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
- 技能领域深度学习评价核心指标构建与量表开发研究——以飞机维修虚拟仿真学习为例
- 作者： 穆肃 高春瑾 田巨 来源： 广州开放大学学报 年份： 2024 文献类型 ： 期刊 关键词： 飞机维修 深度学习 量表开发 虚拟仿真 评价指标
- 描述： 学生主动、有深度的学习有利于促进职业技能提升。教学质量评价是职业技能教学的重要一环，深度学习理论可为技术支持下的专业技能教学与评价提供理论支持和实践指导。本研究以飞机维修虚拟仿真教学为例，采用
- 航空发动机叶片表面损伤与检测研究进展
- 作者： 程亚茹 李湉 薛辉 黎红英 王丹 唐鋆磊 来源： 航空发动机 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 机器视觉 叶片损伤 深度学习 无损检测
- 描述： 航空发动机叶片的工作环境极其恶劣，表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作，严重依赖工作经验，但人工检测不仅效率低下，而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤，从叶片失效形式出发，综述了发动机叶片在停放和运行2种状态下的损伤机理，并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术，分析机器视觉检测面临数据集稀缺和单一性的挑战，认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。
- 基于深度学习的水上飞机非定常水载荷重构
- 作者： 樊云翔 艾化楠 王明振 曹楷 刘学军 吕宏强 来源： 航空学报 年份： 2024 文献类型 ： 期刊 关键词： 扩散模型 时序卷积网络 稀疏数据 深度学习 非定常流场重构
- 描述： 动载荷数据非线性强且数据稀疏，传统的流场重构方法难以适用。采用时序卷积网络（TCN）对水上飞机入水的船底时序流场重构问题进行建模研究，通过深度学习优秀的非线性拟合能力学习流场规律，并在传统的TCN基础上
- 基于深度迁移学习的复杂机场场景飞机目标检测方法
- 作者： 钟聃 李铁虎 李诚 来源： 光子学报 年份： 2024 文献类型 ： 期刊 关键词： 深度学习 机场场面 迁移学习 特征金字塔网络 飞机目标检测
- 描述： 提出了一种改进的深度学习模型，旨在解决检测问题。首先基于迁移学习，微调预训练模型，提高了模型在有限的飞机数据集中的特征提取能力。其次，融入调整模块以增加深层特征图的感受野，提升模型的鲁棒性。引入
- 考虑燃烧室出口温度分布的航空发动机部件级模型
- 作者： 郑前钢 张宏维 张海波 来源： 推进技术 年份： 2024 文献类型 ： 期刊 关键词： 燃烧室出口温度分布 深度学习 预测模型 全包线 发动机部件级模型
- 描述： 发动机在不同工作状态、不同包线点下的燃烧室出口温度分布场。结果表明：Inception-反卷积网络在训练集和测试集上的均方误差比常规反卷积降低11.83%和5.6%，比WGAN-GP降低87%和90
- 基于深度学习的高分辨率遥感影像飞机掩体检测方法
- 作者： 史姝姝 陈永强 王樱洁 王春乐 来源： 激光与光电子学进展 年份： 2024 文献类型 ： 期刊 关键词： 遥感影像 目标检测 深度学习 旋转框 遥感
- 描述： 高分辨率遥感影像数据集。对比Faster R-CNN、SSD、RetinaNet、YOLOv3和YOLOX等5个深度学习目标检测模型的综合性能，结果表明，在飞机掩体影像数据集上YOLOX模型表现更佳
- 航空发动机润滑系统故障知识图谱构建及应用
- 作者： 吴闯 张亮 唐希浪 崔利杰 谢小月 来源： 北京航空航天大学学报 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 深度学习 润滑系统 知识问答 知识图谱
- 描述： 故障知识图谱本体概念的基础上，采用双向长短期记忆(BiLSTM)神经网络和条件随机场(CRF)等深度学习技术实现知识自主抽取，并基于余弦距离和Jaccard相关系数法进行多源异构故障知识的融合。同时，基于
- 基于概率稀疏自注意力的航空发动机剩余寿命预测
- 作者： 王欣 黄佳琪 许雅玺 来源： 科学技术与工程 年份： 2024 文献类型 ： 期刊 关键词： 航空发动机 Transformer 深度学习 概率稀疏自注意力 剩余寿命预测
- 描述： 航空发动机剩余寿命预测对其健康管理具有重要意义，针对长序列、多维度的航空发动机监测参数，提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制，使得模型更关注时间序列中重要的时间节点，大幅缩减时间维度，减小了时间和空间复杂度；通过注意力层整合后的信息，进一步通过前馈神经网络层和卷积层，提取传感器的空间特征，编码层之间通过扩张因果卷积相连接，扩大了感受野，提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法，实验结果表明，相比于实验中的对比模型，所提模型的RMSE和Score值均有提升，推理速度也优于其他模型。