[1]王雯蕊,张泉,高源蓬,房陈岩,尹达一.基于多图超分辨率重建的精细导星仪星点质心定位精度提升方法[J].仪器仪表学报,2024,45(3):306-314.

[2]阳雨妍,宋爱国,沈书馨,李会军.基于CNN-GRU的遥操作机器人操作者识别与自适应速度控制方法[J].仪器仪表学报,2021(3):123-131.

[3]赵东升,杨理践,耿浩,郑福印,田野.基于多尺度特征的管道环焊缝定位方法研究[J].仪器仪表学报,2023,44(8):118-129.

[4]王艳芳,余红英.齿轮箱故障振动信号的若干处理方法探讨[J].机械管理开发,2007(6):21-22,25.

[5]李广泽,刘金国,郝志航.基于双正交小波的星点细分定位方法研究[J].光学精密工程,2005,13(Z1):217-221.

[6]蔡体健,彭潇雨,石亚鹏,黄稷.通道注意力与残差级联的图像超分辨率重建[J].光学精密工程,2021(1):142-151.

[7]刘淼,龚炳江.基于双路回归神经网络的遥感图像超分辨率重建方法[J].起重运输机械,2023(5):12-17.

[8]周建华,郑攀,王帅星,巫世晶,王晓笋.基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法[J].机械传动,2022,46(1):156-163.

[9]刘岱,常东润,孙习习,陈斌.基于卷积孪生神经网络的滚动轴承故障定位方法[J].机电工程,2022,39(3):309-316.

[10]冯蕾,黄菊秀,赵冉冉.深度卷积神经网络图像超分辨率重建方法研究[J].现代科学仪器,2022(1).

[11]宋清昆,卢学凤.基于多尺度紧密残差网络的超分辨率重建[J].制造业自动化,2022(12):152-157+180.

[12]朱福珍,李金宗,朱兵,李冬冬,杨学峰.基于径向基函数神经网络的超分辨率图像重建[J].光学精密工程,2010,18(6):1444-1451.

[13]姚立,孙见君,马晨波.基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法[J].轴承,2022(2):61-67.

[14]李德华,刘献礼.基于深度卷积神经网络的刀具磨损量自动提取方法[J].工具技术,2019,53(12):82-87.

[15]黄璋豫.基于极深超分辨率卷积神经网络的单一图像超分辨率研究（英文）[J].测试科学与仪器,2022(3):276-283.

[16]基于MWT和CNN的滚动轴承智能复合故障诊断方法[J].机械传动

[17]王志波,王继柱.基于光纤光栅传感技术和卷积神经网络的铁路信号调节方法研究[J].工业仪表与自动化装置,2023(1):91-96.

[18]陈启鹏,谢庆生,袁庆霓,黄海松,魏琴,李宜汀.基于深度门控循环单元神经网络的刀具磨损状态实时监测方法[J].计算机集成制造系统,2020,26(7):1782-1793.

[19]张国瑞,司涌波,陈光武,魏宗寿.基于门控循环单元模型的道岔故障预测方法[J].测试科学与仪器,2021,12(3):304-313.

[20]王正,文传博,董逸凡.基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法[J].轴承,2022(11):61-67.