FORSCHUNGSARCHIV

Publikationen.

Zeitschriftenartikel zu KI, Signalen und intelligenten Systemen. Meine Arbeiten finden Sie auch auf Google Scholar und ResearchGate.

01 / Zeitschriftenartikel 22 EINTRÄGE

22 / 22
[01]2027
Originalabbildung zum Aufprall von Kohle und Bergen auf den Heckträger eines hydraulischen Grubenausbaus.ABBILDUNGVERGRÖSSERN ↗
Kohle-Berge-AufprallmodellOriginalabbildung aus der Publikation
Kohle & Berge2027

Coal gangue recognition based on acoustic frequency-domain characteristics: Evaluating the influence of multiple working conditions on accuracy

Jinxin Kuang, Zipeng Zhang, Shanguo Yang, Mingjie Fang, Songyong Liu, Zhihong Cheng, Houguang Liu

Minerals Engineering, 250, 110878 (2027)

Die Studie untersucht, wie wechselnde Betriebsbedingungen die akustische Kohle-Berge-Erkennung beeinflussen. Im Mittelpunkt stehen Frequenzmerkmale von Aufprallsignalen am Heckträger eines hydraulischen Grubenausbaus und Merkmalsverschiebungen bei veränderten Betriebsparametern.

ResearchGate: Oktober 2026 · Zeitschriftenausgabe: Januar 2027.

[03]2026
BKCad-Architektur mit EEG- und Spracheinbettungen, Diffusionsencoder, bayesschem Lernen, modalitätsübergreifender Aufmerksamkeit und konfidenzbewusster Fusion.ABBILDUNGVERGRÖSSERN ↗
BKCad · ModellarchitekturOriginalabbildung aus der Publikation
Medizinische KI2026

Bayesian knowledge-guided confidence aware model based on multimodal pre-trained LLMs for depression detection

Zhihua Wang, Haotian Zhai, Tianrui Jia, Zihan Wang, Haojie Zhang, Kun Qian, Chen Xu, Zipeng Zhang, Wei Xue, Wen Qi, Bin Hu

Pattern Recognition, 180, 114388 (2026)

BKCad führt EEG- und Sprachsignale mithilfe vortrainierter Einbettungen und eines Diffusionsencoders in einer gemeinsamen Repräsentation zusammen. Bayessche Unsicherheitsschätzungen und modalitätsübergreifende Aufmerksamkeit steuern die konfidenzbewusste Fusion zur Depressionserkennung.

[04]2026
MCL-Framework mit Signalaugmentation, Spektrogrammen, dualer Aufmerksamkeit, Mamba-Zweigen, kontrastivem Lernen und Kohle-Berge-Klassifikation.ABBILDUNGVERGRÖSSERN ↗
MCL · ModellarchitekturOriginalabbildung aus der Publikation
Kohle & Berge2026

MCL: Mamba-Based Contrastive Learning method for coal gangue identification

Haifeng Qiu, Zipeng Zhang, Bo Zhang, Shanguo Yang, Ningguang Yao, Houguang Liu

International Journal of Coal Preparation and Utilization, 1-26 (2026)

MCL verbindet duale Aufmerksamkeit, zwei Mamba-Module und kontrastives Lernen zur Unterscheidung von Kohle und Bergen anhand von Schwingungssignalen. Vor der Fusion zur Klassifikation lernt das Framework klassenspezifische Ähnlichkeiten und Unterschiede.

[05]2026
Originales xLSTM-Framework mit akustischem Encoder, TSC-mLSTM-Blöcken, Amplituden- und komplexen Decodern sowie Fehlerklassifikator.ABBILDUNGVERGRÖSSERN ↗
xLSTM · DiagnoseframeworkOriginalabbildung aus der Publikation
Fehlerdiagnose2026

A noise-robust xLSTM-based method for fault diagnosis in gas-insulated Switchgear using acoustic signals under strong noise interference

Hongkai Dong, Yuxuan Zhang, Bo Zhang, Zipeng Zhang, Yuying Shao, Guogang Yuan, Houguang Liu

Expert Systems with Applications, 304, 130827 (2026)

Ein gemeinsamer xLSTM-Encoder lernt gleichzeitig, akustische Signale zu entrauschen und Fehler in gasisolierten Schaltanlagen zu erkennen. Zeit-Frequenz-Modellierung und zwei Spektrogrammdecoder ermöglichen die Diagnose bei starkem Hintergrundrauschen.

