SCI论文（www.lunwensci.com）
摘要：针对复杂工况下滚动轴承振动信号含噪声过大，难以实现有效故障诊断的问题，提出了一种基于自适应降噪和改进ＣＮＮ的轴承故障诊断方法。首先使用自适应噪声完备集合经验模态分解（ＣｏｍｐｌｅｔｅＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈＡｄａｐｔｉｖｅＮｏｉｓｅ，ＣＥＥＭＤＡＮ）算法对信号进行分解，在此基础上用样本熵筛选出含噪声较高的本征模态函数（ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎ，ＩＭＦ）分量，使用小波阈值法对含噪声较高的分量进行信号降噪并进行信号重构。然后，在传统ＣＮＮ的基础上，对数据进行批量归一化、正则化、膨胀卷积等处理，改善了传统ＣＮＮ模型运算速度较慢、容易产生过拟合现象等情况，同时增加了感受野。最后，利用美国凯斯西储大学（ＣＲＷＵ）实验室轴承实验数据，对数据进行降噪、滑动采样处理，改善数据性能，并在此之后使用改进ＣＮＮ方法进行轴承故障诊断。诊断结果表明，所搭建的ＣＮＮ模型在拥有较快诊断速度的同时，对测试集的故障诊断准确率达到了１００％。
关键词：故障诊断；信号降噪；ＩＭＦ；改进ＣＮＮ；ＣＷＲＵ
ＡＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄＢａｓｅｄｏｎＡｄａｐｔｉｖｅＮｏｉｓｅ
ＲｅｄｕｃｔｉｏｎａｎｄＩｍｐｒｏｖｅｄＣＮＮ
ＴｉａｎＸｉｎｐｉｎｇ，ＱｉａｎＹｕｎｘｉａｎｇ，ＺｈａｎｇＨａｏｎａｎ，ＳｕｎＭｅｎｇｋｅ，ＤｕａｎＨａｎｇｂｏ
（ＳｃｈｏｏｌｏｆＣｏｎｓｔｒｕｃｔｉｏｎＭｅｃｈｉｎｅｒｙ，Ｘｉ'ａｎ７１００６４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｖｉｂｒａｔｉｏｎｓｉｇｎａｌｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｃｏｎｔａｉｎｓｔｏｏｍｕｃｈｎｏｉｓｅｕｎｄｅｒｃｏｍｐｌｅｘｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ，ｗｈｉｃｈｍａｋｅｓｉｔｄｉｆｆｉｃｕｌｔｔｏａｃｈｉｅｖｅｅｆｆｅｃｔｉｖｅｆａｕｌｔｄｉａｇｎｏｓｉｓ．ＡｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎａｄａｐｔｉｖｅｎｏｉｓｅｒｅｄｕｃｔｉｏｎａｎｄｉｍｐｒｏｖｅｄＣＮＮ．Ｆｉｒｓｔｌｙ，ｔｈｅｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ（ＣＥＥＭＤＡＮ）ａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｓｉｇｎａｌ．Ｏｎｔｈｉｓｂａｓｉｓ，ｔｈｅｓａｍｐｌｅｅｎｔｒｏｐｙｉｓｕｓｅｄｔｏｓｃｒｅｅｎｏｕｔｔｈｅＩＭＦｃｏｍｐｏｎｅｎｔｓｗｉｔｈｈｉｇｈｅｒｎｏｉｓｅ．Ｔｈｅｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄｉｓｕｓｅｄｔｏｄｅｎｏｉｓｅｔｈｅｃｏｍｐｏｎｅｎｔｓｗｉｔｈｈｉｇｈｅｒｎｏｉｓｅａｎｄｒｅｃｏｎｓｔｒｕｃｔｔｈｅｓｉｇｎａｌ．Ｔｈｅｎ，ｏｎｔｈｅｂａｓｉｓｏｆｔｒａｄｉｔｉｏｎａｌＣＮＮ，ｔｈｅｄａｔａｉｓｐｒｏｃｅｓｓｅｄｂｙｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ，ｒｅｇｕｌａｒｉｚａｔｉｏｎ，ｄｉｌａｔｅｄｃｏｎｖｏｌｕｔｉｏｎ，ｅｔｃ．，ｗｈｉｃｈｉｍｐｒｏｖｅｓｔｈｅｓｉｔｕａｔｉｏｎｏｆｓｌｏｗｏｐｅｒａｔｉｏｎｓｐｅｅｄａｎｄｏｖｅｒｆｉｔｔｉｎｇｏｆｔｒａｄｉｔｉｏｎａｌＣＮＮｍｏｄｅｌ，ａｎｄｉｎｃｒｅａｓｅｓｔｈｅｒｅｃｅｐｔｉｖｅｆｉｅｌｄ．Ｆｉｎａｌｌｙ，ｕｓｉｎｇｔｈｅｂｅａｒｉｎｇｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｆｒｏｍｔｈｅｌａｂｏｒａｔｏｒｙｏｆＵｎｉｖｅｒｓｉｔｙｏｆＣａｓｅＷｅｓｔｅｒｎＲｅｓｅｒｖｅ（ＣＲＷＵ），ｔｈｅｄａｔａｐｅｒｆｏｒｍａｎｃｅｉｓｉｍｐｒｏｖｅｄｂｙｎｏｉｓｅｒｅｄｕｃｔｉｏｎａｎｄｓｌｉｄｉｎｇｓａｍｐｌｉｎｇｏｆｔｈｅｄａｔａ，ａｎｄｔｈｅｎｔｈｅｉｍｐｒｏｖｅｄＣＮＮｍｅｔｈｏｄｉｓｕｓｅｄｆｏｒｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ．ＴｈｅｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＣＮＮｍｏｄｅｌｂｕｉｌｔｉｎｔｈｉｓｐａｐｅｒｈａｓａｆａｓｔｄｉａｇｎｏｓｉｓｓｐｅｅｄ，ａｎｄｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｅｔｅｓｔｓｅｔｒｅａｃｈｅｓ１００％．
Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｎｏｉｓｅｒｅｄｕｃｔｉｏｎ；ＩＭＦ；ｉｍｐｒｏｖｅｄＣＮＮ；ＣＷＲＵ
0引言
轴承是传动机械最主要的部分，承担着降低摩擦和支撑结构的作用［１］。因其工作环境常伴有高温、高压、强腐蚀等状况，十分容易发生故障。故障一旦发生，在带来重大经济损失的同时，往往也会威胁到人们的生命安全，引起不良社会影响。因此，一个准确有效的故障诊断方法是我们迫切需要的。
近年来，随着机器学习的兴起，基于深度学习的故障诊断方法逐渐成为故障诊断领域的主流应用［２］［３］。曲建岭等［４－５］利用自适应一维卷积神经网络实现对轴承的智能故障诊断研究，结果表明，所提分类模型有较好的准确性和泛化性能，但其参数多、训练时间较长。为此，庞俊等［６］针对上述问题，提出一种改进非线性映射函数的卷积网络，并用以实现轴承的故障诊断研究。然而，机械故障信号具有时间特性，同时也易受噪声干扰。Ｈｕａｎｇ．Ｎ．Ｅ．等［７］提出的基于ＥＭＤ的故障诊断方法，可依据信号本身的时变特性进行自适应分解，相比于小波变换，它对故障信息更敏感、网络识别率更高，但ＥＭＤ在分解过程中易出现模态混叠问题。
