期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进多图卷积网络的液压泵小样本故障诊断
1
作者 郑直 赵文博 +4 位作者 李克 朱占辉 刘彤谣 孙杨 林帅恒 《振动与冲击》 EI CSCD 北大核心 2024年第24期59-67,83,共10页
多图卷积网络模型(multi-graph convolutional network, M-GCN)可将图像转为特征向量,并可利用图卷积操作增强同类节点聚集。由于受到现场空间和经济条件限制,无法有效地采集液压泵充足故障样本,导致小样本问题;当引入M-GCN模型对液压... 多图卷积网络模型(multi-graph convolutional network, M-GCN)可将图像转为特征向量,并可利用图卷积操作增强同类节点聚集。由于受到现场空间和经济条件限制,无法有效地采集液压泵充足故障样本,导致小样本问题;当引入M-GCN模型对液压泵的故障进行诊断时,该模型特征表达存在区分度不足和信息单一等问题。因此,该文提出了一种改进多图卷积网络模型,即MMH-GCN模型。首先,为解决模型特征提取区分度不足问题,引入掩码自编码器(masked autoencoder, MAE)降低编码维度并提取关键图像特征,提升模型的小样本诊断精度;然后,为解决模型特征信息单一问题,引入异构图注意力网络(heterogeneous graph attention network, HAN)提取更丰富和全面的图结构数据特征,以提升模型的小样本诊断精度和效率。通过液压泵实测故障试验验证分析可知,该文所提MMH-GCN模型较原模型具有明显的高效性和优越性,在诊断精度和效率方面分别提升了12.14%和14.63%。 展开更多
关键词 多图卷积网络 掩码自编码器 异构图注意力网络 小样本
下载PDF
基于自适应多尺度图卷积网络的多标签图像识别 被引量：8
2
作者 王雪松 荣小龙 +1 位作者 程玉虎 陈正升 《控制与决策》 EI CSCD 北大核心 2022年第7期1737-1744,共8页
利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段,但是,较多的图卷积层数易出现过度平滑现象,使得该方法存在局限性.为此,提出一种基于自适应多尺度图卷积网络的多标签图像识别方法,主要思路为:采用块Krylov子空间... 利用一阶谱图卷积探索类别标签间关系是目前多标签图像识别常用的手段,但是,较多的图卷积层数易出现过度平滑现象,使得该方法存在局限性.为此,提出一种基于自适应多尺度图卷积网络的多标签图像识别方法,主要思路为:采用块Krylov子空间形式的谱图卷积来挖掘类别标签间的相关性,在每个图卷积层中拼接多尺度信息并扩展到深层结构,并在自适应标签关系图模块所构建的关系图上学习分类器,从而更加有效地进行多标签图像识别.通过两个公开数据集PASCAL VOC 2007和MS-COCO 2014上的实验结果验证了所提出方法的有效性. 展开更多
关键词 自适应关系图 多尺度图卷积网络 多标签图像识别 块Krylov子空间
原文传递
融合知识图谱的时空多图卷积交通流量预测
3
作者 李劲业 李永强 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2024年第7期1366-1376,共11页
现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城... 现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城市交通知识图谱输入关系演化图卷积神经网络,实现知识嵌入;使用知识融合模块将车流量矩阵与知识嵌入融合;将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块,提取时空特征,通过全连接层输出交通流量预测值.在杭州交通数据集上评估模型性能,与先进的基线模型对比,所提模型的性能提高了5.76%~10.71%.鲁棒性实验结果表明,所提模型具有较强的抗干扰能力. 展开更多
关键词 智能交通 交通流量预测 城市交通知识图谱 多图卷积神经网络 知识融合模块 路网拓扑图
下载PDF
面向全量测点耦合结构分析与估计的工业过程监测方法
4
作者 赵健程 赵春晖 《自动化学报》 EI CAS CSCD 北大核心 2024年第8期1517-1538,共22页
实际工业场景中,需要在生产过程中收集大量测点的数据,从而掌握生产过程运行状态.传统的过程监测方法通常仅评估运行状态整体的异常与否,或对运行状态进行分级评估,这种方式并不会直接定位故障部位,不利于故障的高效检修.为此,提出一种... 实际工业场景中,需要在生产过程中收集大量测点的数据,从而掌握生产过程运行状态.传统的过程监测方法通常仅评估运行状态整体的异常与否,或对运行状态进行分级评估,这种方式并不会直接定位故障部位,不利于故障的高效检修.为此,提出一种基于全量测点估计的监测模型,根据全量测点估计值与实际值的偏差定义监测指标,从而实现全量测点的分别精准监测.为克服原有的基于工况估计的监测方法监测不全面且对测点间耦合关系建模不充分的问题,提出多核图卷积网络(Multi-kernel graph convolutional network,MKGCN),通过将全量传感器测点视为一张全量测点图,显式地对测点间耦合关系进行建模,从而实现全量传感器测点的同步工况估计.此外,面向在线监测场景,设计基于特征逼近的自迭代方法,从而克服在异常情况下由于测点间强耦合导致的部分测点估计值异常的问题.所提出的方法在电厂百万千瓦超超临界机组中引风机的实际数据上进行验证,结果显示,与其他典型方法相比,所提出的监测方法能够更精准地检测出发生故障的测点. 展开更多
关键词 自迭代特征替换 多核图卷积网络 全量测点估计 故障检测
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部