卷积神经网络(CNN)
卷积神经网络(CNN)的相关文献在2015年到2022年内共计451篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、机械、仪表工业
等领域,其中期刊论文427篇、专利文献371066篇;相关期刊140种,包括科学技术与工程、浙江大学学报(工学版)、合肥工业大学学报(自然科学版)等;
卷积神经网络(CNN)的相关文献由1522位作者贡献,包括孙俊、孙利、王淞等。
卷积神经网络(CNN)—发文量
专利文献>
论文:371066篇
占比:99.89%
总计:371493篇
卷积神经网络(CNN)
-研究学者
- 孙俊
- 孙利
- 王淞
- 范伟
- 姚明海
- 王康
- 万新旺
- 万江华
- 丛容子
- 于洋
- 何仁杰
- 何伟
- 何桂雄
- 何浩
- 倪益华
- 元尼东珠
- 关键
- 冯华君
- 刘婷
- 刘宁波
- 刘思佳
- 刘珺
- 刘胜
- 刘艺璇
- 刘辉
- 吕艳
- 姚远
- 姜宏旭
- 孔祥浩
- 孔韦韦
- 孙英娟
- 宋蕊
- 左志远
- 廖鹏程
- 张凯鑫
- 张利
- 张威
- 张敏
- 张永华
- 张莉
- 张见
- 徐之海
- 戴兆乐
- 房红征
- 曾国钊
- 李克成
- 李国庆
- 李圣龙
- 李奇
- 李婉桦
-
-
别芳宇;
高勇
-
-
摘要:
随着民航飞机数量的增多,接收到的广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)信号可能出现多条报文交织的情况,这将导致解码失败。针对单天线ADS-B二重交织信号,提出了一种投影算法与卷积神经网络(Convolutional Neural Networks,CNN)相结合的分离方法。首先将单天线ADS-B信号重构为虚拟阵列信号,接着利用投影算法对其进行分离,最后将分离信号通过CNN模型进行幅值修正。实验结果表明,通过该方法分离出的信号其解码成功率得到了提高。
-
-
赵勇;
苏丹
-
-
摘要:
为提高长短时记忆神经网络对畸形波预报精度,研究了长短时记忆神经网络与卷积神经网络(Convolution Neural Networks, CNN)、经验模式分解(Empirical Mode Decomposition, EMD)、差分自回归移动(Auto-Aggressive Integrated Moving Average, ARIMA)模型以及卡尔曼滤波(Kalman Filtering, KF)方法4种组合模型预报方法.基于两个单峰型畸形波和一个三姐妹组合型畸形波实验数据,经过数据归一化、模型参数设置及误差评估建立了组合预报模型和预报.结果表明:4种组合模型预报精度在所研究的3个畸形波序列预报中精度都得到了显著提高,其中与CNN组合模型的预报精度最高.组合模型方法为提高畸形波预报精度提供了可行方案.
-
-
姜旭初;
许宇澄;
宋超
-
-
摘要:
以陆上风力发电负荷数据作为研究对象,将注意力机制引入双向长短期记忆与卷积神经网络(CNN)的混合模型来预测短期电力负荷.结果显示:1)注意力机制通过对不同时步的输入进行加权,能够显著提升双向长短期记忆网络的预测性能;2)双向长短期记忆网络-CNN结构比CNN-双向长短期记忆网络结构更适用于短期负荷预测,前者相较后者能够充分利用时序信息,不会在输入初期就丢失关键信息;3)基于注意力机制的双向长短期记忆网络-CNN混合模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到了575.35和7.02%,比次佳模型(基于注意力机制的双向长短期记忆网络-CNN混合模型)分别降低了2.75%和9.65%,其在风电短期负荷预测方面有很好的应用前景.
