|
- 如何打破滚动轴承振动信号中时频域的信息壁垒，实现自适应 . . .
基于双流时频图注意力网络与自适应多模态融合的滚动轴承故障诊断（西储大学数据，Pytorch） 算法核心思想是通过双流网络架构同时挖掘振动信号的时域和频域特征信息。 首先读取西储大学轴承的 mat格式振动数据文件，自动识别其中的有效振动信号通道，并将长时序信号切割成固定长度的数据
- 卷积神经网络如何对一维信号进行特征提取？ - 知乎
卷积神经网络（CNN）通常用于处理二维图像数据，但也可以应用于一维信号数据，比如时间序列数据、语音信号等。 对一维信号进行特征提取的主要方法是使用一维卷积层。
- 为什么TCN的表现优于LSTM？ - 知乎
TCN是指时间卷积网络，一种新型的可以用来解决时间序列预测的算法。该算法于2016年由Lea等人首先提出，当时他们在做视频动作分割的研究，一般而言此常规过程包括两个步骤：首先，使用（通常）对时空信息进行编码的CNN来计算低级特征，其次，将这些低级特征输入到使用（通常是）捕获高级时
- 信号的变换方法如何与深度学习相结合？ - 知乎
快速傅立叶变换 （FFT） 以 卷积神经网络（CNN）为例： CNN中 90％ 的计算是卷积，FFT可以代替卷积降低计算计算强度，输入和滤波器矩阵通过FFT转换到频域，以进行乘法（相当于时域函数的卷积）。然后，通过逆 FFT（IFFT）将输出转换回时域。
- 如何从频域的角度解释CNN（卷积神经网络）？ - 知乎
时域卷积=频域乘积，卷积神经网络大部分的计算也在卷积部分，如何从频域的角度思考卷积神经网络，如何从频域的角度解释ResNet。
- 神经网络与傅立叶变换到底有没有关系？
为了在任何卷积神经网络中应用傅里叶变换，我们可以对输入和滤波器进行一些更改。 如果 CNN 中的输入矩阵和滤波器矩阵可以转换为频域进行乘法运算，并且频域乘法的结果矩阵可以转换为时域矩阵，则不会对算法的准确性造成任何影响。
- TCN (时间卷积网络）与CNN有啥区别？ - 知乎
因果卷积（Causal Convolution） 是TCN的基础构建块。 与标准卷积不同，因果卷积确保模型在预测时刻 t 的输出时， 只能使用时刻 t 及之前的输入，而不能”偷看”未来信息。
- 如何将一维信号应用于卷积神经网络？ - 知乎
如何将一维信号应用于卷积神经网络？ CNN在处理图像问题上有很大的突破，其稀疏连接和权值共享的特性能够减少网络自由参数，在某种程度上也减少了过拟合的情况，但是如果将一维的数据，就是一个2…
|
|
|