期刊文献+
共找到584篇文章
< 1 2 30 >
每页显示 20 50 100
基于Savitzky-Golay滤波的双向门控循环单元神经网络汽轮机热耗率预测 被引量:3
1
作者 马良玉 王永军 《科学技术与工程》 北大核心 2020年第9期3623-3628,共6页
汽轮机热耗率是火电机组运行过程中的一项重要监测指标。为建立更加准确的汽轮机热耗率预测模型,借助某1 000 MW火电机组的真实历史数据,提出一种基于双向门控循环单元(gated recurrent unit,GRU)神经网络的汽轮机热耗率预测模型。针对... 汽轮机热耗率是火电机组运行过程中的一项重要监测指标。为建立更加准确的汽轮机热耗率预测模型,借助某1 000 MW火电机组的真实历史数据,提出一种基于双向门控循环单元(gated recurrent unit,GRU)神经网络的汽轮机热耗率预测模型。针对火电机组现场运行数据噪声大的问题,采用SG(Savitzky-Golay)滤波器对所选变量数据进行降噪处理,将处理后的数据作为建模样本构建双向GRU神经网络汽轮机热耗率预测模型。并将其与BP(back propagation)神经网络、传统循环神经网络等2种算法的模型预测结果进行对比,结果表明:双向GRU神经网络热耗率预测模型的预测精度更高,泛化能力和鲁棒性更强,能够满足现场的实际需求。 展开更多
关键词 汽轮机热耗率 Savitzky-Golay 循环神经网络 门控循环单元 时间序列
在线阅读 下载PDF
基于双向门控循环单元神经网络的间歇过程最终产品质量预测 被引量:4
2
作者 骆楠 祁佳康 罗娜 《华东理工大学学报(自然科学版)》 CAS CSCD 北大核心 2020年第6期807-814,共8页
从具有共性的间歇过程终点质量预测问题出发,针对生产过程的时间序列特性进行分析,提出了一种基于双向门控循环单元神经网络的预测模型,对不等长间歇过程进行最终产品质量预测。结合实际生产中对预测值的要求,构建了适应间歇过程的损失... 从具有共性的间歇过程终点质量预测问题出发,针对生产过程的时间序列特性进行分析,提出了一种基于双向门控循环单元神经网络的预测模型,对不等长间歇过程进行最终产品质量预测。结合实际生产中对预测值的要求,构建了适应间歇过程的损失函数,使模型在保证预测精度的前提下满足预测要求,从而获得更大的生产效益。将使用不同损失函数的双向门控循环(GRU)单元神经网络与多向偏最小二乘(MPLS)、神经网络(NN)、支持向量回归(SVR)以及门控循环单元神经网络的预测结果进行实验对比,结果表明双向门控循环单元神经网络具有更强的适用性和更高的准确性。 展开更多
关键词 间歇过程 质量预测 双向门控循环单元 损失函数 时间序列
在线阅读 下载PDF
基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型
3
作者 张光昊 张新燕 王朋凯 《现代电力》 北大核心 2025年第2期201-208,共8页
风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预... 风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入,首先利用皮尔逊相关性分析筛选特征,然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系,接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征,最后引入注意力机制(attentional mechanisms,AM)分配权重,实现风电功率短期预测。以某风电场实测数据为例进行算例分析,实验结果表明,该文方法在单步及多步预测中相比其他方法有更好的预测精度。 展开更多
关键词 风电功率预测 混合深度神经网络 图卷积神经网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