因此，本文在ＥＭＤ和ＣＮＮ的基础上，提出了一种基于ＣＥＥＭＤＡＮ降噪和改进ＣＮＮ的轴承故障诊断方法。该方法能够在复杂的噪声环境下筛选出有效信号，改善模态混叠问题，并利用较少的数据实现较好的故障诊断效果。通过使用三组测试集进行测试，实验结果表明，本文提出的方法比传统ＣＮＮ有更快的收敛速率和更高的准确率。
１原始信号获取与降噪
考虑到滚动轴承往往工作在复杂环境下，对其进行信号采集时，难免会采集到大量无关噪声，噪声对故障特征提取带来影响，从而使得轴承故障诊断结果的准确性大大降低。ＥＭＤ可以用来对振动信号进行降噪处理，但该方法会产生模态混叠问题。在此基础上改进的ＥＥＭＤ改善了模态混叠问题［８］，但会导致了ＩＭＦ分量中存在白噪声。本文使用ＣＥＥＭＤＡＮ分解方法，不仅解决了模态混叠问题，还有效地解决了白噪声残留［９］。其具体过程如下。
１.１ＣＥＥＭＤＡＮ算法
１.２小波阈值降噪
本文采用小波阈值降噪对信号进行降噪处理。其大致过程为：小波分解、小波分解高频系数的阈值量化、小波重构［１０］，具体实现如下。
１.３样本熵
样本熵［１１］是Ｒｉｃｈｍａｎ等在２０００年提出的一种时间序列复杂度表征参数，它解决过于依赖数据长度这一弊端，并具有抗噪和抗干扰能力强等优势。具体实现原理如下。
１.４ＣＥＥＭＤＡＮ－小波分析联合降噪
图１为基于样本熵的ＣＥＥＭＤＡＮ－小波分析降噪流程。首先使用ＣＥＥＭＤＡＮ对轴承振动信号进行分解。然后，使用小波阈值降噪方法对含噪声较多的ＩＭＦ分量进行降噪处理，最后将去噪后的模态分量和未去噪模态分量进行信号重构［１２］，从而实现滚动轴承信号的降噪。
２基于改进ＣＮＮ的滚动轴承故障实验
２.１ＣＷＲＵ轴承数据库介绍
本文所使用的轴承故障数据取自美国凯斯西储（ＣＷＲＵ）轴承数据库［１３］。图２为轴承故障数据采集平台，包含测功器、电机以及采集传感器等。进行轴承故障诊断的型号为ＳＫＦ６２０５，采样频率为１２ｋＨｚ，开展３种负载工况的数据采集，负载工况分别为０、０.７５、１.５０ｋＷ。ＣＲＷＵ数据库的轴承故障类型有滚动体故障、外圈故障和内圈故障３种，每种故障又有３种不同的损坏程度。每种类型的轴承故障数据约为１２万。通过系统抽样对每种数据抽取５９个样本集，并按９∶１的比例设置训练集和测试集，最终得到数据集Ａ，Ｂ，Ｃ，分别代表负载工况为０、０.７５、１.５０ｋＷ的情况，如表１所示。
２.２实验数据预处理
本节从两个方面对滚动轴承故障数据进行预处理。首先对收集到的振动信号进行降噪处理，提高信号的准确性。然后对降噪后的数据进行滑动采样处理，对数据进行增强。
２.２.１ＣＥＥＭＤＡＮ自适应降噪处理
各种轴承故障类型降噪方法类似，本文只呈现出一种。图３为荷载为０ｋＷ，损伤直径为０.００７ｉｎｃｈ（０.１７７８ｍｍ）的滚动体故障信号，先对其进行ＣＥＥＭＤＡＮ分解，得到一组ＩＭＦ分量如图４所示，再使用小波阈值去噪法对含噪声较高的ＩＭＦ分量进行降噪处理，并进行信号重构，得到降噪后的信号［１４］，如图５所示。
２.２.２数据集增强
样本数量较少时，一般会造成网络模型出现过拟合［１５］现象，故本文使用滑动采样对数据进行处理，即使用滑动窗口按照一定的步长进行叠加取样，从而扩大样本数量，实现对数据集的增强，如图６所示。
２.３改进卷积神经网络模型
２.３.１批量归一化
