利用可选择多尺度图卷积网络的骨架行为识别

1

作者 曹毅 李杰 +2 位作者 叶培涛 王彦雯 吕贤海 《电子与信息学报》 北大核心 2025年第3期839-849,共11页

针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其... 针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。 展开更多

关键词 骨架行为识别 图卷积网络 多尺度通道拓扑细化邻接矩阵 可选择多尺度时序卷积 可选择多尺度图卷积网络

在线阅读 下载PDF 职称材料

基于多尺度局部与全局特征提取的时间序列预测网络

2

作者 王静 王济昂 +1 位作者 丁建立 李永华 《计算机工程与设计》 北大核心 2025年第6期1734-1741,共8页

为有效提取序列数据中的局部与全局变化,并对多尺度特征进行建模,提高时间序列预测准确率,提出一种基于多尺度局部与全局特征提取的时间序列预测网络。多尺度特征捕获模块使用多个不同大小的卷积提取序列中多周期的特征;关注对周期性序... 为有效提取序列数据中的局部与全局变化,并对多尺度特征进行建模,提高时间序列预测准确率,提出一种基于多尺度局部与全局特征提取的时间序列预测网络。多尺度特征捕获模块使用多个不同大小的卷积提取序列中多周期的特征;关注对周期性序列的建模,利用多尺度时序分离模块,使用平均池化分离得到时间序列的周期性和趋势性部分;局部与全局特征模块对序列中的局部变化和全局趋势进行建模。实验结果表明,所提算法在4个数据集上的预测效果均优于相关基线算法。 展开更多

关键词 多维时间序列预测 局部与全局特征 多尺度 卷积神经网络 时序分解 特征提取 深度学习

在线阅读 下载PDF 职称材料

基于多尺度TCN的锂离子电池RUL预测

3

作者 彭鹏 万民惠 +3 位作者 张领先 陈满 谭启鹏 李勇琦 《电池》 CAS 北大核心 2024年第5期649-654,共6页

为降低容量回升和噪声对锂离子电池剩余使用寿命(RUL)预测的影响,提出利用运行数据和容量数据的时序信息,基于多尺度时序卷积网络(TCN)的RUL联合预测方法。使用变分模态分解(VMD)法分解锂离子电池原始容量数据,将衰减过程中的非线性特... 为降低容量回升和噪声对锂离子电池剩余使用寿命(RUL)预测的影响,提出利用运行数据和容量数据的时序信息,基于多尺度时序卷积网络(TCN)的RUL联合预测方法。使用变分模态分解(VMD)法分解锂离子电池原始容量数据,将衰减过程中的非线性特征和主要衰减趋势分别分解到高频分量和低频分量;针对高频分量,使用多尺度TCN进行滚动迭代预测,以捕获容量的短期变化;针对低频分量,从运行数据中提取特征,输入多尺度TCN进行预测,以捕获容量的长期趋势;最后,将预测结果还原为容量预测值。基于美国航空航天局(NASA)数据集验证的结果表明,该方法的容量预测误差均方根误差(RMSE)最小值为0.0111,相应的平均绝对误差(MAE)最小值为0.0086,RUL预测误差基本在2次循环以内。 展开更多

关键词 锂离子电池 剩余使用寿命(RUL) 联合预测 变分模态分解 多尺度时序卷积网络(tcn)

