辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位...辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位结果有效性判定方法依靠主观设定的阈值,无法准确区分弱辐射源和噪声定位结果;其次,该方法定位速度较慢,时效性较差.为了改善这些问题,本文提出了一种基于神经网络辅助决策的定位方法,构建了一个双通道二维卷积神经网络分类模型.首先对滑动窗口的时域信号进行离散傅里叶变换,将其频点幅值及相位信息输入模型进行分类预测,判断其是否为辐射源;而后仅保留辐射源滑窗数据进行定位计算,减少了滑窗运算量;最后通过密度聚类算法对定位结果进行筛选并得到最终定位结果.模型在实测的人工引雷数据上的分类精度达到了99.73%.使用梯度可视化热力图对模型所学习到的特征以及分类依据进行物理涵义分析,增强了模型的可解释性以及合理性.相较于现有的EMTR方法,本文提出的方法不仅定位速度提高了21倍,同时模型具有较好的迁移泛化能力,对于未曾学习过的人工触发闪电以及自然闪电数据均具有较好的识别能力,在这些数据上的辐射源定位数量增加了55.71%,在排除噪声干扰的同时,获得了更为精细的通道结构图,并保留了更多的雷电发展分支结构.展开更多
知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural N...知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural Network,HG-TCKT),将知识追踪任务重述为基于异构图神经网络的时序边分类问题.具体来说,首先将学习记录构建成包含3种节点类型(学生,习题和技能),2种边类型(学生-习题和习题-技能)的异构图数据,异构图描述了学生交互记录中实体类型之间的丰富关系,使用异构图神经网络缓解交互稀疏的问题,引入异构互注意力机制捕捉不同类型节点间的交互关系,提取不同类型节点的高阶特征.将学生节点和习题节点表征拼接,构造边(学生-习题)的表征.最后,使用时间卷积网络捕捉学生历史交互序列的时序依赖关系从而进行预测.在2个真实教育数据集进行实验证明,HG-TCKT相比当前主流知识追踪方法有更好的预测效果.展开更多
表面肌电信号(Surface Electromyography,sEMG)常用于预测人体意图行为,是一种不平稳、非周期、含有噪声的生物电信号,容易受工频干扰、环境干扰等影响,导致对其进行预测存在一定难度。对此,提出了一种基于变分模态分解(Variatio-nal Mo...表面肌电信号(Surface Electromyography,sEMG)常用于预测人体意图行为,是一种不平稳、非周期、含有噪声的生物电信号,容易受工频干扰、环境干扰等影响,导致对其进行预测存在一定难度。对此,提出了一种基于变分模态分解(Variatio-nal Mode Decomposition,VMD)和改进粒子群优化(Particle Swarm Optimization,PSO)算法的复合神经网络模型(Composite Neural Network Model,CNNM)。该模型结合了长短期记忆网络(Long-Short Term Memory,LSTM)、卷积神经网络(Convolutional Neural Networks,CNN)和双向长短期记忆网络(Bidirectional Long Short Term Memory,BiLSTM)。首先对PSO算法进行改进以优化VMD的参数,通过VMD处理sEMG信号,提出希尔伯特能量法,对分解后的分量进行加权重构,降低信号复杂性并保留关键特征。然后利用LSTM方法从sEMG信号中提取时间特征,利用CNN方法进一步提取空间特征,并通过注意力机制强化对关键信息的提取,最后输入BiLSTM中进行预测识别。实验结果表明,该模型的预测准确率可达99.9%,相较于其他模型提高了3%~8%,并通过消融实验验证了各模块的作用。该研究旨在提高手势动作的预测识别精度,为康复训练机器人的控制提供有效的解决方案。展开更多
异常肺音听诊识别是儿童支气管肺部疾病诊断的一种重要手段。针对儿童异常肺音分类研究常用的声谱图图像识别方法计算资源大、识别率不高等问题,提出了一种结合梅尔倒谱系数(Mel frequency cepstral coefficients,MFCC)特征、卷积神经网...异常肺音听诊识别是儿童支气管肺部疾病诊断的一种重要手段。针对儿童异常肺音分类研究常用的声谱图图像识别方法计算资源大、识别率不高等问题,提出了一种结合梅尔倒谱系数(Mel frequency cepstral coefficients,MFCC)特征、卷积神经网络(convolutional neural network,CNN)与双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的混合模型,用于儿童异常肺音的分类方法。该方法通过CNN对MFCC特征进行空间特性提取,利用BiLSTM对MFCC音频特征进行时序特性提取,建立了BCNnet(BILSTM CNN network)模型。文章收集并建立了一个儿童肺音数据集,在该数据集上,所提方法平均准确率可达75.3%,与以声谱图为输入的CNN(并行池化)模型相比,准确率提高了3.7个百分点,且在模型大小和识别速度上均有改善。展开更多
针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memo...针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。展开更多
在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(c...在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。展开更多
