基于改进卷积-门控网络及Informer的两种中长期风电功率预测方法

1

作者 任鑫 王一妹 +3 位作者 王华 周利 葛畅 韩爽 《现代电力》 北大核心 2025年第3期542-549,共8页

为解决常规时序预测方法在长序列预测场景下表现较差的问题,从时间分辨率降维以及加强序列长期依赖特征挖掘的角度出发,提出两种中长期功率预测模型建模方法,实现了跨度10天、时间分辨率为15min的功率预测。一方面,提出改进卷积神经网络... 为解决常规时序预测方法在长序列预测场景下表现较差的问题,从时间分辨率降维以及加强序列长期依赖特征挖掘的角度出发,提出两种中长期功率预测模型建模方法,实现了跨度10天、时间分辨率为15min的功率预测。一方面,提出改进卷积神经网络-门控循环单元(convolutional neural network-gate recurrent unit,CNN-GRU)的时间尺度降维模型,通过CNN模块及GRU模块分别实现了长时间序列的融合和还原,以及降维后时间序列的预测;另一方面,基于Informer网络的多头注意力机制实现了序列长期依赖特征的挖掘。算例结果表明,两种方法在不同的场景下有着不同的适应性,在第10日的准确率和合格率分别达到74.21%/73.47%、71.81%/74.48%,与常规GRU、CNN、时间卷积网络模型相比,预测精度提升明显,预测效果良好。 展开更多

关键词 中长期功率预测 长序列预测 卷积神经网络-门控循环单元 INFORMER 多头注意力

在线阅读 下载PDF 职称材料

基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究 被引量：17

2

作者 程建刚 毕凤荣 +3 位作者 张立鹏 李鑫 杨晓 汤代杰 《内燃机工程》 CAS CSCD 北大核心 2021年第4期77-83,92,共8页

为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力卷积神经网络双向门控循环单元(multiple attention-convolutional neural networks-bidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断... 为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力卷积神经网络双向门控循环单元(multiple attention-convolutional neural networks-bidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)核模糊C均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。 展开更多

关键词 注意力 故障诊断 多重注意力卷积神经网络双向门控循环单元(MA-CNN-BiGRU) 端到端

在线阅读 下载PDF 职称材料

融合CNN-GRU和Transformer的网络入侵检测方法

3

作者 黄迎春 邢秀祺 《火力与指挥控制》 北大核心 2025年第6期21-27,共7页

随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测... 随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测方法CGT(CNN-GRU Transformer),该方法针对双向长短期记忆网络(LSTM)只考虑时序特征而忽略空间特征且参数较多的特点优化入侵检测技术,融合过-欠采样与Wasserstein生成对抗网络的数据平衡处理模型NBW(Neighbourhood-cleaning-rule borderline-SMOTE WGAN)对数据集进行平衡处理。实验结果证明,所提出的方法在NSL-KDD数据集上表现出较好的效果,有效提升了入侵检测性能。 展开更多

