将引号中内容以创新点方式表述“针对提高振动信号感知能力，需要对振动图像进行特征学习，利用神经网络模型进行相近特征信息提取。首先，对振动信号进行图像的转换以搭建有效数据集，其次，使用相关检测算法对数据进行学习训练。 针对标记数据的时间久和受人力专业知识的限制，尤其是在训练模型分类的数量很高时的问题。拟定通过消融实验将不同信号图像增强方法的优势结合，进而生成信息更加丰富的振动信号图像的方法，提高对振动图像感知能力。 针对振动信号目标感知问题，拟采用基于深度学习的方法进行目标检测。拟采用Kmeans++聚类方法对数据集进行聚类分析，获取anchor先验框尺寸，以提高模型收敛速度和检测精度。拟在YOLO中添加PSA（Pyramid Split Attention）注意力模块，使神经网络在目标检测任务中更加关注目标区域同时增强ROI区域的特征，提高目标检测效率，同时探究不同激活函数对特征数据拟合的优劣性。”

针对提高振动信号感知能力，需要进行振动图像特征学习并利用神经网络模型进行相似特征信息提取。首先，需要将振动信号数据转换为图像形式，以便于有效地构建数据集，其次，采用相关检测算法进行数据的学习和训练。由于标记数据的时间久且受人力专业知识的限制，尤其是在训练模型分类数量较高时，提出利用消融实验方法将不同信号图像增强方法优势相结合的方法，从而生成更加丰富的振动信号图像以提高振动图像感知能力。 针对振动信号目标感知问题，采用基于深度学习的方法进行目标检测。利用Kmeans聚类方法对数据集进行聚类分析，获取anchor先验框尺寸，以提高模型收敛速度和检测精度。在YOLO中增加PSA注意力模块，使神经网络在目标检测任务中更专注目标区域同时增强ROI区域的特征，进一步提高目标检测效率，同时研究不同激活函数对特征数据拟合的优劣性。