当前存在着大量的语言知识和情感资源,但在基于深度学习的情感分析研究中,这些特有的情感信息,没有在情感分析任务中得到充分利用。针对以上问题,该文提出了一种基于多通道双向长短期记忆网络的情感分析模型(multi-channels bidirection...当前存在着大量的语言知识和情感资源,但在基于深度学习的情感分析研究中,这些特有的情感信息,没有在情感分析任务中得到充分利用。针对以上问题,该文提出了一种基于多通道双向长短期记忆网络的情感分析模型(multi-channels bidirectional long short term memory network,Multi-Bi-LSTM),该模型对情感分析任务中现有的语言知识和情感资源进行建模,生成不同的特征通道,让模型充分学习句子中的情感信息。与CNN相比,该模型使用的Bi-LSTM考虑了词序列之间依赖关系,能够捕捉句子的上下文语义信息,使模型获得更多的情感信息。最后在中文COAE2014数据集、英文MR数据集和SST数据集进行实验,取得了比普通Bi-LSTM、结合情感序列特征的卷积神经网络以及传统分类器更好的性能。展开更多
双有源桥变换器因其优异的功率密度和双向功率传输能力,在众多工业应用中得到广泛关注。随着电力电子设备对能效和可靠性要求的不断提高,双有源桥变换器的电流应力已成为衡量其性能的关键指标之一。过大的电流应力不仅会导致功率器件损...双有源桥变换器因其优异的功率密度和双向功率传输能力,在众多工业应用中得到广泛关注。随着电力电子设备对能效和可靠性要求的不断提高,双有源桥变换器的电流应力已成为衡量其性能的关键指标之一。过大的电流应力不仅会导致功率器件损耗增加,系统效率下降,还会影响变换器的可靠性和使用寿命。针对上述问题,提出了一种基于TabNet-LN-LSTM协同预测与粒子群优化的电流应力优化方法。该方法通过利用TabNet和层归一化长短期记忆神经网络(Long-short term memory neural network with layer normalization,LN-LSTM)协同构建电感电流时序预测模型,并结合粒子群优化算法对双有源桥变换器在不同运行工况下的电流应力进行优化。通过算法试验和硬件试验证明,所提方法不仅能够精确预测电感电流波形,其预测波形与硬件实测波形相比,其平均绝对误差仅为0.3525,决定系数高达97.17%;同时,能够有效降低双有源桥变换器的电流应力,进一步提升系统的整体效能和可靠性。展开更多
文摘当前存在着大量的语言知识和情感资源,但在基于深度学习的情感分析研究中,这些特有的情感信息,没有在情感分析任务中得到充分利用。针对以上问题,该文提出了一种基于多通道双向长短期记忆网络的情感分析模型(multi-channels bidirectional long short term memory network,Multi-Bi-LSTM),该模型对情感分析任务中现有的语言知识和情感资源进行建模,生成不同的特征通道,让模型充分学习句子中的情感信息。与CNN相比,该模型使用的Bi-LSTM考虑了词序列之间依赖关系,能够捕捉句子的上下文语义信息,使模型获得更多的情感信息。最后在中文COAE2014数据集、英文MR数据集和SST数据集进行实验,取得了比普通Bi-LSTM、结合情感序列特征的卷积神经网络以及传统分类器更好的性能。
文摘双有源桥变换器因其优异的功率密度和双向功率传输能力,在众多工业应用中得到广泛关注。随着电力电子设备对能效和可靠性要求的不断提高,双有源桥变换器的电流应力已成为衡量其性能的关键指标之一。过大的电流应力不仅会导致功率器件损耗增加,系统效率下降,还会影响变换器的可靠性和使用寿命。针对上述问题,提出了一种基于TabNet-LN-LSTM协同预测与粒子群优化的电流应力优化方法。该方法通过利用TabNet和层归一化长短期记忆神经网络(Long-short term memory neural network with layer normalization,LN-LSTM)协同构建电感电流时序预测模型,并结合粒子群优化算法对双有源桥变换器在不同运行工况下的电流应力进行优化。通过算法试验和硬件试验证明,所提方法不仅能够精确预测电感电流波形,其预测波形与硬件实测波形相比,其平均绝对误差仅为0.3525,决定系数高达97.17%;同时,能够有效降低双有源桥变换器的电流应力,进一步提升系统的整体效能和可靠性。
