Key points are not available for this paper at this time.
Fokussiert auf das Problem der Identifizierung und Klassifizierung von Aero-Triebwerksmodellen, misst dieses Papier die Infrarotspektraldaten von Aero-Triebwerk-Heißstrahlen mit einem Telemetrie-Fourier-Transformations-Infrarotspektrometer. Gleichzeitig wurden Infrarotspektraldatensätze mit sechs verschiedenen Typen von Aero-Triebwerken erstellt. Zum Zweck der Klassifizierung und Identifizierung der Infrarotspektraldaten wird eine CNN-Architektur vorgeschlagen, die auf dem kontinuierlichen Wavelet-Transformations-Peak-Suchenden Aufmerksamkeitsmechanismus (CWT-AM-CNN) basiert. Diese Methode berechnet den Peak-Wert des mittleren Wellenbandes durch kontinuierliche Wavelet-Transformation, und die Peak-Daten werden durch die Statistiken der Wellenzahlorte mit hoher Frequenz extrahiert. Der Aufmerksamkeitsmechanismus wurde für die Peak-Daten verwendet, und der Aufmerksamkeitsmechanismus wurde auf die Merkmalskarte des Merkmalsextraktionsblocks gewichtet. Der Trainingssatz, der Validierungssatz und der Vorhersagesatz wurden im Verhältnis 8:1:1 für die Infrarotspektraldatensätze aufgeteilt. Für drei verschiedene Datensätze wurde das in diesem Papier vorgeschlagene CWT-AM-CNN mit dem klassischen Klassifikatoralgorithmus basierend auf dem CO2-Merkmalvektor und den populären AE-, RNN- und LSTM-Spektralverarbeitungsnetzwerken verglichen. Die Vorhersagegenauigkeit des vorgeschlagenen Algorithmus in den drei Datensätzen betrug bis zu 97%, und das leichtgewichtige Netzwerkdesign garantiert nicht nur hohe Präzision, sondern hat auch eine schnelle Laufgeschwindigkeit, die die schnelle und hochpräzise Klassifizierung der Infrarotspektraldaten der Aero-Triebwerk-Heißstrahlen ermöglicht.
Du et al. (Thu,) untersuchten diese Frage.