批量归一化（ＢＮ）的主要功能是将输入数据处理成具有相同量级的规范数据，可以有效防止出现“梯度消失”和“梯度爆炸”问题［１６－１７］。ＢＮ技术使每次的正向传播输出都在同一量级，消除了层与层之间的量级差异，在反向传播计算时使权重调整更合理［１８］。ＢＮ操作使每一层计算的结果都符合标准正态分布，如式（１２）所示。
２.３.２正则化
随着训练深度的增加，深度ＣＮＮ模型往往会产生过拟合现象。因此，本文使用Ｌ２正则化和Ｄｒｏｐｏｕｔ正则化来抑制过拟合现象，提高ＣＮＮ识别的准确性。
（１）Ｌ２正则化
Ｌ２正则化就是在原本的代价函数的基础上增加了所有层所有参数的平方和，用来防止过拟合。其具体公式如下：
２.３.３膨胀卷积
２.４改进ＣＮＮ模型的结构与参数
２.４.１改进ＣＮＮ模型的结构
本文中改进ＣＮＮ模型的第一层采用６４×１的普通宽卷积核，其余均为卷积核为３×１的膨胀卷积层。每个卷积层之后连接着最大池化层。最后添加Ｓｏｆｔｍａｘ层并引入Ｌ２正则化。改进ＣＮＮ模型如图８所示，具体的实验步骤如图９所示。２.４.２改进ＣＮＮ模型的参数改进ＣＮＮ的参数如表３所示。由于轴承工况只有１０种，故Ｓｏｆｔｍａｘ层的输出大小为１０。
２.５改进ＣＮＮ模型训练及诊断结果
本文的网络模型是基于Ｋｅｒａｓ的深度学习框架搭建的，程序设计语言为Ｐｙｔｈｏｎ。仿真实验时使用了Ａｄａｍｓ算法。
网络模型搭建好后，使用本文表２的数据进行实验，为了使结果更具说服力，本文的实验结果均为重复五次取平均值所得。为体现本文搭建网络模型的实际效果，使用表２数据进行实验时，将传统ＣＮＮ模型和本文改进ＣＮＮ模型的识别率、目标函数值与训练次数的关系进行对比，结果如图１０～１２所示。由图可得，测试集在改进ＣＮＮ模型上的故障识别率接近１００％。与传统ＣＮＮ模型相比，在故障识别方面，改进ＣＮＮ模型识别速度更快，准确率更高，且达到稳定状态后无明显振荡；对于损失函数，改进ＣＮＮ模型的损失函数收敛更快，且数值更小。综上，改进ＣＮＮ在测试集上的网络性能相比于传统ＣＮＮ有了明显提升，这也说明了本文方法的有效性。
为了进一步验证本文改进ＣＮＮ模型的实际效果，采用混淆矩阵来进行分析。混淆矩阵的横纵轴分别代表预测标签和真实标签，通过混淆矩阵可以更加直观地看出每种故障类型识别的精确度。使用本文的网络模型对测试集Ａ、Ｂ、Ｃ进行轴承故障分类的准确率均为１００％，因此只将测试集Ａ的分类结果进行展示，如图１３所示。为了更加清楚地了解改进ＣＮＮ模型对测试集的故障分类过程，本文使用ｔ－ＳＮＥ降维技术，实现故障分类过程的可视化，如图１４所示。可以看出，每种故障类型轮廓清晰，且不同故障之间有明显的距离。综上，本文的改进ＣＮＮ模型具有良好的滚动轴承故障识别能力。
３结束语
本文在对滚动轴承振动信号去噪的基础上，使用搭建的改进ＣＮＮ模型对美国凯斯西储大学滚动轴承实验数据进行故障诊断分析，实验结果表明：（１）ＣＥＥＭＤＡＮ－小波分析联合降噪能够有效去除振动信号中的无关成分，减少干扰项，提高信号纯净度。（２）改进ＣＮＮ通过使用数据增强、批量归一化、正则化、膨胀卷积等手段，有效减少了模型训练时间的同时防止了模型出现过拟合现象。（３）本文的改进ＣＮＮ模型具有较好的轴承故障识别能力，使用该方法进行的轴承故障诊断，在测试集上的故障识别正确率高达１００％，优于传统ＣＮＮ；且改进的ＣＮＮ与传统ＣＮＮ相比，诊断速度更快、无明显振荡。
参考文献：