在线阅读 下载PDF 职称材料

基于IAPSO-Holt-TCN的时序瓦斯浓度预测模型 被引量：2

4

作者 温廷新 陈思宇 《中国安全生产科学技术》 CAS CSCD 北大核心 2023年第7期57-62,共6页

为了提升时序瓦斯浓度预测精度,提出1种基于特征组合(FCIH)-时间卷积网络(TCN)的预测模型。首先,基于粒子群(PSO)算法重构惯性权重和加速因子,设计自适应粒子群(IAPSO)寻优算法;然后,利用IAPSO优化霍尔特指数平滑(Holt)相关超参数,应用H... 为了提升时序瓦斯浓度预测精度,提出1种基于特征组合(FCIH)-时间卷积网络(TCN)的预测模型。首先,基于粒子群(PSO)算法重构惯性权重和加速因子,设计自适应粒子群(IAPSO)寻优算法;然后,利用IAPSO优化霍尔特指数平滑(Holt)相关超参数,应用Holt生成时序瓦斯浓度的水平、趋势分量,并与时序瓦斯浓度历史数据构成特征组合,以此获取具有高度预测性的特征;接着,基于构建的特征组合,搭建FCIH-TCN时序瓦斯浓度预测框架;最后,采用多个模型进行对比实验。研究结果表明:使用IAPSO后,Holt预测模型的平均绝对误差下降0.019;FCIH作为模型输入有效提高LSTM、GRU及TCN模型的预测精度;FCIH-TCN的RMSE为0.05,MAE为0.035,其预测精度优于其他对比模型。研究结果可为矿井瓦斯灾害防治提供参考。 展开更多

关键词 时序瓦斯浓度预测 特征组合 自适应粒子群 霍尔特指数平滑(Holt) 时间卷积网络(tcn)

在线阅读 下载PDF 职称材料

多尺度时序依赖的校园公共区域人流量预测 被引量：9

5

作者 谢贵才 段磊 +2 位作者 蒋为鹏 肖珊 徐一凡 《软件学报》 EI CSCD 北大核心 2021年第3期831-844,共14页

校园公共区域人流量预测对于维护校园安全、提升校园管理水平有重大意义.尤其在疫情防控下,高校复学对公共区域的人流量预测和控制提出了更高的要求.以高校食堂为例,通过预测就餐人数,有助于食堂防疫人员合理调度和安排,既降低了人群聚... 校园公共区域人流量预测对于维护校园安全、提升校园管理水平有重大意义.尤其在疫情防控下,高校复学对公共区域的人流量预测和控制提出了更高的要求.以高校食堂为例,通过预测就餐人数,有助于食堂防疫人员合理调度和安排,既降低了人群聚集的潜在风险,也可以针对食堂人流量分布情况提供分时分批服务.然而,由于校园管理需求,如节假日和教学安排等因素,使得校园公共区域人流量预测问题颇具挑战性.为此,提出一种基于深度学习的多尺度时序卷积网络MSCNN(multi-scale temporal patterns convolution neural networks),实现人流量时序数据中短时依赖、长时周期模式的获取和多尺度时序模式特征的重标定,以对任意时段人流量进行预测.通过在真实校园环境数据集以及公开数据集上的实验,验证了MSCNN模型的有效性和执行效率. 展开更多

关键词 公共区域人流量预测 多尺度时序依赖 卷积神经网络 多组件融合

在线阅读 下载PDF 职称材料

基于深度帧差卷积神经网络的运动目标检测方法研究 被引量：15

6

作者 欧先锋 晏鹏程 +4 位作者 王汉谱 涂兵 何伟 张国云 徐智 《电子学报》 EI CAS CSCD 北大核心 2020年第12期2384-2393,共10页

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由Differenc... 复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入(t帧和t+1帧)中获取时序信息;AppearanceNet用于从输入(t帧)中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明:DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果. 展开更多