[06]2025
Kohle & Berge2025

An innovative hybrid model for ash content prediction in froth flotation based on contrastive learning

Maiqiang Zhou, Zipeng Zhang, Xinyu Cheng, Sijie Yang, Zhiping Wen, Changchun Zhou

International Journal of Coal Preparation and Utilization, 1-25 (2025)

AfricaNet schätzt den Aschegehalt von Kohlekonzentrat aus Flotationsbildern. Beleuchtungsbasierte Datenaugmentation, Wavelet-Aufmerksamkeit und CRATE-basierte Merkmalsauswahl werden mit kontrastivem Lernen zur Modellierung mehrfrequenter Bildinformationen kombiniert.

[07]2025
Originales Framework mit akustischer Datenerfassung, auditiver Merkmalsextraktion, aufmerksamkeitsbasierter Fusion und Kohle-Berge-Erkennung.ABBILDUNGVERGRÖSSERN ↗
Zweistufige auditive MerkmalsfusionOriginalabbildung aus der Publikation
Kohle & Berge2025

Coal gangue recognition in the strong background noise using two-level auditory feature fusion with attention mechanism

Zheng Yang, Shibo Wang, Shanguo Yang, Songyong Liu, Zipeng Zhang, Houguang Liu

Measurement, 253, 117628 (2025)

Zwei Ebenen auditiver Merkmale werden mittels Aufmerksamkeit fusioniert, um Kohle und Berge beim Abbau akustisch zu erkennen. Der Ansatz bewahrt relevante akustische Informationen bei starkem Hintergrundrauschen im Bergbau.

[08]2025
Fehlerdiagnose2025

A temporal-frequency contrastive learing method for acoustic-based mechanical fault detection in gas-insulated switch-gear

Yeduo Sheng, Bo Zhang, Zipeng Zhang, Yuying Shao, Guogang Yuan, Jianshu Liu, Houguang Liu

Nondestructive Testing and Evaluation, 41, 4541-4563 (2025)

Selbstüberwachtes kontrastives Vortraining lernt konsistente Zeit-Frequenz-Repräsentationen von Schaltanlagengeräuschen. Ein kleiner beschrifteter Zieldatensatz passt das Modell anschließend an die Fehlerdiagnose unter wechselnden Betriebsbedingungen an.

[09]2025
Originale LRetUNet-Architektur mit Encoder und Decoder, Hochfrequenzfiltern und Retentionsblöcken.ABBILDUNGVERGRÖSSERN ↗
LRetUNet · ModellarchitekturOriginalabbildung aus der Publikation
Audio & Sprache2025

LRetUNet: A U-Net-based retentive network for single-channel speech enhancement

Yuxuan Zhang, Zipeng Zhang, Weiwei Guo, Wei Chen, Zhaohai Liu, Houguang Liu

Computer Speech & Language, 93, 101798 (2025)

LRetUNet kombiniert ein U-Net mit einem Retentionsmechanismus und einem FFT-basierten Hochfrequenzfilter. Untersucht wird eine leichtgewichtige einkanalige Sprachsignalverbesserung, die für die Sprachverständlichkeit wichtige Informationen bewahrt.

[10]2025
Kohle & Berge2025

Graph and frequency leverage: a novel coal gangue identification method

Jiang Li, Zipeng Zhang, Shanguo Yang, Songyong Liu, Shibo Wang, Houguang Liu

Engineering Research Express, 7, 025543 (2025)

Frequenzmerkmale aus Aufprall- und Schwingungssignalen am Ausleger werden in Graphen überführt. Ein Graph-Convolutional-Netz nutzt die Beziehungen zwischen diesen Merkmalen, um Kohle und Berge beim Top-Coal-Caving zu unterscheiden.

[11]2025
Originales Kohle-Berge-Erkennungsframework mit Schwingungsmessung, Merkmalsverstärkung und Amplituden-Frequenz-Wahrnehmungsmodulen.ABBILDUNGVERGRÖSSERN ↗
Amplituden-Frequenz-WahrnehmungsnetzOriginalabbildung aus der Publikation
Kohle & Berge2025

Intelligent coal gangue identification: A novel amplitude frequency sensitive neural network

Zipeng Zhang, Zhencai Zhu, Bin Meng, Zheng Yang, Mingke Wu, Xinyu Cheng, Binhong Li, Houguang Liu

Expert Systems with Applications, 274, 126880 (2025)

Merkmalsverstärkungsblöcke und Amplituden-Frequenz-Wahrnehmungsmodule erfassen Aufprallmuster in Kohle-Berge-Schwingungssignalen. Ein Retentionsmechanismus unterstützt ein kompaktes Modell zur schnellen Erkennung.