基于多尺度卷积神经网络和门控循环单元的离心泵叶轮故障诊断 被引量:1
4
作者 陶付东 智一凡 +4 位作者 李怀瑞 柳应倩 郝达 秦浩洋 付强 《机电工程》 北大核心 2025年第5期885-893,共9页
采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神... 采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神经网络的基础上引入了循环神经网络,建立了特征提取和故障分类模块,可以自动地对原始输入信号进行空间和时间特征提取并识别关键故障模式;然后,搭建了立式离心泵叶轮故障仿真实验台架,对叶轮不同故障下的泵体振动信号进行了采集,用于训练所提MCNN-GRU诊断模型;最后,利用MCNN和GRU搭建了的诊断模型和其他模型,对叶轮不同故障情况下的振动信号故障识别情况进行了对比,并对抗噪性能进行了分析。研究结果表明:无噪声情况下的单通道诊断准确率超过97.59%,在强噪声条件下多通道诊断准确率达99.13%,优于传统方法,表现出良好的抗噪性能;此外,通过三通道振动数据的融合,诊断准确率达100%,可验证多通道数据融合的优势。该研究结果可为离心泵叶轮故障诊断提供可靠的方案。 展开更多
关键词 离心泵 特征提取 多通道信息融合 多尺度卷积神经网络 门控循环单元
在线阅读 下载PDF
基于图卷积网络和双向门控循环单元的电力系统主导失稳模式辨识
5
作者 王长江 张千龙 +2 位作者 姜涛 陈厚合 陶宇轩 《中国电机工程学报》 北大核心 2025年第16期6326-6339,I0016,共15页
为快速准确辨识电力系统主导失稳模式,该文提出一种基于图卷积神经网络(graph convolutional network,GCN)和双向门控循环单元(bi-directional gated recurrent unit,Bi-GRU)的电力系统主导失稳模式辨识方法。首先,根据系统故障前后暂... 为快速准确辨识电力系统主导失稳模式,该文提出一种基于图卷积神经网络(graph convolutional network,GCN)和双向门控循环单元(bi-directional gated recurrent unit,Bi-GRU)的电力系统主导失稳模式辨识方法。首先,根据系统故障前后暂态电气量时序演变规律及空间分布特性,构建表征电力系统运行状态的特征矩阵;然后,建立GCN与Bi-GRU相结合的深度学习模型,利用GCN整合拓扑空间信息提高模型泛化性,同时利用Bi-GRU自适应感知输入特征的全局时间序列信息,以深度挖掘特征矩阵的空间特性和时序特性,进而明晰暂态过程中各暂态电气量间的深层联系及交互影响,实现电力系统主导失稳模式的精确辨识;最后,通过修改后IEEE-39节点系统和某地区实际电网的实验结果表明,所提方法具备一定可解释性,相比其他深度学习方法在有效性、准确性和适应性方面存在一定的优势。 展开更多
关键词 主导失稳模式 电压稳定 功角稳定 图卷积神经网络 双向门控循环单元
在线阅读 下载PDF
基于双向门控循环单元网络的心音分段
6
作者 卢官明 许梦悦 +3 位作者 卢峻禾 戚继荣 赵宇航 王洋 《南京邮电大学学报(自然科学版)》 北大核心 2025年第3期58-66,共9页
为了提高心音分段的定位精度和准确率,提出一种基于双向门控循环单元(Bi‑directional Gated Recurrent Unit,Bi‑GRU)网络的心音分段算法。首先,采用短时傅里叶变换(Short‑Time Fou‑rier Transform,STFT)和同步挤压变换(Synchrosqueezing... 为了提高心音分段的定位精度和准确率,提出一种基于双向门控循环单元(Bi‑directional Gated Recurrent Unit,Bi‑GRU)网络的心音分段算法。