全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 基于神经网络的遥感图像飞机实时检测算法
- 作者： 刘志 杨江涛 许新云 来源： 工业控制计算机 年份： 2024 文献类型 ： 期刊 关键词： 遥感图像 注意力机制 YOLOv4 MobileNetv3 深度可分离卷积
- 描述： 情况下，减少参数量；同时在路聚合网络（PANet）中使用深度可分离卷积代替传统卷积；在主干网络中引入BAM注意力机制，提高整体模型的泛化能力。然后对NMS网络进行了优化，以提升模型的最终识别精度。最后在
- 基于BiGRU-Attention改进的航空设备故障知识图谱构建
- 作者： 陈勇刚 刘康妮 王帅 来源： 航空学报 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制 双向门控循环神经网络 故障诊断 航空设备故障 知识图谱
- 描述： 针对航空设备故障数据量庞大且传统故障诊断方法低效的问题，利用知识图谱技术构建高性能图数据库来替代传统民机所用的关系数据库以提高故障诊断决策效率，并通过一种以注意力机制（Attention）结合
- 一种基于TCN-LGBM的航空发动机气路故障诊断方法
- 作者： 吕卫民 孙晨峰 任立坤 赵杰 李永强 来源： 兵工学报 年份： 2024 文献类型 ： 期刊 关键词： 轻量级梯度提升机 注意力机制 航空发动机 故障诊断 时间卷积神经网络
- 描述： 长时间工作在高温高压、强振动等恶劣气路环境下的航空发动机经常面临部件疲劳、腐蚀和性能退化的问题，且其故障诊断时序逻辑性不强、故障参数耦合较深等特点十分明显，为此提出一种基于时间卷积神经网络
- 基于深度学习方法的航空发动机寿命预测模型
- 作者： 郭晓静 贠玉晶 徐晓慧 来源： 振动.测试与诊断 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制 长短期记忆网络 航空发动机 剩余寿命预测 协方差分析
- 描述： （root mean square error，简称RMSE）范围为[4.83,13.66]，与卷积神经网络（convolutionneuralnetworks，简称CNN）、LSTM和双向长短期记忆网络
- 飞机结构X射线裂纹图像智能评定
- 作者： 贾文博 汪洪量 奚之飞 樊俊铃 杨胜春 张伟 赵延广 来源： 航空工程进展 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制 智能评定 裂纹图像 高效层聚合网络 X射线
- 描述： 飞机结构X射线图像评定过程存在复杂背景下裂纹分割不准确、检出难等问题。基于高效层聚合网络提出一种飞机结构X射线裂纹图像智能评定模型（ELAN-Seg），将ELAN-Seg模型和DeepLabv3+模型的射线图像裂纹分割能力进行对比，结合图像处理技术对模型分割的裂纹长度进行评估，利用飞机强度试验及外场维护过程采集的X射线图像对模型进行验证。结果表明：分割的最小裂纹长度约为3 mm,ELAN-Seg模型对复杂背景射线图像裂纹分割更加准确，裂纹漏检率小于3.8%，该模型具有工程适用性。
- 基于注意力Seq2Seq模型的终端区航空器航迹预测
- 作者： 卢婷婷 刘博 李纯柱 来源： 科学技术与工程 年份： 2024 文献类型 ： 期刊 关键词： 注意力机制 终端区 序列到序列框架 航空运输 航迹预测
- 描述： 指标，进行了航迹预测实验，实验结果表明：高度、经度和纬度在序列到序列框架中的循环神经网络分别采用LSTM、GRU和LSTM可以获得最好预测性能；以4种预测长度1、3、5和10 min进行建模，与基线模型中
- 基于注意力金字塔网络的航空影像建筑物变化检测
- 作者： 田青林 秦凯 陈俊 李瑶 陈雪娇 来源： 光学学报 年份： 2021 文献类型 ： 期刊 关键词： 注意力机制 图像处理 变化检测 空洞卷积 特征金字塔
- 描述： 针对遥感图像语义分割中存在对多尺度目标的漏检和分割边界粗糙等问题,提出了一种基于注意力金字塔网络的航空影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段使用ResNet101作为基础网络来
- 基于注意力金字塔网络的航空影像建筑物变化检测
- 作者： 田青林 秦凯 陈俊 李瑶 陈雪娇 来源： 光学学报 年份： 2021 文献类型 ： 期刊 关键词： 注意力机制 图像处理 变化检测 空洞卷积 特征金字塔
- 描述： 针对遥感图像语义分割中存在对多尺度目标的漏检和分割边界粗糙等问题,提出了一种基于注意力金字塔网络的航空影像建筑物变化检测方法。该方法采用编码-解码结构,在编码阶段使用ResNet101作为基础网络来
- 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。