关键词 运动目标检测 复杂场景 深度帧差卷积神经网络 时序信息 空间信息 多尺度特征图融合

在线阅读 下载PDF 职称材料

基于时序注意力机制的电动汽车灵活性概率建模 被引量：1

7

作者 王昊天 刘栋 +3 位作者 秦继朔 史锐 但扬清 孙英云 《电力系统自动化》 EI CSCD 北大核心 2024年第7期94-102,共9页

电动汽车是一种可以向电力系统提供灵活性的柔性负荷。现有研究对电动汽车灵活性进行建模时,多数仅考虑了充电行为的不确定性以及分时电价的影响,忽略了日前电价与实时电价的偏差,缺少对实时电价、充电负荷多时间尺度时序特征的建模。... 电动汽车是一种可以向电力系统提供灵活性的柔性负荷。现有研究对电动汽车灵活性进行建模时,多数仅考虑了充电行为的不确定性以及分时电价的影响,忽略了日前电价与实时电价的偏差,缺少对实时电价、充电负荷多时间尺度时序特征的建模。针对此问题,文中总结了电动汽车灵活性的表现形式与影响因素,考虑面向电价的响应不确定性以及充电行为不确定性,提出基于时序注意力机制的电动汽车灵活性概率建模方法。通过时序注意力机制提取不同时序权重,设计基于时序卷积网络的多时间尺度特征提取网络学习充电行为、电价等不确定性,提取多时间尺度灵活性波动特征。算例表明,所提模型能够有效学习充电行为不确定性与面向电价的响应不确定性,其概率建模效果具有更高的可靠性与精度。 展开更多

关键词 电力系统 灵活性 电动汽车 概率建模 多时间尺度 时序注意力机制 时序卷积网络

在线阅读 下载PDF 职称材料

多尺度视角特征动态融合的盗窃犯罪预测模型 被引量：2

8

作者 石拓 张齐 石磊 《智能系统学报》 CSCD 北大核心 2022年第6期1104-1112,共9页

针对盗窃犯罪时空预测特征融合不精、时序动态适应性不足问题,提出自注意力和多尺度多视角特征动态融合的预测模型。首先,以盗窃发案的位置信息为基础,将数据投射到地图栅格内,通过构建一种可将不同时序长度案件数据匹配为自适应长度数... 针对盗窃犯罪时空预测特征融合不精、时序动态适应性不足问题,提出自注意力和多尺度多视角特征动态融合的预测模型。首先,以盗窃发案的位置信息为基础,将数据投射到地图栅格内,通过构建一种可将不同时序长度案件数据匹配为自适应长度数据的方法,并组合向量映射后的天气、作案时间、地理位置等属性,构造多维度特征融合的输入向量;其次,采用自注意力机制生成多视角特征动态融合的向量;最后,通过采用多尺度窗口CNN对多视角特征动态融合向量进行编码后送入分类器,预测出每个地图栅格内的发案态势。在某市盗窃数据集上验证,本文方法在3种地理栅格尺度下,预测准确率最高可达到0.899,显著优于其他对比模型。 展开更多

关键词 犯罪预测 自注意力机制 多尺度特征融合 卷积神经网络 动态自适应 分类器 时序预测 分布式表征

在线阅读 下载PDF 职称材料

小样本量下的锂离子电池健康状态预测

9

作者 邓栋梁 银立新 +1 位作者 余瑾 黄先红 《电池》 北大核心 2025年第1期129-135,共7页

当前数据驱动的健康状态(SOH)预测方法依赖于庞大的数据规模。提出一种小样本量下的电池SOH预测方法:采用Levy飞行策略优化天鹰优化(AO)算法的权值和阈值;提出广义改进学习(GOBL)来生成更好的候选解集,以增加种群的多样性,加快优化方法... 当前数据驱动的健康状态(SOH)预测方法依赖于庞大的数据规模。提出一种小样本量下的电池SOH预测方法:采用Levy飞行策略优化天鹰优化(AO)算法的权值和阈值;提出广义改进学习(GOBL)来生成更好的候选解集,以增加种群的多样性,加快优化方法的收敛速度,得到改进天鹰优化(IAO)算法;利用IAO算法优化时序卷积神经网络(TCN)的权值和阈值,建立IAO-TCN电池SOH预测模型;在优化的TCN(IAO-TCN)模型基础上,引入多头注意力机制,使模型自动聚焦于电池数据的重要特征,提升预测模型的精度。通过马里兰大学电池数据进行实例分析,与TCN、极限学习机、长短期记忆神经网络和卷积神经网络等进行对比,发现所提模型平均误差控制在2.5%以内,准确率较其他模型提升10个百分点以上,稳定性、预测精度和泛化能力均较好。 展开更多

