全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
按文献类别分组
按栏目分组
关键词
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。
- 基于编解码网络的航空影像像素级建筑物提取
- 作者： 陈凯强 高鑫 闫梦龙 张跃 孙显 来源： 遥感学报 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络 建筑物提取 深度学习 遥感 航空影像
- 描述： 建筑物提取在城市规划等土地利用分析中发挥着重要作用。用于提取建筑物的传统方法通常基于手工特征和分类器,导致精度较低。本文基于编解码结构的卷积神经网络CNN (Convolutional Neural Networks),自主学习多级的和具有区分度的特征来更好地辨识建筑物和背景,实现航空影像中的像素级建筑物提取。该网络由编码子网络和解码子网络两部分组成,编码子网络对输入图像进行空间分辨率压缩,完成特征提取;解码子网络从特征中提升空间分辨率,完成像素级的建筑物提取。此外,本文使用视野增强FoVE (Field-of-View Enhancement)方法减轻边缘现象(切片边缘附近的建筑物提取精度通常低于中心区域附近的精度)的影响,并分别在两个建筑物提取标准数据集上的实验表明,编解码卷积神经网络能有效实现像素级建筑物提取,FoVE能有效提高建筑物提取准确率;通过改变预测时切片大小和重叠度,分析其对建筑物提取结果的影响,揭示了FoVE的饱和性。
- GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用
- 作者： 王奉涛 薛宇航 王洪涛 马琳杰 李宏坤 韩清凯 于晓光 来源： 振动工程学报 年份： 2020 文献类型 ： 期刊 关键词： 卷积神经网络 故障诊断 优化算法 灰度变换 轴承
- 描述： GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用
- 飞机重着陆预警分析方法
- 作者： 郑磊 池宏 许保光 邵雪焱 来源： 数学的实践与认识 年份： 2019 文献类型 ： 期刊 关键词： 重着陆 卷积神经网络 操作模式 预警分析 多元时间序列
- 描述： 飞机着陆垂直载荷大(重着陆)是严重的安全事件,轻则对机身结构造成伤害,严重时可能导致机毁人亡.从快速存取记录器(Quick Access Recorder, QAR)记录的飞行参数数据中挖掘规律并提前预警,对飞行安全意义重大.首先使用基于动态时间规整距离的时间序列聚类分析来确定飞行操作模式,然后研究在已知和未知飞行操作模式的情况下,重着陆预警分析的效果.对比试验表明,已知飞行操作模式的情况下,重着陆预警的召回率指标较好,可以发现更多的重着陆事件,提高安全性.
- 基于深度学习的航空发动机齿轮故障诊断
- 作者： 万安平 杨洁 王景霖 陈挺 缪徐 黄佳湧 杜翔 来源： 振动.测试与诊断 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 卷积神经网络 多传感器信息融合 故障诊断 深度学习
- 描述： dimensional convolutional neural network，简称1D-CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行
- 基于改进的SENet航空发动机振动预测
- 作者： 夏存江 詹于游 来源： 航空动力学报 年份： 2022 文献类型 ： 期刊 关键词： 数据驱动 注意力机制 卷积神经网络 多参数融合 振动预测
- 描述： 为实时监测和预警航空发动机振动状态，基于气路及振动参数，提出一种使用改进的SENet(squeeze-and-excitation network)模型，对航空发动机近未来的振动进行预测。该研究相比以往采用的实验室模拟数据和仿真数据，使用了真实的QAR(quick access recorder)数据并进行随机采样，以求更能表征发动机振动和工作参数之间的关系。同时，不仅使用其他振动信号进行验证，还在其他型号的发动机上进行测试。结果表明：针对航空发动机的振动进行预测是可行的，SENet模型可以有效并实时追踪振动的突变和波动。此外，该方法对于其他振动信号和不同类型的发动机具有一定的适用性。而且相较于以往采用的其他经典的深度模型，SENet模型在振动的预测中能得到更小的误差。实验证明，相较于以往只使用振动这个单参数进行预测，并行使用与振动相关的多参数融合进行研究更能提高预测的准确性。
- 基于多传感器融合卷积神经网络的航空发动机轴承故障诊断
- 作者： 杨洁 万安平 王景霖 单添敏 缪徐 李客 左强 来源： 中国电机工程学报 年份： 2022 文献类型 ： 期刊 关键词： 航空发动机 卷积神经网络 多传感器信息融合 故障诊断 深度学习
- 描述： 航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动
- 基于注意力机制和CNN-BiLSTM模型的航空发动机剩余寿命预测
- 作者： 张加劲 来源： 电子测量与仪器学报 年份： 2022 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 卷积神经网络 剩余寿命 双向长短期记忆网络
- 描述： 航空发动机作为飞机的主要动力源，其可靠性是保证飞机安全的关键。剩余使用寿命预测对于提高航空发动机的可用性和降低其寿命周期成本具有重要意义。针对现有的预测算法存在对航空发动机多维数据特征提取不足的问题，提出了一种基于注意力机制的卷积神经网络和双向长短期网络融合模型。首先，采用卷积神经网络提取特征和双向长短期记忆网络获取特征中的长短期依赖关系；其次，使用注意力机制来突出特征中的重要部分，提高模型预测的准确率。为验证所提出方法的有效性，在C-MAPSS数据集上进行了实验。实验表明，模型可以准确地预测出航空发动机的剩余使用寿命，并比传统方法有着更高的预测精度。