关键词 入侵检测 卷积门控循环单元 数据平衡处理 领域清理规则 神经网络

在线阅读 下载PDF 职称材料

基于注意力机制的双目立体匹配家畜3D姿态估计 被引量：2

4

作者 谢元澄 陈自强 +3 位作者 李添天 严心悦 姜海燕 潘增祥 《农业工程学报》 北大核心 2025年第3期163-170,共8页

在监控群养家畜的个体行为时,准确估计家畜的空间姿态对行为分析至关重要。3D姿态估计相较于传统的2D方法,在解决遮挡问题和提供精确空间信息方面具有显著优势。目前,3D姿态估计技术主要应用于人体和自动驾驶领域,这些应用通常依赖昂贵... 在监控群养家畜的个体行为时,准确估计家畜的空间姿态对行为分析至关重要。3D姿态估计相较于传统的2D方法,在解决遮挡问题和提供精确空间信息方面具有显著优势。目前,3D姿态估计技术主要应用于人体和自动驾驶领域,这些应用通常依赖昂贵的测量设备和庞大的数据集,在动物行为研究与生产管理领域难以迅速普及,因此迫切需要一种低成本且高效的动物行为姿态测量方法。为此,该研究提出一种基于双目立体匹配的家畜3D姿态估计通用方法,首先,使用改进的双目立体匹配深度学习模型获取深度信息;然后,使用基于TopDown方法的2D姿态估计模型提取目标检测框,并检测关键点;最后,将关键点位置信息映射回图像空间,并同立体匹配模型结果融合得到3D姿态信息。由于匹配精度依赖于精准的深度信息,而立体匹配的困难主要集中在薄结构和弱纹理匹配,故以注意力机制和卷积门控循环单元ConvGRU迭代恢复机制构建ACLNet立体匹配模型,通过编码图像纹理的相对深度层次,限制模型注意力集中在真实视差附近,并通过残差的方式逐步恢复高精度深度信息。通过Scence Flow数据集上的消融试验和Middlebury数据集上的泛化试验验证所提模型的有效性。试验结果表明,ACLNet在Scene Flow数据集上的端点误差(EPE)为0.45,与目前领域内最佳效果接近,相比于未使用注意力机制和ConvGRU机制的基线模型,EPE下降了0.37像素;在Middlebury等真实数据集上也取得了良好的泛化结果;在山羊深度数据集上的EPE为0.56;改进后模型在山羊3D姿态测试集上平均关节位置误差(MPJPE)达到45.7 mm,较改进前下降了21.1 mm。在以山羊为测试样本的3D姿态估计试验中,无需额外训练便可进行准确的3D姿态估计,体现了算法较强的泛化能力和通用性。该方法仅使用双目视觉图片就可准确获取3D姿态,验证了使用简单双目视觉系统实现高精度家畜3D姿态估计的可行性,为使用低成本双目相机进行3D姿态估计提供了一种可行方案。 展开更多

关键词 家畜 注意力机制 立体匹配 3D姿态估计 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于两阶段特征选择的电力系统暂态功角与电压一体化稳定性评估方法

5

作者 徐艳春 张婧宇 +2 位作者 张涛 席磊 MI Lu 《智慧电力》 北大核心 2025年第4期11-19,共9页

随着电力系统暂态功角与电压稳定性问题耦合加剧,针对高维冗余特征的一体化评估需求凸显。提出了两阶段特征选择方法。首先通过类可分离性评分和皮尔逊相关系数筛选关键特征,消除分类低效与冗余;进而采用二进制竞争搜索算法优化特征子集... 随着电力系统暂态功角与电压稳定性问题耦合加剧,针对高维冗余特征的一体化评估需求凸显。提出了两阶段特征选择方法。首先通过类可分离性评分和皮尔逊相关系数筛选关键特征,消除分类低效与冗余;进而采用二进制竞争搜索算法优化特征子集,结合多任务卷积门控循环网络构建评估模型。算例验证表明,该方法在降低特征维度的同时显著提升了暂态稳定评估效果。 展开更多

关键词 特征选择 暂态功角稳定 暂态电压稳定 类可分离性 竞争搜索算法 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于流量预测的信号灯配时优化强化学习方法

6

作者 许明 李金烨 +1 位作者 左东宇 张晶 《系统仿真学报》 北大核心 2025年第4期1051-1062,共12页

针对现有基于强化学习的交通信号控制方法未考虑交通流量变化趋势,无法适应复杂多变路况而造成拥堵的问题,提出了基于流量预测的信号灯配时优化强化学习方法。提出相位配时幅度控制模型,分析历史流量数据的时空特性,对下一时间片的流量... 针对现有基于强化学习的交通信号控制方法未考虑交通流量变化趋势,无法适应复杂多变路况而造成拥堵的问题,提出了基于流量预测的信号灯配时优化强化学习方法。提出相位配时幅度控制模型,分析历史流量数据的时空特性,对下一时间片的流量进行预测,并根据预测结果计算相位配时的合理范围;使用H-PPO算法在控制信号相位同时增加其配时控制,并设计压力阀奖励函数,避免算法在控制信号时频繁的相位变换影响驾驶员驾驶体验。仿真结果表明:所提方法在提高路口通行效率和减小相位切换频次均有良好表现,优于对比方法。 展开更多

关键词 交通信号控制 智能交通 强化学习 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于深度卷积长短时神经网络的视频帧预测 被引量：7