-
-
孙彦玺;
陈继斌;
武东辉
-
-
摘要:
针对人体活动传感器数据的时序性特点,以及当前机器学习算法过度依赖手工特征提取的问题,提出了一种融合卷积神经网络和双向长短期记忆网络的深度学习模型(convolutional neural network-bidirectional long short term memory network,CNN-BiLSTM)进行人体活动识别(human activity recognition,HAR)。首先对人体活动数据进行样本分割,然后采用卷积神经网络(convolutional neural networks,CNN)自动提取人体活动数据的特征,再通过双向长短时记忆网络(bi-directional long-short term memory,BiLSTM)学习人体活动数据特征在时间序列上前后两个方向的相关性,最后利用softmax分类器实现对人体活动分类。DaLiAc公开数据集上的仿真实验结果表明:基于CNN-BiLSTM网络的人体活动识别方法对13种人体活动的识别准确率达到了97.7%,与仅具备时间特征学习的LSTM网络和BiLSTM网络相比,具有更好的识别分类效果。
-
-
孙宁;
徐桂安;
王冬梅;
陈田(指导)
-
-
摘要:
在机械零件的生产加工过程中,加工设备由于长期工作,零件表面会出现点蚀、磨损、裂纹等现象。为了提高表面失效检测速度,降低人工检测成本并简化检测流程,提出了一种基于迁移学习卷积神经网络(CNN)的机器视觉技术检测方法,通过图像灰度化与小波降噪的方法解决缺陷特征不显著的问题,将已训练模型中的卷积层部分迁移至该任务模型中,分类后提取缺陷周围的轮廓特征,得到实验结果。对比两种迁移学习网络效果,择优选择的网络可以显著提升模型分类的准确率与运行效率。
-
-
宋珊珊;
潘文林;
王嘉梅;
梁志茂
-
-
摘要:
在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了.
-
-
程渠超;
刘湲
-
-
摘要:
为了更高效率地诊断轴承故障,提出了一种基于精英反向学习(OBL)改进麻雀算法(SSA)优化卷积神经网络(CNN)的滚动轴承故障诊断方案,利用改进SSA较强的寻优能力和较快的收敛速度,优化CNN的超参数。以美国凯斯西储大学的滚动轴承数据作为实验数据对该方案加以检验,并与BP神经网络、支持向量机(SVM)以及未优化的CNN模型等故障诊断方式相比较。结果表明:该方案分类准确度更高,用时更少。
-
-
张慧波;
王守相;
赵倩宇;
任杰;
王海
-
-
摘要:
由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。
-
-
张鹏飞;
蓝维旱;
高峰;
王迎旭
-
-
摘要:
目前,卷积神经网络(Convolutional Neural Network,CNN)模型在各种视觉任务中取得了巨大的成功,但行人检测方面的关键尺度问题仍有待进一步研究。为达到在交通场景下准确识别和定位小目标行人的识别与定位,提出了基于多尺度感知的改进Fast-RCNN模型,对Caltech行人数据集中的小目标行人图像进行检测。通过利用训练后的尺度感知权重,将大尺度子网络和小尺度子网络合并到统一的结构中,并利用对象建议的高度为两个子网络指定不同的尺度感知权重,同时将原模型中的VGG-16特征提取网络替换深度残差网络(ResNet-50)以获取更多特征。最后,对比所提改进模型和基础的Fast-RCNN的模型,发现所提模型行人识别准确率为97.49%,比未改进前提高了4.36%;再和传统的机器学习方法对比(基于HOG特征的SVM识别方法和基于ICF特征的AdaBoost识别方法),发现所提模型效果仍为最好。结果表明,该方法对交通场景下小目标行人的识别效果较好,能够为智能车辆图像识别系统和智慧交通提供参考。
-
-
潘慧;
段先华;
罗斌强
-
-
摘要:
为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3。构建船舶图像数据集Shipdataset,包括数据采集、增强和标签标注,使用维度聚类算法在该数据集中找出合适尺寸的先验框,并应用于相对应的尺度特征图。以Darknet-53的网络框架为基础特征提取网络,增加网络预测尺度,在多尺度特征融合中加入DCA融合策略,提高模型对船舶的检测能力。以MS-YOLOV3为算法框架,采用GIOU作为边框损失函数的参数,提升模型对边界框位置信息的预测准确度。结果MS-YOLOV3与YOLOV3检测算法的对比实验表明,前者在船舶数据集上的精度有7.9个百分点的提升。同时加入的GIOU边框损失,拉低了模型的平均损失,加强了模型的鲁棒性,使得目标框的定位误差大大减小。根据Pascal VOC2007数据集上的训练效果,MS-YOLOV3的平均精度相较于YOLO系列算法、SSD300和Faster-RCNN,精确度优势更加明显。提出的MS-YOLOV3检测模型使得船舶的位置信息和类别精度更加准确。