［１］ＪＩＡＯＪ，ＺＨＡＯＭ，ＬＩＮＪ，ｅｔａｌ．Ｄｅｅｐｃｏｕｐｌｅｄｄｅｎｓｅｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｗｉｔｈｃｏｍｐｌｅｍｅｎｔａｒｙｄａｔａｆｏｒｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉａｌＥｌｅｃｔｒｏｎｉｃｓ，２０１９，６６（１２）：９８５８－９８６７．
［２］ＳＨＡＯＨａｉｄｏｎｇ，ＪＩＡＮＧＨｏｎｇｋａｉ，ＬＩＮＹｉｎｇ．Ａｎｏｖｅｌｍｅｔｈｏｄｆｏｒｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｕｓｉｎｇｅｎｓｅｍｂｌｅｄｅｅｐａｕｔｏ－ｅｎｃｏｄｅｒｓ［Ｊ］．ＭｅｃｈａｎｉｃａｌＳｙｓｔｅｍｓａｎｄＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，２０１８，１０２：２７８－２９７．
［３］ＸＩＡＭ，ＬＩＴ，ＸＵＬ，ｅｔａｌ．Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｒｏｔａｔｉｎｇｍａｃｈｉｎｅｒｙｕｓｉｎｇｍｕｌｔｉｐｌｅｓｅｎｓｏｒｓａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ／ＡＳＭＥＴｒａｎｓａｃｔｉｏｎｓｏｎＭｅｃｈａｔｒｏｎｉｃｓ，２０１８，２３（１）：１０１－１１０．
［４］曲建岭，余路，袁涛，等．基于一维卷积神经网络的滚动轴承自适应故障诊断算法［Ｊ］．仪器仪表学报，２０１８，３９（７）：１３４－１４３．
［５］欧阳励，何水龙，朱良玉，等．一种基于双向长短期记忆结构与多尺度卷积结构融合的轴承智能故障诊断方法［Ｊ］．振动与冲击，２０２２，４１（１９）：１７９－１８７．
［６］庞俊，刘鑫，段敏霞，等．基于改进卷积神经网络轴承故障诊断［Ｊ］．组合机床与自动化加工技术，２０２１（３）：６６－６９．
［７］肖成勇，石博强，冯志鹏．基于ＥＥＭＤ和进化支持向量机的齿轮混合智能诊断方法研究［Ｊ］．机械科学与技术，２０１５，３４（１）：８６－８９．
［８］钱云祥．基于深度学习的空压机轴承故障诊断研究［Ｄ］．西安：长安大学，２０２２．
［９］ＬüＹ，ＹＵＡＮＲ，ＷＡＮＧＴ，ｅｔａｌ．ＨｅａｌｔｈｄｅｇｒａｄａｔｉｏｎｍｏｎｉｔｏｒｉｎｇａｎｄｅａｒｌｙｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆａｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎＣＥＥＭＤＡＮａｎｄｉｍｐｒｏｖｅｄＭＭＳＥ［Ｊ］．Ｍａｔｅｒｉａｌｓ，２０１８，１１（６）：１００９．
［１０］ＣＨＡＯＸ．Ｐｏｗｅｒｑｕａｌｉｔｙｓｉｇｎａｌｄｅｎｏｉｓｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｗａｖｅｌｅｔｔｈｒｅｓｈｏｌｄ［Ｊ］．ＥｌｅｃｔｒｉｃＭｅａｓｕｒｅｍｅｎｔ＆Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ，２０１５，５２（５）：６４－６６．