7

作者 张德正 翁理国 +1 位作者 夏旻 曹辉 《计算机应用》 CSCD 北大核心 2019年第6期1657-1662,共6页

针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学... 针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征;然后,将学习到的变化特征输入到与编码网络通道数对应的解码网络中,由解码网络输出预测的下一张图;最后,将这张图输入回解码网络中,预测接下来的一张图,循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比,在Moving-MNIST数据集上的实验中,相同训练步数下所提方法不仅保留了位置信息预测准确的特点,而且空间结构信息细节表征能力更强。同时,将卷积门控循环单元(GRU)神经网络的卷积层加深后,该方法在空间结构信息细节表征上也取得了提升,检验了该方法思想的通用性。 展开更多

关键词 视频帧预测 卷积神经网络 长短时记忆神经网络 编码预测 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于卷积GRU注意力的设备剩余寿命预测 被引量：11

8

作者 赵志宏 李晴 李春秀 《振动．测试与诊断》 EI CSCD 北大核心 2022年第3期572-579,622,共9页

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信... 为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络(convolutional neural networks,简称CNN)提取设备状态的空间局部特征,门控循环神经单元(gate recurrent unit,简称GRU)提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。 展开更多

关键词 机械设备 剩余寿命预测 深度学习 卷积门控循环单元 注意力

在线阅读 下载PDF 职称材料

注意力卷积GRU自编码器及其在工业过程监控的应用 被引量：6

9

作者 刘兴 余建波 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2021年第9期1643-1651,1659,共10页

针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器(CGRUA-AE)深度神经网络和基于CGRUA-AE的过程故障检测方法.采用卷积门控循环单元(ConvGRU)有效地提取输入数据的空间和时间特征;建立... 针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器(CGRUA-AE)深度神经网络和基于CGRUA-AE的过程故障检测方法.采用卷积门控循环单元(ConvGRU)有效地提取输入数据的空间和时间特征;建立基于ConvGRU的自编码器,采用无监督学习对时间序列数据进行特征提取,引入注意力机制对相应的特征进行加权计算,实现对关键特征的有效选择;分别在特征空间与残差空间上建立基于T^(2)、SPE统计量的过程监控模型,实现对多元数据有效的特征提取和故障检测.数值案例和田纳西−伊士曼过程故障检测结果表明,CGRUA-AE具有良好的特征提取能力和故障检测能力,性能优于常用的过程故障检测方法. 展开更多

关键词 过程监控 故障检测 深度学习 自编码器 卷积门控循环单元(ConvGRU) 注意力

在线阅读 下载PDF 职称材料

基于时空卷积特征记忆模型的坦克火控系统视频目标检测方法 被引量：5

10

作者 戴文君 常天庆 +2 位作者 褚凯轩 张雷 郭理彬 《兵工学报》 EI CAS CSCD 北大核心 2020年第9期1708-1718,共11页

视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征... 视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征记忆模型,同时对多个视频帧中目标的表观特征及运动信息进行建模,以传递并融合视频帧中的目标信息。在特征提取网络以及检测子网络中结合可形变卷积,在检测过程中应用视频序列非极大值抑制,提高对形变以及遮挡目标的检测能力。构建一个包含多种目标类型、尺度、遮挡等条件的坦克火控系统视频目标检测数据集,为多种目标检测方法的测试提供依据。测试结果表明,与R-FCN、D&T以及MANet等目标检测方法相比,所提方法的平均精度均值最高,能够更好地满足装备的应用需求。 展开更多

关键词 坦克火控系统 视频目标检测 时空卷积特征校准 记忆模型 可形变卷积 卷积门控循环单元

在线阅读 下载PDF 职称材料

电力系统暂态电压稳定评估的混合智能特征双重筛选方法 被引量：5

11

作者 王渝红 朱玲俐 +3 位作者 赏成波 李晨鑫 杜婷 郑宗生 《电网技术》 EI CSCD 北大核心 2024年第4期1532-1542,I0044,I0046,I0047,共14页