首先,采用短时傅里叶变换(Short‑Time Fou‑rier Transform,STFT)和同步挤压变换(Synchrosqueezing Transform,SST)技术提取各个时间步短时窗口内心音信号的瞬时频率特征;然后,将各个时间步提取的瞬时频率特征构成序列并输入到Bi‑GRU网络,利用Bi‑GRU网络挖掘特征序列的上下文依赖关系,提取心音信号的上下文时频特征;最后,使用Softmax分类器将心音信号分成第一心音(S1)、第二心音(S2)、S1‑S2间期、S2‑S1间期4种状态类别。在PhysioNet/CinC Challenge 2016数据集上的实验结果表明,提出的心音分段算法总体准确率为93.30%,S1状态的平均F1得分为0.9538,S2状态的平均F1得分为0.9450,优于基线心音分段算法LR‑HSMM的性能指标,验证了该算法能有效地对心音信号进行分段,为心音信号的特征提取与分析提供了基础。 展开更多
关键词 心音分段 短时傅里叶变换 同步挤压变换 双向门控循环单元
在线阅读 下载PDF
采用门控循环单元神经网络和多特征融合的铣削刀具磨损监测 被引量:2
7
作者 葛慧 韩林池 +7 位作者 麻俊方 宋清华 王润琼 刘战强 杜宜聪 王兵 蔡玉奎 赵金富 《机械科学与技术》 CSCD 北大核心 2024年第4期667-673,共7页
为实现汽车发动机缸盖生产中刀具磨损状态的监测,提高刀具磨损监测方法的计算效率和识别精度,基于门控循环单元神经网络和多特征融合方法提出了面向铣刀后刀面磨损带宽度识别的刀具状态监测方法。通过铣削力信号数据对所提出方法的有效... 为实现汽车发动机缸盖生产中刀具磨损状态的监测,提高刀具磨损监测方法的计算效率和识别精度,基于门控循环单元神经网络和多特征融合方法提出了面向铣刀后刀面磨损带宽度识别的刀具状态监测方法。通过铣削力信号数据对所提出方法的有效性进行了验证,分析了不同超参数设置对模型识别精度的影响机制,给出了最优超参数,实现了对铣削刀具磨损的精确识别。 展开更多
关键词 刀具磨损 铣削力信号 状态监测 门控循环单元神经网络
在线阅读 下载PDF
融合图神经网络、门控循环单元与注意力机制的分子性质预测方法 被引量:1
8
作者 随海燕 袁洪波 +3 位作者 周焕笛 赵欢 霍静倩 程曼 《河北农业大学学报》 CSCD 北大核心 2024年第6期40-46,61,共8页
分子性质预测在药物研发等领域具有广泛的应用,虽然目前已经开始尝试利用图神经网络等方法来进行分子性质预测,但是仍然存在着难以处理大规模分子图和信息传播的局限。针对这一问题,本文构建了一种融合图神经网络、门控循环单元和注意... 分子性质预测在药物研发等领域具有广泛的应用,虽然目前已经开始尝试利用图神经网络等方法来进行分子性质预测,但是仍然存在着难以处理大规模分子图和信息传播的局限。针对这一问题,本文构建了一种融合图神经网络、门控循环单元和注意力机制的网络模型(Gated recurrent unit-attention-convolutional graph neural networks,GAGCN)用于分子性质的预测。该模型通过图神经网络(Graph neural network,GNN)对分子图进行表示学习,利用节点之间的连接和信息传播来捕捉分子的结构特征;使用门控循环单元(Gated recurrent unit,GRU)对分子序列进行建模,从而捕捉分子序列中的时序信息,通过门控机制自适应地选择保留或丢弃序列中的信息。最后通过注意力机制自适应地学习不同特征之间的权重,将GNN和GRU进行融合,从而使模型可以充分利用分子的结构和序列信息,以提高分子性质预测的准确性。试验结果表明该模型对于LogP的预测精度MSE、MAE和R2分别达到了0.0010、0.0116和0.9993。本文提出的模型为新农药、新兽药的研发提供了技术支持和参考。 展开更多
关键词 药物研发 分子性质预测 神经网络 门控循环单元 注意力机制
在线阅读 下载PDF
大坝变形的双向门控循环单元网络预测模型
9
作者 姚佳池 赵二峰 +1 位作者 刘峰 宋桂华 《水利水运工程学报》 北大核心 2025年第4期99-107,共9页
