由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of elec...由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。展开更多
轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结...轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结构与多尺度卷积结构融合的深度学习网络模型。为了增强模型的分类性能以及提高模型对实际工程环境的贴合度,数据集中各类故障数据的数据量为非等量;然后将数据集通过BLSTM结构来获取具有对称性的数据特征,从而减少模型对前后故障信息记忆的紊乱、增强信息利用率,接着通过多尺度卷积结构对数据特征进行多角度理解与交流,防止特征提取片面化,同时还能增强模型的抗噪性能;最后通过全连接网络实现智能分类。将所提模型分别对深沟球轴承与圆柱滚子轴承故障数据进行处理分析,结果表明该智能模型具有较高的准确度与实用性。展开更多
文摘由于电离层电子密度随时间变化,且空间分布不均匀,对不同频段的无线电波产生延缓和折射,因此电离层电子密度变化是影响短波通信、卫星通信、全球导航卫星系统和其他空间通信质量的一个主要因素,本文对全球电离层电子密度(Number of electron,Ne)的预测工作对短波通信设备三维射线实时追踪定位提供必要条件。本文采用国际电离层参考模型提供的2016年电离层Ne数据,根据数据的三维空间时间序列特征,搭建了自编码器和卷积长短期记忆(Convolutional Long Short-Term Memory Network,Conv LSTM)网络组成的网络结构,在不引入地球自转周期之外任何先验知识的条件下,对Ne数据进行深度学习并实现预测,首先通过实验对比了SGD、Adagrad、Adadelta、Adam、Adamax和Nadam六种优化算法的性能,又对比了三种预测策略的均方根误差(Root Mean Square Error, RMSE),1h-to-1h预测策略的全球平均RMSE为1.0 NEU(最大值的0.4%),1h-to-24h和24h-to-24h预测策略的全球平均RMSE为6.3 NEU(2.6%)。由实验结果得出以下结论,一是Nadam优化算法更适合电离层Ne的深度学习,二是1h预测策略的性能与之前类似的电离层TEC预测工作(RMSE高于1.5 TECU,最大值的1%)相比有竞争力,但预测时间太短且对数据的实时性要求较高,三是两种24h预测策略虽能实现长期预测但性能不理想,要实现三维空间时间序列的长期高精度预测需要进一步改善神经网络、模型结构和预测策略。
文摘轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory,BLSTM)结构与多尺度卷积结构融合的深度学习网络模型。为了增强模型的分类性能以及提高模型对实际工程环境的贴合度,数据集中各类故障数据的数据量为非等量;然后将数据集通过BLSTM结构来获取具有对称性的数据特征,从而减少模型对前后故障信息记忆的紊乱、增强信息利用率,接着通过多尺度卷积结构对数据特征进行多角度理解与交流,防止特征提取片面化,同时还能增强模型的抗噪性能;最后通过全连接网络实现智能分类。将所提模型分别对深沟球轴承与圆柱滚子轴承故障数据进行处理分析,结果表明该智能模型具有较高的准确度与实用性。