含高比例新能源与直流接入的电力系统暂态电压稳定特征呈高维冗余性,影响基于数据驱动评估模型的效率和性能。为此,在构建一组适应含高比例新能源和直流接入场景的完备特征集合基础上,提出一种基于改进Relief算法和改进群智能优化算法... 含高比例新能源与直流接入的电力系统暂态电压稳定特征呈高维冗余性,影响基于数据驱动评估模型的效率和性能。为此,在构建一组适应含高比例新能源和直流接入场景的完备特征集合基础上,提出一种基于改进Relief算法和改进群智能优化算法双重筛选的混合智能特征选择方法,以降低原始特征维度,提高模型稳定评估的效率和准确率。首先,通过时序分层处理对原始Relief算法进行时序改进,并利用该改进算法进行特征的有效性度量,以消除分类低效特征,得到降维后的初筛特征子集;随后,融合特征有效性度量值对群智能优化算法进行搜索性能增强。再以此增强算法为寻优策略,并以时序分类模型卷积门控循环单元(convolution gated recurrent unit,ConvGRU)为分类器,构成基于群智能优化算法的封装式特征选择方案,进一步实现特征子集寻优。最后,通过算例对比分析,该方法下高维特征维度能压缩80%以上,且所选特征子集能有效提高评估模型的准确率,验证该方法对于高维时序特征筛选处理的有效性及必要性。 展开更多

关键词 暂态电压稳定评估 特征选择 RELIEF算法 群智能优化 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于ConvGRU的空气污染预测可视分析系统

12

作者 杨璐 陈聪 +2 位作者 毕重科 邱晓滨 李云龙 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2024年第6期928-936,共9页

预测细颗粒污染物浓度是制定防污减排措施的主要途径之一.针对传统的用于预测的大规模数值模拟需要在超级计算机上计算数小时乃至数天,成本高、效率低,甚至影响实效性的问题,提出一种基于卷积门控循环单元(ConvGRU)的细颗粒物污染预测方... 预测细颗粒污染物浓度是制定防污减排措施的主要途径之一.针对传统的用于预测的大规模数值模拟需要在超级计算机上计算数小时乃至数天,成本高、效率低,甚至影响实效性的问题,提出一种基于卷积门控循环单元(ConvGRU)的细颗粒物污染预测方法.首先设计一个全面损失函数(C-Loss),综合考虑预测结果与实况之间的绝对误差和相对误差,通过与常用的均方损失函数对比,证明C-Loss可以使预测模型更适合细颗粒物;然后根据领域专家需求,设计一个可交互的可视分析系统,领域专家可以高效地获取一系列时刻的预测结果,从而交互式地深入探索大气污染的形成过程与气象因素之间的相关性,为进一步制定防污减排方案提供了科学依据.通过一系列应用示例全面地分析了污染物的形成原因,并验证了预测模型的有效性. 展开更多

关键词 大气污染 可视分析 基于卷积门控循环单元

在线阅读 下载PDF 职称材料

基于深度学习的山洪时空预测代理模型 被引量：2

13

作者 杨勇川 王俊彦 +1 位作者 文海家 王乃玉 《自然灾害学报》 CSCD 北大核心 2024年第4期164-175,共12页

山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预... 山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。 展开更多

关键词 深度学习 山洪模型 时空序列预测 卷积门控循环单元 代理模型

在线阅读 下载PDF 职称材料

基于时序生成对抗网络的居民用户非侵入式负荷分解 被引量：3

14

作者 罗平 朱振宇 +3 位作者 樊星驰 孙博宇 张帆 吕强 《电力系统自动化》 EI CSCD 北大核心 2024年第2期71-81,共11页

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。... 现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。 展开更多

关键词 非侵入式负荷分解 对抗生成网络 降维网络 卷积神经网络-双向门控循环单元 深度神经网络

在线阅读 下载PDF 职称材料

基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法 被引量：3

15

作者 肖遥 向家伟 +1 位作者 汤何胜 任燕 《机电工程》 CAS 北大核心 2024年第9期1517-1528,共12页

在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息... 在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。 展开更多

关键词 液压传动系统 液压防水阀 多传感器 滑动时间窗 TEAGER能量算子 熵权法 卷积神经网络-双向门控循环单元-自注意力机制模型

在线阅读 下载PDF 职称材料

基于CNN-GRU并联网络的海上风电支撑结构损伤识别

16

作者 李行健 刁延松 +1 位作者 吕建达 侯敬儒 《振动与冲击》 EI CSCD 北大核心 2024年第20期229-237,共9页

利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU... 利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU)神经网络并联网络的结构损伤识别新方法。首先,对响应信号进行广义S变换(generalized S-transform,GST)得到其时频图像。然后,分别利用CNN和GRU从时频图像和响应信号中提取时频域特征和时序特征,并将时频域特征和时序特征拼接后输入全连接层和Softmax分类器中进行结构损伤识别。位移激励下的海上风电支撑结构模型试验数据验证结果表明,该方法仅需要一个测点的响应信号,与其他同类方法相比具有更高的识别准确率和效率。 展开更多

