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
融合序列语法知识的卷积-自注意力生成式摘要方法
被引量：
2
1
作者
罗森林
王睿怡
+2 位作者
吴倩
潘丽敏
吴舟婷
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2021年第1期93-101,共9页
针对基于编码-解码的生成式摘要模型不能充分提取语法知识导致摘要出现不符合语法规则的问题,循环神经网络易遗忘历史信息且训练时无法并行计算导致处理长文本时生成的摘要主旨不显著以及编码速度慢的问题,提出了一种融合序列语法知识...
针对基于编码-解码的生成式摘要模型不能充分提取语法知识导致摘要出现不符合语法规则的问题,循环神经网络易遗忘历史信息且训练时无法并行计算导致处理长文本时生成的摘要主旨不显著以及编码速度慢的问题,提出了一种融合序列语法知识的卷积-自注意力生成式摘要方法.该方法对文本构建短语结构树,将语法知识序列化并嵌入到编码器中,使编码时能充分利用语法信息;使用卷积-自注意力模型替换循环神经网络进行编码,更好学习文本的全局和局部信息.在CNN/Daily Mail语料上进行实验,结果表明提出的方法优于当前先进方法,生成的摘要更符合语法规则、主旨更显著且模型的编码速度更快.
展开更多
关键词
生成式摘要
编码-解码模型
语法分析
卷积-自注意力模型
注意力机制
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：
7
2
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
题名
融合序列语法知识的卷积-自注意力生成式摘要方法
被引量：
2
1
作者
罗森林
王睿怡
吴倩
潘丽敏
吴舟婷
机构
北京理工大学信息与电子学院
国家计算机网络应急技术处理协调中心
出处
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2021年第1期93-101,共9页
基金
国家“十二五”科技支撑计划项目(2012BAI10B01)
北京理工大学基础研究基金项目(20160542013)
国家“二四二”信息安全计划项目(2017A149)。
文摘
针对基于编码-解码的生成式摘要模型不能充分提取语法知识导致摘要出现不符合语法规则的问题,循环神经网络易遗忘历史信息且训练时无法并行计算导致处理长文本时生成的摘要主旨不显著以及编码速度慢的问题,提出了一种融合序列语法知识的卷积-自注意力生成式摘要方法.该方法对文本构建短语结构树,将语法知识序列化并嵌入到编码器中,使编码时能充分利用语法信息;使用卷积-自注意力模型替换循环神经网络进行编码,更好学习文本的全局和局部信息.在CNN/Daily Mail语料上进行实验,结果表明提出的方法优于当前先进方法,生成的摘要更符合语法规则、主旨更显著且模型的编码速度更快.
关键词
生成式摘要
编码-解码模型
语法分析
卷积-自注意力模型
注意力机制
Keywords
abstractive summarization
encoder-decoder model
grammatical analysis
convolution-self attention model
attention mechanism
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
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：
7
2
作者
肖遥
向家伟
汤何胜
任燕
机构
温州大学机电工程学院
出处
《机电工程》
CAS
北大核心
2024年第9期1517-1528,共12页
基金
国家自然科学基金资助项目(52175060)
浙江省自然科学基金资助项目(LY20E050028)。
文摘
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。
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
Keywords
hydraulic transmission system
hydraulic waterproof valve
multi-sensor
sliding time window
Teager energy operator(TEO)
entropy weight method
convolutional neural network-bidirectional gated recurrent unit-attention(CNN-BIGRU-Attention)model
分类号
TH137.52 [机械工程—机械制造及自动化]
TH17 [机械工程—机械制造及自动化]
TU60 [建筑科学—建筑技术科学]
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
融合序列语法知识的卷积-自注意力生成式摘要方法
罗森林
王睿怡
吴倩
潘丽敏
吴舟婷
《北京理工大学学报》
EI
CAS
CSCD
北大核心
2021
2
在线阅读
下载PDF
职称材料
2
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
肖遥
向家伟
汤何胜
任燕
《机电工程》
CAS
北大核心
2024
7
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
