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
- 基于优化混合模型的航空发动机剩余寿命预测方法
- 作者： 刘月峰 张小燕 郭威 边浩东 何滢婕 来源： 计算机应用 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 剩余使用寿命 双向长短期记忆网络
- 描述： 的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络；2）将原始数据输入双向长短期记忆（Bi-LSTM）网络，并采用注意力机制处理得到的特征；3）使用注意力机制处理原始数据，并将加权特征输入
- 融合注意力和多尺度特征的航空发动机缺陷检测
- 作者： 赵崇林 朱江 胡永进 李祖泽 王鹏举 谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测
- 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。
- 民航突发事件领域本体关系提取方法的研究
- 作者： 王红 李晗 李浩飞 来源： 计算机科学与探索 年份： 2020 文献类型 ： 期刊 关键词： 注意力机制 关系抽取 领域本体 门控循环单元（GRU）模型 民航突发事件
- 描述： 民航突发事件领域本体关系提取方法的研究
- 基于多尺度特征和注意力机制的航空图像分割
- 作者： 宁芊 胡诗雨 雷印杰 陈炳才 来源： 控制理论与应用 年份： 2020 文献类型 ： 期刊 关键词： 注意力机制 全卷积神经网络 建筑像素标记 多尺度特征 航空图像分割
- 描述： 基于多尺度特征和注意力机制的航空图像分割
- 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： 2023 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： ，融合通道注意力机制增强了高质量特征的权重；基于LGBM模型实现对特征的快速分类，利用贝叶斯方法实现对模型超参数的快速优化。以基于PROOSIS软件建模的某军用小涵道比涡扇发动机故障仿真数据为例，对6种
- 基于改进YOLOv5的航空发动机表面缺陷检测模型
- 作者： 李鑫 李香蓉 汪诚 李秋良 李卓越 来源： 激光与光电子学进展 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 机器视觉 YOLOv5 表面缺陷检测
- 描述： 训练效果的提升；其次在Backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后将YOLOv5的定位损失函数改进为EIoU loss，在加快模型收敛
- 基于Trans/Attention的飞行区航空器监视数据融合方法
- 作者： 王兴隆 尹昊 丁俊峰 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 场面监视雷达 注意力机制 Transformer 数据融合 广播式自动相关监视
- 描述： 针对飞行区航空器单一监视源存在监视精度低、位置跳变的问题，提出了一种基于Transformer和注意力机制的航空器监视数据融合方法。首先利用Transformer的编码器结构分别对各监视源数据进行
- 融合注意力和多尺度特征的航空发动机缺陷检测
- 作者： 赵崇林 朱江 胡永进 李祖泽 王鹏举 谢涛 来源： 北京航空航天大学学报 年份： 2023 文献类型 ： 期刊 关键词： 注意力机制 航空发动机 YOLOv5 深度学习 缺陷检测
- 描述： 航空发动机的结构完整性关乎飞行安全。目前基于孔探技术的航空发动机缺陷检测以人工操作为主。为提高检测精度和效率，提出了一种融合注意力和多尺度特征的航空发动机缺陷智能检测算法，以辅助孔探工作。首先，针对原始孔探图像中缺陷样本的类别不平衡问题，采用了一种基于几何变换和泊松图像编辑的多样本融合数据增强方法，丰富小样本图像并构建缺陷数据集。然后，在基准网络YOLOv5中融入协调注意力模块(CA)，以强调缺陷特征的提取，增强网络对缺陷目标和复杂背景的区分。在颈部网络中构建加权双向特征金字塔结构(BiFPN)，以完成更高层次的特征融合，提升对多尺度目标的表达能力。最后，将边界框回归损失函数定义为EIOU损失，实现对缺陷目标快速、准确地定位和识别。实验结果表明，本文算法检测缺陷的平均精确度达到了89.7％，较基准网络提升了6.3％，训练后的模型大小仅为14.0M。因此，所提方法可以有效地检测航空发动机的主要缺陷。