针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirec...针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。展开更多
部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向...部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。展开更多
针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory n...针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory neural network,BILSTM)的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计模型长短期记忆模型(long and short term memory neural network,LSTM)和门控递归单元(gated recursive unit,GRU)与混合模型做了对比实验,实验结果表明文章混合模型进一步提高了SOC估计精度。展开更多
文摘针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。
文摘部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。
文摘针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory neural network,BILSTM)的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计模型长短期记忆模型(long and short term memory neural network,LSTM)和门控递归单元(gated recursive unit,GRU)与混合模型做了对比实验,实验结果表明文章混合模型进一步提高了SOC估计精度。