关键词 卷积神经网络-门控循环单元(CNN-GRU)并联网络 结构损伤识别 深度学习 海上风电支撑结构 广义S变换(GST)

在线阅读 下载PDF 职称材料

基于CNN-GRU神经网络的测井曲线预测方法 被引量：16

17

作者 王锦涛 文晓涛 +2 位作者 何易龙 兰昀霖 张超铭 《石油物探》 CSCD 北大核心 2022年第2期276-285,共10页

目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题。为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井... 目前许多测井曲线预测模型存在预测结果不稳定、精度不高的问题。为此,将深度学习中特征表达能力较强的卷积神经网络(CNN)和记忆能力较强的门控循环单元(GRU)相结合,设计并实现了一种通过卷积门控循环单元(CNN-GRU)神经网络进行缺失井曲线预测的方法。以测井数据序列作为输入,首先通过CNN网络提取测井数据的特征,形成时序序列的特征向量,再利用GRU网络进行训练,最后输出测井曲线预测值。该方法综合了卷积神经网络局部特性感知和门控循环单元网络长期记忆的特性,考虑了测井曲线的深度趋势和局部形状,具有较高的预测精度。将该方法应用于四川某地区A、B两个井区3口井的测井曲线预测,并将预测结果与其它3种人工智能预测方法的预测结果进行对比分析,结果显示,基于CNN-GRU神经网络的测井曲线预测方法应用效果显著,能有效提取数据特征,为测井曲线预测提供了一种新思路。 展开更多

关键词 测井曲线预测 卷积门控循环单元网络 深度学习 局部特性 长期记忆

在线阅读 下载PDF 职称材料

融合残差Inception与双向ConvGRU的皮肤病变智能分割

18

作者 顾敏杰 李雪 陈思光 《数据采集与处理》 CSCD 北大核心 2023年第4期937-946,共10页

由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元(Convolutional gated recurrent unit,ConvGRU)的皮肤病变智能分... 由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元(Convolutional gated recurrent unit,ConvGRU)的皮肤病变智能分割模型。首先设计了一种云边协同的皮肤病变智能分割服务网络模型,通过该网络模型,用户可以获得快速、准确的分割服务;其次,构建了一种新的皮肤病变智能分割模型,通过融合残差Inception与双向ConvGRU,该模型能融合不同尺度特征,提高模型特征提取能力,并能充分利用底层特征与语义特征之间的关系,捕获更丰富的全局上下文信息,取得更好的分割性能;最后,在ISIC 2018数据集上的实验结果表明,所提出的智能分割模型与近期提出的几种U-Net扩展模型相比,取得了更高的准确率与Jaccard系数。 展开更多

关键词 皮肤病 图像分割 残差网络 U型卷积神经网络 卷积门控循环单元

在线阅读 下载PDF 职称材料

基于模糊聚类和CNN-BIGRU的轨道电路故障预测 被引量：3

19

作者 林俊亭 王帅 +1 位作者 刘恩东 王阳 《振动．测试与诊断》 EI CSCD 北大核心 2023年第3期500-507,619,620,共10页

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit... 针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva(GG)模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络(convolutional neural network,简称CNN)和双向门控循环单元(bi-directional gated recurrent unit,简称BIGRU)进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。 展开更多

关键词 轨道电路 GG模糊聚类 退化状态划分 卷积神经网络-双向门控循环单元 故障预测

在线阅读 下载PDF 职称材料

基于S2S-CNN-GRU的机场离港航班延误预测 被引量：5

20

作者 李善梅 周相志 《中国安全科学学报》 CAS CSCD 北大核心 2023年第8期93-100,共8页

为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状... 为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。 展开更多

关键词 序列到序列(S2S)-卷积神经网络(CNN)-门控循环单元(GRU)模型 离港航班 延误预测 神经网络 特征提取

在线阅读 下载PDF 职称材料