首页期刊导航|计算机工程
期刊信息/Journal information
计算机工程
华东计算技术研究所　上海市计算机学会
计算机工程

华东计算技术研究所　上海市计算机学会

游小明

月刊

1000-3428

hdsce@sohu265359.sohuvip.net

021-54972331

200233

上海市桂林路418号

计算机工程/Journal Computer EngineeringCSCD北大核心CSTPCD
查看更多>>本刊是中国电子科技集团公司第三十二研究所（华东计算技术研究所）主办的学术性刊物，是上海市计算机学会会刊。主要特点：以最快的速度、科学求实的精神，精选刊登代表计算机行业前沿科研、技术、工程方面的高、精、尖优秀论文。贯彻党的“双百”方针，繁荣科技创作，促进国内外学术交流，探讨和传播计算机科学的理论和实践，加速和促进我国计算机事业的发展。
正式出版
收录年代

    基于对抗训练与Transformer的风力发电机故障分类方法

    王言国吕鹏远兰金江刘明哲...
    377-384页
    查看更多>>摘要：风力发电机故障分类的复杂性和多样性严重影响风能发电效率,传统的人工方法效率低下,准确率较低,已有的深度学习模型在真实环境中易受数据噪声干扰而表现不佳.为提升风力发电机故障分类模型在真实环境下的分类性能与鲁棒性,提出一种基于对抗训练与Transformer的故障分类方法.首先通过引入一维卷积与门控线性单元(GLU)增强注意力机制对局部特征的学习,保留易被忽略的局部信息,提升模型对于局部特征的敏感度.其次结合限制因子约束对抗样本,提高对抗样本产生的准确性.最后在消除错误样本的同时反馈生成过程,使其具备更好的抗干扰能力.实验结果表明,与5种常用的分类模型相比,所提模型分类性能平均提升7.76％,与真实结果之间的误差最小.局部增强的注意力机制和所提的对抗训练方法分别使模型的分类性能平均提升4.51％、4.95％.所提模型在10％～20％噪声环境中仍保持较好性能,增强了其在真实环境中的稳定性.该方法在提高分类准确率的同时使模型具备更强的泛化能力,对于提升风力发电机故障分类性能与鲁棒性具有重要意义.

    风力发电机门控线性单元Transformer模型对抗训练故障分类

      原文链接:
    • 维普
    • 万方数据

    投稿指南

    《计算机工程》编辑部
    封3页
      原文链接:
    • 万方数据