文摘辐射源定位结果的有效性判定能够排除噪声定位结果干扰,保留真实有效的辐射源定位点,进而获取一个清晰连续的闪电成像图.基于电磁时间反转(electromagnetic time reversal,EMTR)的雷电甚高频辐射源定位方法具有较高的定位精度,但其定位结果有效性判定方法依靠主观设定的阈值,无法准确区分弱辐射源和噪声定位结果;其次,该方法定位速度较慢,时效性较差.为了改善这些问题,本文提出了一种基于神经网络辅助决策的定位方法,构建了一个双通道二维卷积神经网络分类模型.首先对滑动窗口的时域信号进行离散傅里叶变换,将其频点幅值及相位信息输入模型进行分类预测,判断其是否为辐射源;而后仅保留辐射源滑窗数据进行定位计算,减少了滑窗运算量;最后通过密度聚类算法对定位结果进行筛选并得到最终定位结果.模型在实测的人工引雷数据上的分类精度达到了99.73%.使用梯度可视化热力图对模型所学习到的特征以及分类依据进行物理涵义分析,增强了模型的可解释性以及合理性.相较于现有的EMTR方法,本文提出的方法不仅定位速度提高了21倍,同时模型具有较好的迁移泛化能力,对于未曾学习过的人工触发闪电以及自然闪电数据均具有较好的识别能力,在这些数据上的辐射源定位数量增加了55.71%,在排除噪声干扰的同时,获得了更为精细的通道结构图,并保留了更多的雷电发展分支结构.
文摘知识追踪任务旨在通过建模学生历史学习序列追踪学生认知水平,进而预测学生未来的答题表现.该文提出一个融合异构图神经网络的时间卷积知识追踪模型(Temporal Convolutional Knowledge Tracing Model with Heterogeneous Graph Neural Network,HG-TCKT),将知识追踪任务重述为基于异构图神经网络的时序边分类问题.具体来说,首先将学习记录构建成包含3种节点类型(学生,习题和技能),2种边类型(学生-习题和习题-技能)的异构图数据,异构图描述了学生交互记录中实体类型之间的丰富关系,使用异构图神经网络缓解交互稀疏的问题,引入异构互注意力机制捕捉不同类型节点间的交互关系,提取不同类型节点的高阶特征.将学生节点和习题节点表征拼接,构造边(学生-习题)的表征.最后,使用时间卷积网络捕捉学生历史交互序列的时序依赖关系从而进行预测.在2个真实教育数据集进行实验证明,HG-TCKT相比当前主流知识追踪方法有更好的预测效果.
文摘表面肌电信号(Surface Electromyography,sEMG)常用于预测人体意图行为,是一种不平稳、非周期、含有噪声的生物电信号,容易受工频干扰、环境干扰等影响,导致对其进行预测存在一定难度。对此,提出了一种基于变分模态分解(Variatio-nal Mode Decomposition,VMD)和改进粒子群优化(Particle Swarm Optimization,PSO)算法的复合神经网络模型(Composite Neural Network Model,CNNM)。该模型结合了长短期记忆网络(Long-Short Term Memory,LSTM)、卷积神经网络(Convolutional Neural Networks,CNN)和双向长短期记忆网络(Bidirectional Long Short Term Memory,BiLSTM)。首先对PSO算法进行改进以优化VMD的参数,通过VMD处理sEMG信号,提出希尔伯特能量法,对分解后的分量进行加权重构,降低信号复杂性并保留关键特征。然后利用LSTM方法从sEMG信号中提取时间特征,利用CNN方法进一步提取空间特征,并通过注意力机制强化对关键信息的提取,最后输入BiLSTM中进行预测识别。实验结果表明,该模型的预测准确率可达99.9%,相较于其他模型提高了3%~8%,并通过消融实验验证了各模块的作用。该研究旨在提高手势动作的预测识别精度,为康复训练机器人的控制提供有效的解决方案。
文摘针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。
文摘在移动通信网络快速发展的背景下,蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点,提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先,采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法将原始流量分解为多个子序列,利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构,运用变分模态分解(variational mode decomposition,VMD)方法对频率序列进行二次分解,生成多维频率序列。然后,将一维趋势序列和多维频率序列分别输入至局部特征提取模块,其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network,1DCNN)提取一维趋势序列的局部特征,而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module,CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中,利用双向长短时记忆(bidirectional long short term memory,BiLSTM)网络和注意力机制学习时序变化规律,完成预测流量的输出。最后,通过对趋势序列和频率序列的预测结果求和,实现对蜂窝流量的准确预测。为了验证所提方法的有效性,利用公开数据集进行实验验证,并与多种不同方法进行对比。实验结果表明,所提预测方法展现出更优的预测性能,为蜂窝网络的智能管理和优化提供了有力支持。
