期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
新闻作品使用网络语言的弊端分析
被引量：
2
1
作者
王大钟
《语文建设》
北大核心
2013年第12X期67-68,共2页
随着网络技术的迅猛发展,网络语言的趣味性也显现出来,并以极快的速度逐渐覆盖了社会生活。网络语言因其自身的发展需要,显现出随意性、不规范性的特点,所以,也在人们的交流与沟通中承受着一定的压力。社会各界对网络语言所持态度各不相...
随着网络技术的迅猛发展,网络语言的趣味性也显现出来,并以极快的速度逐渐覆盖了社会生活。网络语言因其自身的发展需要,显现出随意性、不规范性的特点,所以,也在人们的交流与沟通中承受着一定的压力。社会各界对网络语言所持态度各不相同,有人认为网络语言具有一定的社会价值,值得肯定;有人认为网络语言随意、不规范,有违于民族语言规范,所以应加以制止。新闻写作是一种负责任的社会行为,是社会经济文化发展的重要体现,也是民族语言规范的宣传者与践行者。面对网络语言充斥的时代,作为新闻写作又该如何应对和使用,是值得研究和探讨的一个重要问题。
展开更多
关键词
新闻作品
网络语言
弊端
在线阅读
下载PDF
职称材料
基于并行CNN-LSTM的矿用磷酸铁锂电池SOH预测
被引量：
1
2
作者
常映辉
王大钟
+1 位作者
冀鹏飞
周锋涛
《煤矿机电》
2023年第4期6-11,共6页
电池健康状态(SOH)是锂离子电池的一项重要指标。为提高预测精度,提出了一种基于深度卷积神经网络(CNN)和长短期记忆网络(LSTM)的并行CNN-LSTM网络模型,用于预测矿用锂电池的健康状况。该方法利用CNN获取数据局部特征,LSTM获取时间序列...
电池健康状态(SOH)是锂离子电池的一项重要指标。为提高预测精度,提出了一种基于深度卷积神经网络(CNN)和长短期记忆网络(LSTM)的并行CNN-LSTM网络模型,用于预测矿用锂电池的健康状况。该方法利用CNN获取数据局部特征,LSTM获取时间序列信息。然后将CNN层和LSTM层获取的信息合并为一个张量,输入额外的LSTM层,进一步获取信息,完成电池健康状态预测。通过对电池的放电容量、放电时间、内阻等特征进行选择和分析,验证了该模型能够有效地预测电池的健康状况。仿真结果表明,该模型在数据集上的预测误差均小于3%,均方根误差(RMSE)和平均绝对误差(MAE)值的平均值在0.484%和0.278%以内。
展开更多
关键词
并行CNN-LSTM
电池健康状态
卷积神经网络
长短期记忆网络
电池内阻
在线阅读
下载PDF
职称材料
题名
新闻作品使用网络语言的弊端分析
被引量：
2
1
作者
王大钟
机构
河南大学新闻与传播学院
出处
《语文建设》
北大核心
2013年第12X期67-68,共2页
文摘
随着网络技术的迅猛发展,网络语言的趣味性也显现出来,并以极快的速度逐渐覆盖了社会生活。网络语言因其自身的发展需要,显现出随意性、不规范性的特点,所以,也在人们的交流与沟通中承受着一定的压力。社会各界对网络语言所持态度各不相同,有人认为网络语言具有一定的社会价值,值得肯定;有人认为网络语言随意、不规范,有违于民族语言规范,所以应加以制止。新闻写作是一种负责任的社会行为,是社会经济文化发展的重要体现,也是民族语言规范的宣传者与践行者。面对网络语言充斥的时代,作为新闻写作又该如何应对和使用,是值得研究和探讨的一个重要问题。
关键词
新闻作品
网络语言
弊端
分类号
H136 [语言文字—汉语]
在线阅读
下载PDF
职称材料
题名
基于并行CNN-LSTM的矿用磷酸铁锂电池SOH预测
被引量：
1
2
作者
常映辉
王大钟
冀鹏飞
周锋涛
机构
煤炭科学研究总院
中国煤炭科工集团太原研究院有限公司
山西天地煤机装备有限公司
出处
《煤矿机电》
2023年第4期6-11,共6页
基金
山西省基础研究计划(202103021223461)
天地科技重点项目(KY2023004)。
文摘
电池健康状态(SOH)是锂离子电池的一项重要指标。为提高预测精度,提出了一种基于深度卷积神经网络(CNN)和长短期记忆网络(LSTM)的并行CNN-LSTM网络模型,用于预测矿用锂电池的健康状况。该方法利用CNN获取数据局部特征,LSTM获取时间序列信息。然后将CNN层和LSTM层获取的信息合并为一个张量,输入额外的LSTM层,进一步获取信息,完成电池健康状态预测。通过对电池的放电容量、放电时间、内阻等特征进行选择和分析,验证了该模型能够有效地预测电池的健康状况。仿真结果表明,该模型在数据集上的预测误差均小于3%,均方根误差(RMSE)和平均绝对误差(MAE)值的平均值在0.484%和0.278%以内。
关键词
并行CNN-LSTM
电池健康状态
卷积神经网络
长短期记忆网络
电池内阻
Keywords
parallel CNN-LSTM
state of battery health
convolutional neural network
long short-term memory networks
battery internal resistance
分类号
TM912 [电气工程—电力电子与电力传动]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
新闻作品使用网络语言的弊端分析
王大钟
《语文建设》
北大核心
2013
2
在线阅读
下载PDF
职称材料
2
基于并行CNN-LSTM的矿用磷酸铁锂电池SOH预测
常映辉
王大钟
冀鹏飞
周锋涛
《煤矿机电》
2023
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
