在tensorflow1.x框架中搭建上图所示模型,在1D-CNN中直接将1维振动信号作为输入,整个过程中采用1d卷积进行卷积计算,池化层采用最大池化,填充均为'SAME'。在2D-CNN中,先将1维振动信号转换为32*32(这也是上面为什么要取样1024,正好转为32*32)的矩阵作为输入,整个过程中采用2d卷积进行卷积计算,池化层采用最大池化,...
然而,与像PointNet那样处理单个点不同,我们利用了局部几何结构,构造了一个局部邻域图,并在连接相邻点对的边上应用类似卷积的操作,这是图神经网络的精神。我们在下面说明,这样的操作,称为边缘卷积(EdgeConv),具有介于平移不变性和非局域性之间的性质。 与CNN图不同,我们的图不是固定的,而是在网络的每一层...
(1) 1D-CNN-SVM模型通过卷积神经网络自动提取数字信号中的缺陷特征和强大的分类器,能够有效对不同种类钢丝绳缺陷进行识别。 (2) 通过与1D-CNN,1D-CNN-ELM,1D-CNN-RF,1D-CNN-LSTM模型进行对比并计算模型评价指标,发现1D-CNN-SVM的各项数据均优于...
(1) 1D-CNN-SVM模型通过卷积神经网络自动提取数字信号中的缺陷特征和强大的分类器,能够有效对不同种类钢丝绳缺陷进行识别。 (2) 通过与1D-CNN,1D-CNN-ELM,1D-CNN-RF,1D-CNN-LSTM模型进行对比并计算模型评价指标,发现1D-CNN-SVM的各项数据均优于其他模型,验证了所提模型的优越性和可靠性。 (3) 将不同工况...
图1是本发明基于1d-cnn和gru-svm的重型燃气轮机控制系统控制器模块智能bit设计方法中计算机执行的流程图。 图3是本发明基于1d-cnn和gru-svm的重型燃气轮机控制系统控制器模块智能bit设计方法中1d-cnn模型的网络结构示意图。 图4是本发明基于1d-cnn和gru-svm的重型燃气轮机控制系统控制器模块智能bit设计方法中gru结...
此单一的网络在处理复杂信号时因其本身结构的局限性难以提取信号中完整的特征信息。 技术实现要素: 6.为解决上述问题,本发明提出了一种基于1dcnn-lstm与bilstm并行网络的齿轮箱温度预测方法,解决现有方法中对于预测精度不足以及单一网络在特征提取方面的不足的问题。
步骤24、将典型事件信号数据集的信号输入训练好的一维卷积神经网络进行1d-cnn可分辨特征提取,得到事件信号特征集。 进一步,所述步骤21中,构建的一维卷积神经网络结构为9层,具体为:输入层-卷积层c1-池化层p1-卷积层c2-池化层p2-卷积层c3-池化层p3-全连接层fc1-全连接层fc2。
本发明实施例公开了用于识别不同妊娠阶段脉搏的1DCNN‑GRU‑Attention模型,该模型的构建方法包括步骤:S1、采集妊娠脉搏波;S2、对采集的妊娠脉搏波进行预处理,将预处理后的妊娠脉搏波数据分为训练集和测试集;S3、构建1DCNN‑GRU‑Attention混合模型;S4、利用预处理后的妊娠脉搏波训练集数据训练1DCNN‑GRU‑Att...
1.一种基于1D‑CNN的异常数据判别方法,所述方法包括: 建立一维卷积神经网络模型,确定所述一维积神经网络模型的结构; 对所述一维卷积神经网络模型进行训练,基于训练后的所述一维卷积神经网络模型判 别样本数据中的初始异常数据; 对所述初始异常数据进行精度评估,基于评估结果,确定最终异常数据。
一种基于1d cnn-bisru的工控网络入侵检测方法,其步骤如下: [0023] 步骤一:对gas pipeline数据集中的流量数据进行预处理,得到输入数据,并对输入数据进行标注; [0024] 步骤二:将输入数据输入至1d cnn模型中,得到特征向量; [0025] 步骤三:将特征向量输入bisru神经网络进行预测,通过比较预测结果与实际标签值的损失调...