典型文献
基于CBAM-CNN的模拟电路故障诊断
文献摘要：
针对模拟电路的故障特征难以提取,导致模型计算量复杂、诊断准确率不够高的问题,提出一种基于注意力机制和卷积神经网络(CBAM-CNN)的模拟电路故障诊断方法.首先,利用卷积核提取输入层的图片特征,同时在每个卷积层后面连接一个矫正线性单元(ReLU),并添加批归一化层(BN)解决内部协变量偏移的问题,以提高非线性模型表达能力;然后,在批归一化层后添加注意力机制模块(CBAM),提取重要的特征后连接池化层,降低网络计算复杂度,提高网络的准确率与效率;最后,以Sallen-Key低通滤波器和二级四运放双二阶低通滤波器为研究对象进行故障诊断实验验证.结果表明,所提出方法能够有效提升诊断精度,实现所有故障的高难分类与定位.
文献关键词：
模拟电路;卷积神经网络;注意力机制;特征提取;故障诊断
中图分类号：
作者姓名：
杜先君;巩彬;余萍;石耀科;Kuzina V.Angelina;程生毅
作者机构：
兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学甘肃省工业过程先进控制重点实验室,兰州730050
文献出处：
引用格式：
[1]杜先君;巩彬;余萍;石耀科;Kuzina V.Angelina;程生毅-.基于CBAM-CNN的模拟电路故障诊断)[J].控制与决策,2022(10):2609-2618
A类：
B类：
CBAM,模拟电路故障诊断,故障特征,计算量,诊断准确率,故障诊断方法,卷积核,输入层,图片特征,卷积层,后面,正线,ReLU,批归一化层,BN,协变量,高非线性,非线性模型,表达能力,注意力机制模块,连接池,池化,计算复杂度,Sallen,Key,低通滤波器,运放,双二,二阶低通滤波,诊断实验,高难,难分
AB值：
0.385068
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
