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
基于多尺度分段的长时间序列预测方法
被引量：
3
1
作者
何胜林
龙琛
+6 位作者
郑静
王爽
文振焜
吴惠思
倪东
何小荣
吴雪清
《深圳大学学报（理工版）》
CAS
CSCD
北大核心
2024年第2期232-240,共9页
针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将...
针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.
展开更多
关键词
计算机神经网络
时间序列预测
Transformer模型
多尺度分段
深度学习
电力预测
在线阅读
下载PDF
职称材料
分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别
被引量：
8
2
作者
魏雪
吴清
《计算机应用研究》
CSCD
北大核心
2019年第11期3310-3314,3356,共6页
为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量...
为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量机分类模型。为证明所提两种算法的有效性,进行了仿真实验验证,并在公开DEAP数据库下与几种常见的支持向量机优化模型比较脑电的情感识别率,结果表明在提出的模型下,效价、唤醒度、优势度、喜欢度的平均识别率分别为87.27%、87.81%、89.06%、87.58%,均高于其他算法。另外对比了高/低喜欢度下效价和唤醒度的分类,实验表明喜欢度低时情感识别率较高。
展开更多
关键词
脑电信号
情感识别
改进灰狼优化算法
SVM优化算法
分段
复合
多尺度
模糊熵
在线阅读
下载PDF
职称材料
题名
基于多尺度分段的长时间序列预测方法
被引量：
3
1
作者
何胜林
龙琛
郑静
王爽
文振焜
吴惠思
倪东
何小荣
吴雪清
机构
深圳大学计算机与软件学院
深圳市卫生健康发展研究和数据管理中心
深圳市荔康科技有限公司
深圳大学总医院妇产科
出处
《深圳大学学报（理工版）》
CAS
CSCD
北大核心
2024年第2期232-240,共9页
基金
国家自然科学基金资助项目(61572328)。
文摘
针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.
关键词
计算机神经网络
时间序列预测
Transformer模型
多尺度分段
深度学习
电力预测
Keywords
computer neural networks
time series forecasting
Transformer model
multi-scale segmentation
deep learning
power forecasting
分类号
TP391 [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
分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别
被引量：
8
2
作者
魏雪
吴清
机构
河北工业大学人工智能与数据科学学院
出处
《计算机应用研究》
CSCD
北大核心
2019年第11期3310-3314,3356,共6页
基金
天津市科技计划资助项目(15ZCZDNC00130)
河北省自然科学基金资助项目(F2015202239)
文摘
为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量机分类模型。为证明所提两种算法的有效性,进行了仿真实验验证,并在公开DEAP数据库下与几种常见的支持向量机优化模型比较脑电的情感识别率,结果表明在提出的模型下,效价、唤醒度、优势度、喜欢度的平均识别率分别为87.27%、87.81%、89.06%、87.58%,均高于其他算法。另外对比了高/低喜欢度下效价和唤醒度的分类,实验表明喜欢度低时情感识别率较高。
关键词
脑电信号
情感识别
改进灰狼优化算法
SVM优化算法
分段
复合
多尺度
模糊熵
Keywords
EEG signals
emotion recognition
improved grey wolf optimizer algorithm
SVM optimization algorithm
piecewise complex multi-scale fuzzy entropy
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
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
基于多尺度分段的长时间序列预测方法
何胜林
龙琛
郑静
王爽
文振焜
吴惠思
倪东
何小荣
吴雪清
《深圳大学学报（理工版）》
CAS
CSCD
北大核心
2024
3
在线阅读
下载PDF
职称材料
2
分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别
魏雪
吴清
《计算机应用研究》
CSCD
北大核心
2019
8
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
