基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取

作者： 王猛   来源： 广州大学 年份： 2020 文献类型 ： 学位论文 关键词： 残差学习   形态学滤波   建筑物提取   U   Net  

描述： 基于高分辨率航拍影像和LiDAR数据的建筑物平面轮廓提取

低转速航空发动机滚动轴承故障深度异常检测方法

作者： 康玉祥     陈果     盛嘉玖     王浩     尉询楷   来源： 振动与冲击 年份： 2024 文献类型 ： 期刊 关键词： 滚动轴承   航空发动机   Transformer   深度异常检测   低转速  

描述： 结果作为网络的输入，且仅依靠正常数据完成模型的训练。最后，在带机匣的航空发动机转子试验器和某型真实的航空发动机上分别进行了试验验证。结果表明，所提方法能够准确的实现对低转速滚动轴承故障的检测，且检测精度分别为93%和100%,充分表明该方法具有很好的异常检测能力及应用价值。

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。

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： 结果表明，该方法有效降低了单一监视源的监视误差，且融合效果优于基于注意力机制的长短期记忆网络、循环神经网络和扩展卡尔曼滤波融合方法，平均绝对误差分别提升了2.20%、14.32%和33.94%。

基于深度学习的航空发动机剩余使用寿命预测方法研究

作者： 曹锦山.   来源： 重庆交通大学 年份： 2024 文献类型 ： 学位论文 关键词： 航空发动机   Transformer   深度学习   剩余使用寿命   多头自注意力机制  

描述： 基于深度学习的航空发动机剩余使用寿命预测方法研究

基于DETR的高清航空图像目标检测算法研究

作者： 许伟伟.   来源： 电子科技大学 年份： 2024 文献类型 ： 学位论文 关键词： DETR   Transformer   知识蒸馏   滑动窗口   航空目标检测  

描述： 基于DETR的高清航空图像目标检测算法研究

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： 结果表明，该方法有效降低了单一监视源的监视误差，且融合效果优于基于注意力机制的长短期记忆网络、循环神经网络和扩展卡尔曼滤波融合方法，平均绝对误差分别提升了2.20%、14.32%和33.94%。

基于深度学习的航空发动机剩余使用寿命预测方法研究

作者： 曹锦山.   来源： 重庆交通大学 年份： 2024 文献类型 ： 学位论文 关键词： 航空发动机   Transformer   深度学习   剩余使用寿命   多头自注意力机制  

描述： 基于深度学习的航空发动机剩余使用寿命预测方法研究

基于DETR的高清航空图像目标检测算法研究

作者： 许伟伟.   来源： 电子科技大学 年份： 2024 文献类型 ： 学位论文 关键词： DETR   Transformer   知识蒸馏   滑动窗口   航空目标检测  

描述： 基于DETR的高清航空图像目标检测算法研究

基于深度学习域适应的飞机结冰图像气泡提取方法

作者： 赵红梅     彭博     周志宏     易贤   来源： 南京航空航天大学学报 年份： 2024 文献类型 ： 期刊 关键词： 气泡提取   U   Attention   图像分割   域适应   动态结冰   Net  

描述： 针对采用深度学习方法提取结冰显微图像中的气泡需要大量标注数据，但人工标注气泡任务较为困难的问题，提出了一种基于风格迁移网络CycleGAN和图像分割网络Attention U-Net的域适应提取方法。该方法通过程序模拟气泡形态生成的图像为源域，结冰显微图像为目标域，通过CycleGAN将源域图像转为目标域风格，采用风格转换后的源域数据集训练Attention U-Net网络。通过对比实验对无标注结冰图像和少量标注图像两种情况进行验证。实验结果表明，在无标注图像的情况下，可实现无监督的结冰显微图像的气泡提取；在只有少量标注图像的情况下，该方法可实现更精确的气泡提取。