性。 展开更多
关键词 分布式光纤振动传感 尺度一维卷积神经网络 相位敏感光时域反射 振动事件识别 模式识别
下载PDF
结合SE-VAE与M1DCNN的小样本数据下轴承故障诊断
5
作者 李梦男 李琨 +1 位作者 叶震 高宏宇 《机械科学与技术》 CSCD 北大核心 2024年第5期773-780,共8页
针对轴承故障诊断中故障样本数量少导致诊断正确率低的问题,提出了一种基于注意力机制变分自编码器(SE-VAE)和多尺度一维卷积神经网络(M1DCNN)的轴承故障诊断方法。将轴承数据集的训练集输入到SE-VAE中进行训练,生成与训练样本分布相似... 针对轴承故障诊断中故障样本数量少导致诊断正确率低的问题,提出了一种基于注意力机制变分自编码器(SE-VAE)和多尺度一维卷积神经网络(M1DCNN)的轴承故障诊断方法。将轴承数据集的训练集输入到SE-VAE中进行训练,生成与训练样本分布相似的生成样本,并添加到训练集中增加训练集的样本数量。将扩充后的训练集输入到M1DCNN中进行训练,随后将训练好的模型应用于测试集,输出故障诊断结果。实验结果表明,所提方法能够在不同负载的小样本轴承故障数据集上取得较好的故障诊断准确率。 展开更多
关键词 轴承故障诊断 变分自编码器 注意力机制 尺度一维卷积神经网络 小样本
下载PDF
低过采样数字调制信号的多尺度一维卷积神经网络解调器
6
作者 陈显敏 符杰林 《计算机应用与软件》 北大核心 2024年第5期113-117,共5页
针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能... 针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证传统解调方法相同的误码性能。仿真结果表明,在高斯和Rayleigh衰落信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。 展开更多
关键词 低采样倍数 解调 尺度一维卷积神经网络 BPSK和M-QAM
下载PDF
多尺度一维卷积神经网络的风机基础螺栓松动智能检测 被引量:4
7
作者 陈仁祥 徐培文 +3 位作者 韩坤林 曾力 王帅 朱玉清 《振动与冲击》 EI CSCD 北大核心 2022年第22期301-307,共7页
为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法。首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的... 为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法。首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的依赖,并最大程度保留原始信号特征;然后,通过交替的多尺度卷积层和池化层对时域信号特征进行学习,其中多尺度卷积层设置不同尺度的卷积核进行卷积运算,避免单一尺度卷积核对不同精细度特征的忽略,增强网络对特征的表达能力,实现对时域信号特征精细化分布式表征;最后,在特征输出层后添加Softmax多分类器,利用反向传播逐层微调结构参数建立特征空间到松动状态空间的映射,输出风机基础螺栓松动检测结果。所提方法将松动特征自动学习与松动识别融为一体,实现了风机基础螺栓松动智能检测。通过在稳定转速和变转速下对风机基础螺栓松动检测试验,证明了所提方法的可行性和有效性。 展开更多
关键词 风机基础螺栓 松动状态 智能检测 尺度一维卷积神经网络 精细化表征
下载PDF
PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断 被引量:4
8
作者 徐培文 陈仁祥 +3 位作者 胡小林 杨黎霞 唐林林 林立 《振动与冲击》 EI CSCD 北大核心 2022年第4期86-92,共7页
为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原... 为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。 展开更多
关键词 风机基础螺栓 松动诊断 尺度一维卷积神经网络 粒子群优化(PSO) 适应度值
下载PDF
基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究 被引量:3
9
作者 郭永伦 吴国新 +1 位作者 刘秀丽 徐小力 《机电工程》 CAS 北大核心 2021年第10期1277-1283,共7页
采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初... 采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初始化设计,采用了BPSO算法自适应调整超参数和网络结构构建BPSO-M1DCNN网络;然后,将原始振动数据输入BPSO-M1DCNN网络,进行了特征学习和提取,将学习到的故障特征进行了分类输出;最后,将该算法应用于行星齿轮箱的故障诊断试验,并将其结果与用BPSO-BP神经网络、一维卷积神经网络、M1DCNN网络的结果进行了对比分析,利用变化曲线表示M1DCNN网络、BPSO-M1DCNN网络的正确率和损失率,采用混淆矩阵显示各类故障诊断精度,并利用T-SNE算法对其特征学习过程进行了可视化。研究结果表明:相比BPSO-BP神经网络、1DCNN网络、M1DCNN网络,基于BPSO-M1DCNN网络的行星齿轮箱测试集的平均准确率均有一定提升,应用于行星齿轮箱故障的诊断效果较好。 展开更多
关键词 行星齿轮箱 故障诊断 尺度一维卷积神经网络 二进制粒子群优化
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部