[12]2025
Originale Studienübersicht zur MSGJO-Algorithmusevaluation, Pfadplanungssimulation und zu Roboterexperimenten.ABBILDUNGVERGRÖSSERN ↗
MSGJO · StudienübersichtOriginalabbildung aus der Publikation
Optimierung2025

MSGJO: a new multi-strategy AI algorithm for the mobile robot path planning

Baiyi Wang, Zipeng Zhang, Darius Andriukaitis, Xinhua Liu, Dezheng Hua, Zhixiong Li, Govind Vashishtha, Sumika Chauhan

The International Journal of Advanced Manufacturing Technology, 137, 5081-5109 (2025)

MSGJO erweitert die Goldschakal-Optimierung um adaptive Konvergenz, eine verbesserte Suchstrategie und genetische Mutation. Der Algorithmus wird zur Pfadplanung mobiler Roboter bei statischen und dynamischen Hindernissen eingesetzt.

[13]2024
Originales akustisches Branderkennungsframework mit Datenerfassung, Vortraining, Klassifikation und Auswertungsmatrizen.ABBILDUNGVERGRÖSSERN ↗
Akustische Brand- und BrandstofferkennungOriginalabbildung aus der Publikation
Audio & Sprache2024

A novel intelligent indoor fire and combustibles detection method based on multi-channel transfer learning strategy with acoustic signals

Zhihua Wang, Zipeng Zhang, Zhuoyue Wang, Jiaming Lu, Weiguang An

Process Safety and Environmental Protection, 189, 1217-1225 (2024)

Ein zweistufiges akustisches Framework erkennt zunächst Brände und bestimmt anschließend die brennenden Materialien. Ein Transformer-basierter Detektor steuert ein paralleles Circuits-LSTM-Conformer-Modell zur Klassifikation der Brandstoffe.

[14]2024
Originales CFENet-Framework mit akustischer Datenerfassung, Merkmalsencodern, kontrastiven Repräsentationen und Fehlerklassifikation.ABBILDUNGVERGRÖSSERN ↗
CFENet · Kontrastive DiagnoseOriginalabbildung aus der Publikation
Fehlerdiagnose2024

CFENet: A contrastive frequency-sensitive learning method for gas-insulated switch-gear fault detection under varying operating conditions using acoustic signals

Zipeng Zhang, Houguang Liu, Yuying Shao, Jianhua Yang, Songyong Liu, Guogang Yuan

Engineering Applications of Artificial Intelligence, 135, 108835 (2024)

CFENet nutzt frequenzsensitives kontrastives Lernen zur akustischen Fehlerdiagnose an Schaltanlagen. Merkmals- und Einbettungsencoder lernen Repräsentationen, die wechselnde Betriebsspannungen berücksichtigen.

[15]2024
Audio & Sprache2024

Research on sound quality prediction of vehicle interior noise using the human-ear physiological model

Yu Zhao, Houguang Liu, Weiwei Guo, Zhiheng He, Jianhua Yang, Zipeng Zhang

The Journal of the Acoustical Society of America, 156, 989-1003 (2024)

Ein physiologisches Modell des menschlichen Ohrs schätzt Lautheit, Schärfe und Rauigkeit von Fahrzeuggeräuschen. Diese Merkmale dienen einem TabNet-Modell als Eingabe zur Schätzung der subjektiven Geräuschbelästigung.

[16]2024
Originales Sprachverbesserungsframework mit komplexen Spektrogrammen, Aufmerksamkeit, Zeit- und Frequenzmodulen sowie einer Amplitudenmaske.ABBILDUNGVERGRÖSSERN ↗
Mehrstufige SprachverbesserungOriginalabbildung aus der Publikation
Audio & Sprache2024

Multi-stage strength estimation network with cross attention for single channel speech enhancement

Zipeng Zhang, Yuchen Ding, Wei Chen, Yutao Chen, Weiwei Guo, Houguang Liu

Signal, Image and Video Processing, 18, 6937-6948 (2024)

Cross-Attention fusioniert komplementäre Repräsentationen zur einkanaligen Sprachsignalverbesserung. Ein mehrstufiges Strength-Estimation-Netz kombiniert FFT-basierte und sequenzielle Merkmale zur Modellierung von Frequenz- und Zeitstrukturen.