针对大坝变形序列的噪声信息,一次模态分解难以对其充分挖掘剔除,通过辛几何模态分解和改进的自适应噪声完备集合经验模态分解将变形实测序列解耦为不同频率的模态分量,使用最大信息系数对模态分量和实测序列进行相关性检验,并采用小波... 针对大坝变形序列的噪声信息,一次模态分解难以对其充分挖掘剔除,通过辛几何模态分解和改进的自适应噪声完备集合经验模态分解将变形实测序列解耦为不同频率的模态分量,使用最大信息系数对模态分量和实测序列进行相关性检验,并采用小波阈值对相关性弱的模态分量去噪重构,有效剔除实测序列中的噪声,利用基于注意力机制的双向门控循环单元网络模型对重构序列进行预测。应用实例表明,采用二次模态分解方法能有效剔除大坝变形实测序列中的噪声信息,建立的组合预测模型可以充分挖掘大坝变形与环境量之间的非线性关系且具有良好的泛化能力,为大坝长效服役性态预测提供了新方法。 展开更多
关键词 大坝变形 二次模态分解 小波阈值去噪 注意力机制 双向门控循环单元 预测模型
在线阅读 下载PDF
基于轴承退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测 被引量:1
10
作者 宋李俊 刘松林 +2 位作者 辛玉 马婧华 谢正邱 《中国机械工程》 北大核心 2025年第7期1562-1572,共11页
受工作条件和运行工况影响,滚动轴承全寿命周期的运行状态监测数据存在强噪声干扰,且轴承运行寿命退化呈非线性,严重影响剩余寿命预测的准确性。提出了一种结合高精度故障始发时刻退化状态评估和改进图注意力双向门控循环单元网络的轴... 受工作条件和运行工况影响,滚动轴承全寿命周期的运行状态监测数据存在强噪声干扰,且轴承运行寿命退化呈非线性,严重影响剩余寿命预测的准确性。提出了一种结合高精度故障始发时刻退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测方法,并利用XJTU-SY全寿命周期轴承数据集验证了所提方法的有效性。研究结果表明,所提预测方法能有效捕获表征轴承退化状态的深度时空特征,与CNN-LSTM等方法相比,剩余寿命预测精度显著提高。 展开更多
关键词 滚动轴承 故障始发时刻 剩余寿命预测 改进图注意力双向门控循环单元
在线阅读 下载PDF
基于MSCNN-GRU神经网络补全测井曲线和可解释性的智能岩性识别 被引量:1
11
作者 王婷婷 王振豪 +2 位作者 赵万春 蔡萌 史晓东 《石油地球物理勘探》 北大核心 2025年第1期1-11,共11页
针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问... 针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问题,引入了基于多尺度卷积神经网络(MSCNN)与门控循环单元(GRU)神经网络相结合的曲线重构方法,为后续的岩性识别提供了准确的数据基础;其次,利用小波包自适应阈值方法对数据进行去噪和归一化处理,以减少噪声对岩性识别的影响;然后,采用Optuna框架确定XGBoost算法的超参数,建立了高效的岩性识别模型;最后,利用SHAP可解释性方法对XGBoost模型进行归因分析,揭示了不同特征对于岩性识别的贡献度,提升了模型的可解释性。结果表明,Optuna-XGBoost模型综合岩性识别准确率为79.91%,分别高于支持向量机(SVM)、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性,能够更好地满足实际生产需要。 展开更多
关键词 岩性识别 多尺度卷积神经网络 门控循环单元神经网络 XGBoost 超参数优化 可解释性
在线阅读 下载PDF
基于变分模态分解的卷积神经网络−双向门控循环单元−多元线性回归多频组合短期电力负荷预测 被引量:21
12
作者 方娜 李俊晓 +1 位作者 陈浩 李新新 《现代电力》 北大核心 2022年第4期441-448,共8页