关键词 锂离子电池 健康状态(SOH)预测 时序卷积神经网络(tcn) 天鹰优化(AO)算法 多头注意力机制

在线阅读 下载PDF 职称材料

基于TCN-GRU模型的短期负荷预测方法 被引量：37

10

作者 郭玲 徐青山 郑乐 《电力工程技术》 北大核心 2021年第3期66-71,共6页

为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序... 为了进一步提高短期负荷的预测精度,为电力系统的稳定运行提供更加有力的保障,文中提出了一种将时间卷积网络(TCN)和门限循环单元(GRU)相结合的短期负荷预测方法TCN-GRU。首先,将采集的训练数据划分为时序数据和非时序数据;其次,将时序数据输入到TCN模型中以提取时序特征;然后,将提取出来的时序特征与非时序数据组合起来输入到GRU模型中对模型进行训练;最后,利用训练好的模型实现对短期电力负荷的预测。基于广东省佛山市某行业真实负荷数据验证了TCN-GRU模型的负荷预测能力,并通过对比多种深度学习模型的预测效果,验证该模型具有更高精度的短期负荷预测能力。 展开更多

关键词 时间卷积网络(tcn) 门限循环单元(GRU) 短期负荷预测 时序特征 深度学习

在线阅读 下载PDF 职称材料

融合共空间模式与脑网络特征的EEG抑郁识别 被引量：2

11

作者 王怡忻 朱湘茹 杨利军 《计算机工程与应用》 CSCD 北大核心 2022年第22期150-158,共9页

提出共空间模式算法和脑网络拓扑属性融合的脑电信号(electroencephalography,EEG)特征,结合深度学习模型时序卷积网络(temporal convolution network,TCN)对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分... 提出共空间模式算法和脑网络拓扑属性融合的脑电信号(electroencephalography,EEG)特征,结合深度学习模型时序卷积网络(temporal convolution network,TCN)对抑郁组和对照组进行分类。根据相位锁值构建电极通道间相位同步性功能网络,分析不同频段下两种类别的功能连接模式。采用多特征融合方法将共空间模式特征和脑网络拓扑特征结合起来,最后结合Fisher score特征选择方法和分类器依赖结构,得到低维高效的特征子集并应用TCN进行分类。在抑郁数据集上的实验结果验证了所提策略的有效性。 展开更多

关键词 抑郁识别 脑电信号(EEG) 共空间模式 时序卷积网络(tcn) 特征选择

在线阅读 下载PDF 职称材料

基于ResCNN-BiGRU的四川方言语音识别 被引量：4

12

作者 谢金洪 魏霞 《现代电子技术》 北大核心 2024年第1期89-93,共5页

由于基于深度卷积神经网络的语音识别模型中缺乏对特定方言音素特征的提取能力,造成方言发音底层特征部分信息丢失,进而导致方言识别准确率不高、鲁棒性差等问题。针对上述问题,提出一种结合残差网络(RestNet)和双向门控循环网络(BiGRU... 由于基于深度卷积神经网络的语音识别模型中缺乏对特定方言音素特征的提取能力,造成方言发音底层特征部分信息丢失,进而导致方言识别准确率不高、鲁棒性差等问题。针对上述问题,提出一种结合残差网络(RestNet)和双向门控循环网络(BiGRU)的模型,该模型以GFCC特征图为输入,同时在残差网络中设计多尺度卷积模块,通过不同大小的卷积核提取特征,然后使用双向门控循环网络捕捉序列数据中的长期依赖关系,最后采用连接时序分类算法进行标签软对齐,实现四川方言语音识别模型。在四川方言语料库上的实验结果表明,提出的模型识别性能优于现有基准模型。 展开更多

关键词 四川方言 音素特征 双向门控循环网络 多尺度卷积 连接时序分类 标签软对齐

在线阅读 下载PDF 职称材料