基于循环卷积生成对抗网络的风机齿轮箱故障诊断

风机齿轮箱是风力涡轮传动系统中的关键部分,其故障发生随机、故障样本数量不足,严重影响故障诊断的准确性。针对此问题,提出一种基于循环卷积生成对抗网络的风机齿轮箱故障诊断方法。首先,构建基于循环卷积生成对抗网络的样本生成模型,利用卷积网络和循环网络作为生成器增强样本间的时间相关性;借助Wasserstein距离与梯度惩罚项改进目标函数,并通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力。然后,结合真实样本和生成样本,设计基于堆叠去噪自编码器的故障诊断方法,实现齿轮箱的故障诊断。最后,利用风力涡轮传动系统数据集验证所提出的风机齿轮箱故障诊断方法的性能。结果显示,所提方法能够有效平衡故障样本数据集,进一步提高风机齿轮箱故障诊断的准确率。

一种用循环卷积实现的素长度DCT新快速算法

提出了一种利用循环卷积（Cyclic convolution)和扭循环卷积（Skew cyclic convolution)实现的计算奇素长度离散余弦变换（DCT）快速新算法，算法将DCT系数分成三部分：DC分量，偶下标分量和奇下标分量，根据数论理论，定义了一种新的下标变换算子，利用该算子被转化为循环卷积或扭循环积，由于循环卷积和扭循环卷积具有非常高的效率和规则，因此，本算法具有简单，规则的结构和较纸的运算复杂性。

快速小波变换,循环卷积和数论变换

证明了二维Mallat分解算法可通过二维循环卷积来计算 ,从而 ,快速计算循环卷积的方法 ,如快速数论变换 (FNTT) ,FFT等 ,均可用来实现二维Mallat分解算法 ,这也就提供了快速小波变换的一个新算法 .作者分别比较了直接用二维Mallat分解算法和用FNTT实现二维Mallat分解算法的乘法和加法运算的次数 ,分析表明 ,在通常情况下 ,新算法的乘、加法次数均会少一些 ,并在微机PC/ 5 86( 166MHz)上用FNTT通过二维Mallat分解算法对一个 2 5 6× 2 5 6的原始数字图像进行了分解 .

FFT与循环卷积相结合的GPS信号C/A码相位测量算法

提出了一种将FFT与循环卷积相结合的算法,可以快速高精度测量GPS信号的C/A码相位。算法的主要思想是在较低的采样频率下用FFT法对GPS信号C/A码相位进行粗测,然后用循环卷积法在更高的采样频率下根据粗测结果进行细测,从而以较低的计算量实现对GPS信号的C/A码相位高精度测量。该算法主要应用于辅助式卫星定位接收机的开发和高精度扩频测距等领域。

循环卷积的时域与频域算法研究

利用线性卷积计算循环卷积是信息处理的一种重要手段。在时域分析中,指出了利用线性卷积计算循环卷积的关键技术是在信号左端补元素,使系统函数与信号相对应,给出了信号补元素的3种方法:顺取法、反转法与倍补法,推导了线性卷积计算循环卷积的公式。在频域分析中,指出了循环卷积变换到频域的条件是系统函数与信号长度相等,且信号要延拓为周期信号。分析了信号周期延拓与系统函数右端补0元素的方法,推导了由傅里叶变换的性质计算循环卷积的方法。给出了循环卷积的时域与频域算法流程图。

线性卷积与循环卷积的教学研究

本文针对"数字信号处理"课程中线性卷积与循环卷积存在的教学难题,从两种卷积的物理概念入手,讨论了其运算规则和等价条件,提出了一种利用线性卷积快速计算循环卷积的简便方法,最后通过Matlab仿真对该计算方法进行了验证。

一种用FNT变换完成大点数循环卷积IP核的VLSI实现

由于FNT变换本身的局限,不能完成大点数循环卷积。文章提出一种运用FNT变换实现循环卷积的方案。不仅具有FNT本身零误差的优点,而且有适合于硬件实现,具有不用保存中间结果,节省面积的优点。

固定波形时间保护间隔0FDM系统循环卷积特性研究

针对固定波形时间保护间隔OFDM系统接收端OFDM信息符号和信道冲击响应之间不具有循环卷积特性的系统特点,本文提出一种简单有效的信号处理算法对该系统接收端OFDM信息符号和信道冲击响应之间的循环卷积特性进行恢复。理论分析和计算机仿真表明,该算法能够恢复接收端此循环卷积特性;在时延扩展和AWGN信道条件下,系统误符号性能受到的影响微弱。

Agarwal-Cooley快速循环卷积算法在伪码捕获中的应用

提出一种采用循环卷积实现伪码捕获的方法,研究了Agarwal-Cooley快速循环卷积(Agar-wal-Cooley Fast Circular Convolution,ACFCC)算法及其并行结构,设计实现了基于ACFCC的伪码捕获方法,最后分析了该方法的捕获性能。理论分析和仿真结果表明,与基于FFT循环相关法相比,基于ACFCC的伪码捕获方法在其它捕获性能没有明显改变的情况下,降低了运算量,并且便于计算机采用并行结构实现,提高了系统的捕获效率。

基于深度强化学习和循环卷积神经网络的图像恢复算法

图像恢复是指通过算法来实现恢复出图像残缺部分的信息用来补全残缺的图像。在最近几年由于深度学习的快速发展,深度学习在图像恢复领域也取得了很好的效果。然而现有的方法都需要海量的数据来训练实现图像恢复的研究。本文结合强化学习中的actor-critic算法和生成式对抗网络的网络结构提出了一种新的图像决策算法和循环卷积神经网络结构来实现图像恢复。在数据集CelebA,BSDS500,Pascal Voc2012上的实验表明,在较少数据量的情况下,该方法有效地恢复出了残缺图像的信息,与流行的图像恢复算法相比取得了较好的恢复效果。

超大型二维循环卷积的FPT和FNT混合算法

本文将FPT和FNT相结合提出了一种计算超大型二维循环卷积的迭代算法,它的基础是应用了FPT.与二维循环卷积的FPT算法相比,乘法量减少了一个数量级,同时实际取消了FNT算法中卷积规模所受到的字长的限制.