为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络(convolutional neural networks,CNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和多元线性回归(multiple line... 为了有效提高电力负荷预测精度,针对电力负荷非线性、非平稳性、时序性的特点,提出了一种卷积神经网络(convolutional neural networks,CNN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和多元线性回归(multiple linear regression,MLR)混合的多频组合短期电力负荷预测模型。该模型先利用关联度分析得到相似日,并将其负荷组成新的数据序列,同时使用变分模态分解(variational mode decomposition,VMD)将该数据序列进行分解,并重构成高低2种频率。对于高频分量,使用CNN-BiGRU模型进行预测;低频部分则使用MLR。最后将各个模型得出的预测结果叠加,得到最终预测结果。以2006年澳大利亚真实数据为例,进行短期电力负荷预测。仿真结果表明,相比于其他网络模型,该模型具有较高的预测精度和拟合能力,是一种有效的短期负荷预测方法。 展开更多
关键词 变分模态分解 卷积神经网络 双向门控循环单元 多元线性回归 负荷预测
在线阅读 下载PDF
基于双向门控循环单元的脱硫系统pH预测模型
13
作者 高钾 田雪峰 +2 位作者 彭献永 蒋甲丁 徐敏 《科学技术与工程》 北大核心 2025年第13期5535-5543,共9页
针对石灰石-石膏湿法烟气脱硫系统(wet flue gas desulfurization, WFGD)工作过程中浆液pH难以精准测量、不利于WFGD作业的问题,建立一种基于双向门控循环单元的脱硫系统pH预测模型。首先,对原始数据进行清洗和归一化处理;其次,基于最... 针对石灰石-石膏湿法烟气脱硫系统(wet flue gas desulfurization, WFGD)工作过程中浆液pH难以精准测量、不利于WFGD作业的问题,建立一种基于双向门控循环单元的脱硫系统pH预测模型。首先,对原始数据进行清洗和归一化处理;其次,基于最大信息系数分析得出13个特征值为输入变量,pH为输出变量,并建立浆液pH模型;最后,运行模型,并对结果进行评价。研究结果显示,与长短期记忆和门控循环相比,所选用的数学模型的平均绝对误差分别下降了11.95%、24.92%,均方根误差分别下降了10.64%、19.49%,决定系数分别提高了1.79%、3.08%。表明基于双向门控循环单元的pH预测模型具有较高的精确度和稳定性,具有工程应用价值,为现有脱硫塔pH预测模型提供了工程参考。 展开更多
关键词 石灰石-石膏湿法烟气脱硫系统 双向门控循环单元神经网络 预测模型 浆液pH
在线阅读 下载PDF
采用门控循环神经网络的核工业管道损伤识别方法 被引量:1
14
作者 蒋琪 张望 +1 位作者 屈文忠 肖黎 《振动与冲击》 EI CSCD 北大核心 2024年第24期48-58,共11页
超声导波检测技术具有效率高、成本低、检测方便等优点,广泛应用于管道的损伤检测。但超声导波在管道中的传播以及压电传感器灵敏度受温度和压力载荷等环境及工况的影响,严重干扰了损伤信息的提取和识别。由此,该文提出了一种基于粒子... 超声导波检测技术具有效率高、成本低、检测方便等优点,广泛应用于管道的损伤检测。但超声导波在管道中的传播以及压电传感器灵敏度受温度和压力载荷等环境及工况的影响,严重干扰了损伤信息的提取和识别。由此,该文提出了一种基于粒子群优化-双向门控循环单元-注意力机制模型的机器学习的导波管道损伤识别方法。此模型通过在原始超声导波数据与管道状态之间建立映射关系,并加强特征提取层对损伤特征的识别能力,有效避免环境干扰并准确识别出真实的损伤信号。以某核工业循环水冷却管道试验台架为试验对象,进行温度压力变化工况下的管道损伤识别试验,通过试验和理论分析验证了该模型能有效实现管道损伤识别,且识别准确率优于门控循环网络、长短时记忆、双向门控循环网络等其他数据驱动模型,证实了该文所提方法的有效性和优越性。 展开更多
