期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别 被引量：5
1
作者 崔岩 方春华 +3 位作者 文中 方萌 游海鑫 郭俊康 《国外电子测量技术》 北大核心 2023年第1期144-152,共9页
为避免地下电缆遭受破坏,提高振动监测系统对外力破坏的预警能力,提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先,将振动传感系统获取的3000组外破振动信号转化生成为时频谱图数据... 为避免地下电缆遭受破坏,提高振动监测系统对外力破坏的预警能力,提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先,将振动传感系统获取的3000组外破振动信号转化生成为时频谱图数据集,在图像预处理阶段,采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维;然后,将图像数据集的70%作为CNN模型的训练集,并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优,从而获得优化PSO-CNN分类模型;最后,利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证,并与其他分类模型进行了对比。结果表明,所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度,为快速准确地识别外力破坏事件类型提供了一种可行方案。 展开更多
关键词 时频谱图 2d-pca降维 惯性权重 卷积神经网络 粒子群优化算法
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部