基于循环卷积神经网络的实体关系抽取方法研究

针对目前大多数关系抽取中对于文本语料中较长的实体共现句,往往只能获取到局部的特征,并不能学习到长距离依赖信息的问题,提出了一种基于循环卷积神经网络与注意力机制的实体关系抽取模型。将擅长处理远距离依赖关系的循环神经网络GRU加入到卷积神经网络的向量表示阶段,通过双向GRU学习得到词语的上下文信息向量,在卷积神经网络的池化层采取分段最大池化方法,在获取实体对结构信息的同时,提取更细粒度的特征信息,同时在模型中加入基于句子级别的注意力机制。在NYT数据集的实验结果表明提出的方法能有效提高实体关系抽取的准确率与召回率。

循环卷积在正交频分复用通信系统中的应用

循环卷积可通过离散傅里叶变换快速实现,因此具有很高的实际应用价值。本文结合最新的第四代移动通信系统中已成功应用的正交频分复用技术,介绍循环卷积在正交频分复用中的应用,并结合具体实例,使学生能更深刻的理解和掌握循环卷积。既丰富了教学内容,又开阔了学生的知识面,使教学与科研充分结合。

三维数字循环卷积的二元多项式变换算法

讨论了用二元多项式变换计算三维数字循环卷积的方法,给出了运算量的估算.此法与常用的FFT方法、WFTA方法、一元FPT方法比较,所需运算量有所减少.更为重要的是从理论上完善了多元多项式变换计算高维数字循环卷积的方法.

利用循环卷积实现的素长度DCT快速算法

提出了一种利用循环卷积 (Cyclic convolution)和扭循环卷积 (Skew cyclic convolution)实现计算奇素长度离散余弦变换 (DCT)的快速新算法。算法将 DCT系数分成三部分 :DC分量、偶下标分量和奇下标分量。根据数论理论 ,本文定义了一种新的下标变换算子 ,利用该算子进行下标变换 ,将偶下标 DCT系数的计算转化为一个循环卷积 ,根据不同长度 ,奇下标 DCT系数的计算被转化为循环卷积或扭循环卷积。利用循环卷积和扭循环卷积的高效率和规则的算法 ,构造具有简单、规则的结构和较低的运算复杂性的奇素长度 DCT快速算法。

用递归和W变换计算一维循环卷积

本文利用递归和Ｗ变换得到了一维循环卷积计算的新方法，所需运算量比已有方法少。

基于Triplet注意力的循环卷积神经网络模型

现有的融合文本或邻居信息的知识补全模型忽略文本和邻居之间的相互作用,难以捕获与实体具有较强语义相关性的信息,加上基于卷积神经网络的模型未考虑实体中的关系相关信息,导致预测性能不佳.因此,文中结合文本信息和拓扑邻居信息,提出基于Triplet注意力的循环卷积神经网络模型.首先,通过语义匹配的方式,选取文本描述中与实体具有较强语义相关性的单词.再与拓扑邻居复合作为实体邻居,增强实体表示.然后,重塑实体的融合表示和关系表示.最后,利用Triplet注意力优化卷积输入,使卷积操作能提取实体中与关系相关的特征,提升模型性能.在多个公开数据集上的链路预测实验表明,文中模型性能较优.

基于循环卷积神经网络的藏文句类识别

句子是语言的最小使用单位,句类识别是为了进一步细化句法和句义研究。由于藏文句尾通常没有特殊的标点符号来识别不同句类,因此这一藏文语言特性就变成了一大难题。该文提出了基于语境和功能特征为一体的句子用途分类方案。首先,该文介绍了文法中藏文句子分类及其特征。其次,收集了大量藏文句子并对其进行了人工标注。最后,采用循环卷积神经网络对藏文句类进行了自动识别。实验表明,该模型对藏文句类识别有较为显著的效果。

离散序列线性卷积和循环卷积的关系

针对时域离散序列,探讨了线性卷积和循环卷积之间的关系.分析了两者等价的条件,并研究了其不等价情形下的误差范围,最后通过仿真实验证明了理论结果的正确性.

基于循环卷积神经网络的缺陷图像评判分级系统

为了解决当前实际场景缺陷图像难识别、缺陷图像库数据庞大而导致标记工作难度大的问题,本文基于自主开发软件标注算法,对大数据缺陷样本库进行半自动标记,并在自主开发软件内完成标记。本文方法基于循环卷积神经网络框架,对标记结果进行学习训练,形成精准识别机制,使其不依赖第三方标注软件。首先,采集大数据缺陷图像,为缺陷识别做好数据训练准备。然后,结合传统视觉检测技术中的图像对比和图像阈值分割,实现初期检测。最后,比较多种深度学习框架的特性,开发了深度学习模型,并将其集成到本文系统中,建立深度神经网络缺陷识别算法。实验测试结果显示,本文系统具有更高的缺陷识别精度与鲁棒性,可为智能缺陷识别设备奠定算法基础。