关键词 核工业管道 损伤识别 粒子群优化 双向门控循环单元 注意力机制
在线阅读 下载PDF
基于CNN-GRU组合神经网络的锂电池寿命预测模型研究
15
作者 张安安 谢琳惺 杨威 《电测与仪表》 北大核心 2025年第7期77-84,共8页
针对锂电池容量及内阻等直接性能参数获取困难,导致锂电池寿命预测准确度不高的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)组合神经网络的锂电池寿命预测模型。文章从... 针对锂电池容量及内阻等直接性能参数获取困难,导致锂电池寿命预测准确度不高的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)组合神经网络的锂电池寿命预测模型。文章从锂电池充电和放电实验中提取恒流充电时间间隔、恒压充电时间间隔、放电温度峰值时间及循环次数四种间接健康因子,建立Pearson及Spearman相关系数;构建基于CNN-GRU组合神经网络的锂电池寿命预测模型;通过实际数据验证提取健康因子的合理性,并将预测结果与支持向量机模型、长短期记忆(long short-term memory,LSTM)模型、GRU模型、CNN-LSTM模型对比分析,验证所提模型的优越性及有效性。 展开更多
关键词 锂电池 健康因子 相关系数 卷积神经网络 门控循环单元
在线阅读 下载PDF
基于门控循环神经网络的边缘服务中心风光荷组合预测方法 被引量:2
16
作者 欧阳含熠 张立梅 白牧可 《现代电力》 北大核心 2024年第1期65-71,共7页
边缘计算因数据处理快、低成本和高实时等优点近年来在能源行业中受到广泛关注,而在边缘服务器上开展预测有助于对能源精细化管控。因此,针对边缘服务资源的有限性,基于差分自回归整合移动平均(autoregressive integrated moving averag... 边缘计算因数据处理快、低成本和高实时等优点近年来在能源行业中受到广泛关注,而在边缘服务器上开展预测有助于对能源精细化管控。因此,针对边缘服务资源的有限性,基于差分自回归整合移动平均(autoregressive integrated moving average,ARIMA)模型和门控循环单元(gated recurrent unit,GRU)神经网络,提出考虑线性和非线性特征的风、光、荷组合预测方法。ARIMA用于提取源、荷的线性特征,将其与真实值进行拟合,得到包含非线性特征的残差。其次,将残差作为GRU的训练数据集建立预测模型,再引入剪枝和量化方法优化及压缩GRU模型,减小预测模型规模,以适应边缘服务器部署。大量仿真结果表明,所构建的GRU压缩模型规模小、预测精度高,适合边缘服务器的部署应用。 展开更多
关键词 风光荷 边缘服务器 门控循环单元 神经网络 ARIMA 组合预测
在线阅读 下载PDF
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:18
17
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
基于卷积神经网络和双向门控循环单元网络注意力机制的情感分析 被引量:15
18
作者 张腾 刘新亮 高彦平 《科学技术与工程》 北大核心 2021年第1期269-274,共6页
传统的情感分析方法不能获取全局特征,以及否定词、转折词和程度副词的出现影响句子极性判断。在深度学习方法基础上提出了基于卷积神经网络和双向门控循环单元网络注意力机制的短文本情感分析方法。将情感积分引入卷积神经网络,利用情... 传统的情感分析方法不能获取全局特征,以及否定词、转折词和程度副词的出现影响句子极性判断。在深度学习方法基础上提出了基于卷积神经网络和双向门控循环单元网络注意力机制的短文本情感分析方法。将情感积分引入卷积神经网络,利用情感词自身信息,通过双向门控循环网络模型获取全局特征,对影响句子极性的否定词、转折词和程度副词引入注意力机制实现对这类词的重点关注,提取影响句子极性的重要信息。实验结果表明,该模型与现有相关模型相比,有效提高情感分类的准确率。 展开更多
