期刊导航
期刊开放获取
河南省图书馆
退出
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
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
检索
高级检索
期刊导航
共找到
3
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多尺度时序特征的信号调制样式识别算法
被引量:
1
1
作者
崔凯
崔天舒
+3 位作者
朱岩
张晔
黄永辉
赵文杰
《信号处理》
CSCD
北大核心
2021年第8期1507-1517,共11页
在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使...
在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使用长短期记忆网络提取时序特征,最后由输出层输出识别结果,并通过网络结构的设计和优化,降低了算法复杂。实验结果表明,在包含11种调制信号的原始I/Q信号测试集上,在信噪比为4 dB及以上时,该算法识别准确率达到90%以上。与同等识别准确率的算法相比,该算法的复杂度更低,在嵌入式设备Jetson Nano和树莓派4B上的推理时间更短,具有更好的工程应用价值。
展开更多
关键词
认知无线电
信号调制样式识别
算法复杂度
多尺度时序特征
模型参数量
识别准确率
下载PDF
职称材料
AdfNet:一种基于多样化特征的自适应深度伪造检测网络
2
作者
李家春
李博文
林伟伟
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2023年第9期82-89,共8页
视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的...
视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的影响。为了解决上述问题,文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络(AdfNet),它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪;探索了自适应纹理噪声提取机制(ATNEM),通过未池化的特征映射与基于频域的通道注意力机制,灵活捕获非固定频段的噪声残差;设计了深层语义分析指导策略(DSAGS),通过空间注意力机制突出篡改痕迹,并引导特征提取器关注焦点区域的深层特征;研究了多尺度时序特征处理方法(MTFPM),利用时序注意力机制给不同视频帧分配权重,捕获被篡改视频中时间序列的差异。实验结果表明,所提出的网络在FaceForensics++(FF++)数据集HQ模式中的ACC值为97.41%,相比当前主流网络有较为明显的性能提升;并且在FF++数据集上保持AUC值为99.80%的同时,在CelebDF上AUC值可达到76.41%,具有较强的泛化性。
展开更多
关键词
深度学习
深度伪造检测
多尺度时序特征
注意力机制
自适应网络
下载PDF
职称材料
基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测
被引量:
11
3
作者
肖勇
郑楷洪
+3 位作者
郑镇境
钱斌
李森
马千里
《计算机应用》
CSCD
北大核心
2021年第1期231-236,共6页
近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时...
近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆(MSD-LSTM)网络的短期电力负荷预测模型。具体来说,以长短期记忆(LSTM)网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。
展开更多
关键词
短期电力负荷预测
时间序列预测
多尺度时序特征
长短期记忆网络
跳跃连接
下载PDF
职称材料
题名
基于多尺度时序特征的信号调制样式识别算法
被引量:
1
1
作者
崔凯
崔天舒
朱岩
张晔
黄永辉
赵文杰
机构
中国科学院国家空间科学中心复杂航天系统电子信息技术重点实验室
中国科学院大学计算机科学与技术学院
出处
《信号处理》
CSCD
北大核心
2021年第8期1507-1517,共11页
基金
中国科学院复杂航天系统电子信息技术重点实验室自主部署基金(Y42613A32S)。
文摘
在认知无线电应用中,当前基于深度学习的信号调制样式识别算法存在运算效率低、复杂度较高的问题,为此本文提出了一种基于多尺度时序特征的信号调制识别算法。该算法首先利用多层卷积层提取不同尺度的时序数据,将数据进行特征融合后使用长短期记忆网络提取时序特征,最后由输出层输出识别结果,并通过网络结构的设计和优化,降低了算法复杂。实验结果表明,在包含11种调制信号的原始I/Q信号测试集上,在信噪比为4 dB及以上时,该算法识别准确率达到90%以上。与同等识别准确率的算法相比,该算法的复杂度更低,在嵌入式设备Jetson Nano和树莓派4B上的推理时间更短,具有更好的工程应用价值。
关键词
认知无线电
信号调制样式识别
算法复杂度
多尺度时序特征
模型参数量
识别准确率
Keywords
cognitive radio
signal modulation recognition
algorithm complexity
multiscale temporal features
model parameters
recognition accuracy
分类号
TN91 [电子电信—通信与信息系统]
下载PDF
职称材料
题名
AdfNet:一种基于多样化特征的自适应深度伪造检测网络
2
作者
李家春
李博文
林伟伟
机构
华南理工大学计算机科学与工程学院
出处
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2023年第9期82-89,共8页
基金
广东省重点领域研发计划项目(2021B0101420002)
教育部产学合作协同育人项目(201902186007,201901034001)
+1 种基金
广州市重点领域研发计划项目(202007040002)
广州市开发区国际合作项目(2020GH10)。
文摘
视频篡改造成的危害一直在危及人们的生活,这使深度伪造检测技术逐渐得到广泛关注和发展。然而,目前的检测方法由于使用了不灵活的约束条件,无法有效捕获噪声残差;此外,也忽略了纹理和语义特征之间的关联,以及时序特征对检测性能提升的影响。为了解决上述问题,文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络(AdfNet),它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪;探索了自适应纹理噪声提取机制(ATNEM),通过未池化的特征映射与基于频域的通道注意力机制,灵活捕获非固定频段的噪声残差;设计了深层语义分析指导策略(DSAGS),通过空间注意力机制突出篡改痕迹,并引导特征提取器关注焦点区域的深层特征;研究了多尺度时序特征处理方法(MTFPM),利用时序注意力机制给不同视频帧分配权重,捕获被篡改视频中时间序列的差异。实验结果表明,所提出的网络在FaceForensics++(FF++)数据集HQ模式中的ACC值为97.41%,相比当前主流网络有较为明显的性能提升;并且在FF++数据集上保持AUC值为99.80%的同时,在CelebDF上AUC值可达到76.41%,具有较强的泛化性。
关键词
深度学习
深度伪造检测
多尺度时序特征
注意力机制
自适应网络
Keywords
deep learning
deep forgery detection
multi-scale temporal feature
attention mechanism
adap⁃tive network
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测
被引量:
11
3
作者
肖勇
郑楷洪
郑镇境
钱斌
李森
马千里
机构
南方电网科学研究院有限责任公司
华南理工大学计算机科学与工程学院
出处
《计算机应用》
CSCD
北大核心
2021年第1期231-236,共6页
基金
国家自然科学基金重点项目(61751205)
国家自然科学基金资助项目(61872148)。
文摘
近年来,以循环神经网络(RNN)为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆(MSD-LSTM)网络的短期电力负荷预测模型。具体来说,以长短期记忆(LSTM)网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。
关键词
短期电力负荷预测
时间序列预测
多尺度时序特征
长短期记忆网络
跳跃连接
Keywords
short-term power load forecasting
time series forecasting
multi-scale temporal feature
Long Short-Term Memory(LSTM)network
skip connection
分类号
TM714 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多尺度时序特征的信号调制样式识别算法
崔凯
崔天舒
朱岩
张晔
黄永辉
赵文杰
《信号处理》
CSCD
北大核心
2021
1
下载PDF
职称材料
2
AdfNet:一种基于多样化特征的自适应深度伪造检测网络
李家春
李博文
林伟伟
《华南理工大学学报(自然科学版)》
EI
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
3
基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测
肖勇
郑楷洪
郑镇境
钱斌
李森
马千里
《计算机应用》
CSCD
北大核心
2021
11
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部