[17]2024
Originale CST-UNet-Architektur mit Real- und Imaginärteilzweigen, Downsampling, maskiertem Bottleneck und Upsampling mit Skip-Verbindungen.ABBILDUNGVERGRÖSSERN ↗
CST-UNet · ModellarchitekturOriginalabbildung aus der Publikation
Audio & Sprache2024

CST-UNet: Cross Swin Transformer Enhanced U-Net with Masked Bottleneck for Single-Channel Speech Enhancement

Zipeng Zhang, Wei Chen, Weiwei Guo, Yiming Liu, Jianhua Yang, Houguang Liu

Circuits, Systems, and Signal Processing, 43, 5989-6010 (2024)

CST-UNet integriert Cross-Swin-Transformer-Blöcke und einen Bottleneck mit Maskierung in ein U-Net. Kompakte latente Repräsentationen und Skip-Verbindungen balancieren Detailtreue und Rechenaufwand bei der Sprachsignalverbesserung.

[18]2024
Originales Framework zur mechanischen Fehlererkennung an gasisolierten Schaltanlagen mit Wellenform- und Spektrogrammzweigen, Merkmalsfusion und Klassifikation.ABBILDUNGVERGRÖSSERN ↗
Akustisches MerkmalsfusionsframeworkOriginalabbildung aus der Publikation
Fehlerdiagnose2024

Gas-insulated switch-gear mechanical fault detection based on acoustic using feature fused neural network

Zipeng Zhang, Houguang Liu, Guogang Yuan, Jianhua Yang, Songyong Liu, Yuying Shao, Yang Zhang

Electric Power Systems Research, 230, 110226 (2024)

Wellenform- und Spektrogrammzweige extrahieren komplementäre akustische Merkmale gasisolierter Schaltanlagen. Ein Fusionsmodul verbindet spannungsbezogene Informationen mit autoencodierten Spektrogrammmerkmalen zur Erkennung mechanischer Fehler.

[19]2024
Fehlerdiagnose2024

Gas-insulated switch-gear mechanical fault detection based on acoustic feature analysis using a multi-state pre-trained neural network

Zhihua Wang, Zipeng Zhang, Yuying Shao, Kun Qian, Houguang Liu, Bin Hu, Björn W Schuller

Measurement Science and Technology, 35, 076121 (2024)

Ein Frequenzregressor und ein Audio-Spektrogramm-Transformer-Autoencoder werden mit Schaltanlagengeräuschen vortrainiert. Ein mehrstufiges Training kombiniert ihre Merkmale zur Erkennung mechanischer Fehler bei wechselnden Spannungen.

[21]2024
Originales physiologisches Lautheitsmodell mit Mechanik des Außen-, Mittel- und Innenohrs sowie zugehöriger Lautheitsmodellierung.ABBILDUNGVERGRÖSSERN ↗
Physiologisches LautheitsmodellOriginalabbildung aus der Publikation
Audio & Sprache2024

A Sound Quality Evaluation Method for Vehicle Interior Noise Based on Auditory Loudness Model

Zhiheng He, Hui Guo, Houguang Liu, Yu Zhao, Zipeng Zhang, Shanguo Yang

Sound & Vibration, 58, 47-58 (2024)

Ein physiologisches Modell des menschlichen Ohrs schätzt die auditive Lautheit von Fahrzeuginnenraumgeräuschen. Ein neuronales Netz verbindet diese Schätzung mit weiteren psychoakustischen Parametern zur Vorhersage subjektiver Klangqualitätsurteile.

[22]2024
Originales Diagramm zum Reverse-Learning-Wettbewerb zwischen der Ausgangspopulation und den durch Reverse Learning erzeugten Lösungen.ABBILDUNGVERGRÖSSERN ↗
HWEAVOA · Reverse-Learning-WettbewerbOriginalabbildung aus der Publikation
Optimierung2024

A nonlinear African vulture optimization algorithm combining Henon chaotic mapping theory and reverse learning competition strategy

Baiyi Wang, Zipeng Zhang, Patrick Siarry, Xinhua Liu, Grzegorz Królczyk, Dezheng Hua, Frantisek Brumercik, Z. Li

Expert Systems with Applications, 236, 121413 (2024)

HWEAVOA kombiniert chaotische Henon-Initialisierung, Elitepopulationen, adaptive Trägheit und einen Reverse-Learning-Wettbewerb. Diese Strategien sollen Exploration und Exploitation bei multimodaler numerischer Optimierung ausgleichen.

Die bibliografischen Angaben sind mit DOI-Datensätzen verknüpft. Die Jahreszahlen folgen Crossref. ResearchGate-Daten können vom Erscheinungsdatum der Zeitschriftenausgabe abweichen; relevante Unterschiede sind vermerkt.

Forschungsabbildung

QUELLE ANSEHEN ↗BILD ÖFFNEN ↗