［１１］赵志宏，杨绍普．基于小波包变换与样本熵的滚动轴承故障诊断［Ｊ］．振动．测试与诊断，２０１２，３２（４）：６４０－６４４，６９２．
［１２］唐圣学，付滔，张雪辉．基于小波自适应阈值滤波的ＶＭＤ降噪方法［Ｊ］．电测与仪表，２０１８，５５（９）：１０－１４．
［１３］ＣａｓｅＳｃｈｏｏｌ．ＷｅｌｃｏｍｅＰａｇｅｏｆＢｅａｒｉｎｇＤａｔａＣｅｎｔｅｒ［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｃｓｅｇｒｏｕｐｓ．ｃａｓｅ．ｅｄｕ／ｂｅａｒｉｎｇｄａｔａｃｅｎｔｅｒ／ｐａｇｅｓ／ｗｅｌｃｏｍｅ－ｃａｓｅ－ｗｅｓｔｅｒｎ－ｒｅｓｅｒｖｅ－ｕｎｉｖｅｒｓｉｔｙ－ｂｅａｒｉｎｇ－ｄａｔａ－ｃｅｎｔｅｒ－ｗｅｂｓｉｔｅ．
［１４］刘韬，徐爱功，隋心．惯性导航ＥＥＭＤ区间阈值降噪方法［Ｊ］．测绘学报，２０１８，４７（７）：９０７－９１５．
［１５］ＧＯＯＤＦＥＬＬＯＷＩ，ＢＥＮＧＩＯＹ，ＣＯＵＲＶＩＬＬＥＡ．Ｄｅｅｐｌｅａｒｎｉｎｇ［Ｍ］．ＭＩＴＰｒｅｓｓ，２０１６．
［１６］ＷＵＳ，ＬＩＧ，ＤＥＮＧＬ，ｅｔａｌ．Ｌ１－ｎｏｒｍｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎｆｏｒｅｆｆｉｃｉｅｎｔｔｒａｉｎｉｎｇｏｆｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓａｎｄＬｅａｒｎｉｎｇＳｙｓｔｅｍｓ，２０１８，１－９．
［１７］宫文峰，陈辉，张泽辉，等．基于改进卷积神经网络的滚动轴承智能故障诊断研究［Ｊ］．振动工程学报，２０２０，３３（２）：４００－４１３．
［１８］段晨东，张荣．基于改进经验小波变换的机车轴承故障诊断［Ｊ］．中国机械工程，２０１９，３０（６）：６３１－６３７．
［１９］ＹＵＦ，ＫＯＬＴＵＮＶ．Ｍｕｌｔｉ－ＳｃａｌｅＣｏｎｔｅｘｔＡｇｇｒｅｇａｔｉｏｎｂｙＤｉｌａｔｅｄＣｏｎｖｏｌｕｔｉｏｎｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＬｅａｒｎｉｎｇＲｅｐｒｅｓｅｎｔａｔｉｏｎｓ，２０１６；ＩＣＬＲ：１－９．
［２０］ＷＡＮＧＰ，ＣＨＥＮＰ，ＹＵＡＮＹ，ｅｔａｌ．Ｕｎｄｅｒｓｔａｎｄｉｎｇｃｏｎｖｏｌｕｔｉｏｎｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／２０１８ＩＥＥＥＷｉｎｔｅｒＣｏｎｆｅｒｅｎｃｅｏｎＡｐｐｌｉｃａｔｉｏｎｓｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ（ＷＡＣＶ），ＮｅｗＹｏｒｋ：ＩＥＥＥ，２０１８：１４５１－１４６０．
［２１］ＫＲＩＺＨＥＶＳＫＹＡ，ＳＵＴＳＫＥＶＥＲＩ，ＨＩＮＴＯＮＧＥ．Ｉｍａｇｅｎｅｔｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２０１２，２５．
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/77387.html