关键词 深度学习 双向门控循环单元(Bi-GRU) 注意力机制 卷积神经网络 情感分析
在线阅读 下载PDF
基于自注意力机制的双向门控循环单元和卷积神经网络的芒果产量预测 被引量:13
19
作者 林靖皓 秦亮曦 +1 位作者 苏永秀 秦川 《计算机应用》 CSCD 北大核心 2020年第S01期51-55,共5页
针对影响芒果产量的相关气象要素繁多,它们与产量之间的关联关系复杂、难以用数学函数准确地描述的问题,提出一种基于自注意力机制具有长短期记忆功能的双向门控循环单元和卷积神经网络组合(Self-attention CBiGRU)模型。首先,利用CNN... 针对影响芒果产量的相关气象要素繁多,它们与产量之间的关联关系复杂、难以用数学函数准确地描述的问题,提出一种基于自注意力机制具有长短期记忆功能的双向门控循环单元和卷积神经网络组合(Self-attention CBiGRU)模型。首先,利用CNN卷积层(1D CNN)提取局部特征;其次将Self-attention机制用于进一步提取依赖特征,然后双向门控循环单元(BiGRU)会充分考虑年份之间的关联性,学习长期依赖特征;最后,利用广西某地3个气象站所收集到的24个芒果生产周期年份(从前一年第22旬到当年第21旬)每旬9个气象要素及芒果产量数据进行分析建模,建立了芒果产量预测Self-attention C-BiGRU模型。实验结果表明,Self-attention C-BiGRU模型预测的产量与实际产量的均方根误差为10.67,比支持向量回归(SVR)、误差后向传播神经网络(BPNN)、门控循环单元(GRU)、基于注意力机制的双向门控循环单元(BiGRU-Attention)、门控循环单元和卷积神经网络组合模型(GRU-CNN)、双向门控循环单元和卷积神经网络组合模型(C-BiGRU)分别平均降低了37.7%、42.1%、17.6%、4.1%、5.3%和5.9%。Selfattention C-BiGRU模型具有较高的预测准确性,对提升广西芒果产业发展、推进农业信息化有重要意义。 展开更多
关键词 芒果 产量预测 Self-attention 双向门控循环单元 卷积神经网络 循环神经网络
在线阅读 下载PDF
基于深度门控循环单元神经网络的刀具磨损状态实时监测方法 被引量:15
20
作者 陈启鹏 谢庆生 +3 位作者 袁庆霓 黄海松 魏琴 李宜汀 《计算机集成制造系统》 EI CSCD 北大核心 2020年第7期1782-1793,共12页
为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改... 为监测生产加工过程中的刀具磨损状态,提出一种基于深度门控循环单元神经网络的轻量化状态监测模型。首先,预处理阶段对加速度传感器采集的时序信号进行小波阈值去噪,并将每次刀具进给产生的冗长信号划分为多个训练样本,以滤除噪声、改善算法的鲁棒性;然后,利用卷积神经网络(CNN)从时序信号输入中自适应地提取特征,构建深度双向门控循环单元(BiGRU)神经网络学习特征向量间的时序信息,并将Attention机制的思想引入其中,自适应地感知对磨损状态分类结果有关联的网络权重,并对其进行合理分配,避免因人工提取特征带来的复杂性和局限性。实验结果表明,所提方法能够对传感器采集的原始数据实时准确地预测刀具磨损状态,在识别精度和泛化能力上均达到了较好的效果,为实际工业场景下的刀具磨损状态监测提供了新的思路。 展开更多
关键词 刀具磨损状态 实时监测 小波去噪 卷积神经网络 双向门控循环单元 Attention机制
在线阅读 下载PDF
上一页 1 2 30 下一页 到第
使用帮助 返回顶部