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
3
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
神经网络化简非多项式混合布尔算术表达式
被引量：
1
1
作者
刘彬彬
凤维杰
+1 位作者
郑启龙
李京
《小型微型计算机系统》
CSCD
北大核心
2023年第3期449-455,共7页
混合布尔算术表达式是指混合使用了位运算符和算术运算符的表达式,其是一种先进的软件混淆技术.现有的反混淆方法虽然能够化简特定类型的混合布尔算术表达式,但是对非多项式混合布尔算术表达式仅有有限的化简效果.本文提出一种字符串到...
混合布尔算术表达式是指混合使用了位运算符和算术运算符的表达式,其是一种先进的软件混淆技术.现有的反混淆方法虽然能够化简特定类型的混合布尔算术表达式,但是对非多项式混合布尔算术表达式仅有有限的化简效果.本文提出一种字符串到字符串的解决方案NeuSim,它通过神经网络来学习和化解非多项式混合布尔算术表达式.首先,本文分别构建基于序列到序列架构和图序列架构的神经网络模型.其次,本文生成一个大规模的非多项式混合布尔算术表达式数据集,它包含一百万个形式多样的表达式样本.在数据集上训练之后,NeuSim可以将一个非多项式混合布尔算术表达式化简为等价的简单表达式.实验结果表明,NeuSim的化简正确率是已有方法的8倍,并且其化简时间低于0.01秒.
展开更多
关键词
混合布尔算术表达式
表达式化简
序列到序列神经网络
图
序列
神经网络
在线阅读
下载PDF
职称材料
基于物理信息嵌入的非固定长度电力系统暂态稳定快速评估
2
作者
李湘
陈思远
+3 位作者
张俊
柯德平
高杰迈
杨欢欢
《上海交通大学学报》
北大核心
2025年第7期962-970,I0002,共10页
在双碳目标下,构建以新能源为主体的新型电力系统是实现电力工业转型升级的主要方向和关键途径,新型电力系统背景下快速准确的暂态功角稳定评估研究具有重要意义.为此,基于物理信息嵌入序列到序列(PI-seq2seq)神经网络与级联卷积神经网...
在双碳目标下,构建以新能源为主体的新型电力系统是实现电力工业转型升级的主要方向和关键途径,新型电力系统背景下快速准确的暂态功角稳定评估研究具有重要意义.为此,基于物理信息嵌入序列到序列(PI-seq2seq)神经网络与级联卷积神经网络模型提出一种含构网型新能源的新型电力系统暂态功角稳定评估方法.首先,采用PI-seq2seq网络结构预测未来功角轨迹,通过构造含物理损失项的损失函数引导模型训练过程,避免时域仿真耗时过长影响快速暂态评估.其次,级联卷积神经网络以预测的功角轨迹作为输入评估暂态稳定情况及其置信度,并配置评估置信度阈值判断机制以实现非固定评估长度的暂态稳定判断,克服了固定功角曲线长度对评估结果的影响.最后,在Kundur系统中进行验证,仿真结果表明:所提方法在功角曲线预测与稳定评估方法均获得令人满意的结果.
展开更多
关键词
构网型新能源
物理信息嵌入
序列到序列神经网络
功角轨迹预测
级联卷积
神经网络
暂态功角稳定评估
在线阅读
下载PDF
职称材料
基于S2S-CNN-GRU的机场离港航班延误预测
被引量：
6
3
作者
李善梅
周相志
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第8期93-100,共8页
为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状...
为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。
展开更多
关键词
序列到
序列
(S2S)-卷积
神经网络
(CNN)-门控循环单元(GRU)模型
离港航班
延误预测
神经网络
特征提取
在线阅读
下载PDF
职称材料
题名
神经网络化简非多项式混合布尔算术表达式
被引量：
1
1
作者
刘彬彬
凤维杰
郑启龙
李京
机构
中国科学技术大学计算机科学与技术学院
中国科学技术大学安徽省高性能计算重点实验室
出处
《小型微型计算机系统》
CSCD
北大核心
2023年第3期449-455,共7页
基金
国家核高基重大专项项目(2012ZX01034-001-001)资助。
文摘
混合布尔算术表达式是指混合使用了位运算符和算术运算符的表达式,其是一种先进的软件混淆技术.现有的反混淆方法虽然能够化简特定类型的混合布尔算术表达式,但是对非多项式混合布尔算术表达式仅有有限的化简效果.本文提出一种字符串到字符串的解决方案NeuSim,它通过神经网络来学习和化解非多项式混合布尔算术表达式.首先,本文分别构建基于序列到序列架构和图序列架构的神经网络模型.其次,本文生成一个大规模的非多项式混合布尔算术表达式数据集,它包含一百万个形式多样的表达式样本.在数据集上训练之后,NeuSim可以将一个非多项式混合布尔算术表达式化简为等价的简单表达式.实验结果表明,NeuSim的化简正确率是已有方法的8倍,并且其化简时间低于0.01秒.
关键词
混合布尔算术表达式
表达式化简
序列到序列神经网络
图
序列
神经网络
Keywords
Mixed Boolean-Arithmetic expression
expression simplification
sequence-to-sequence neural network
graph-to-sequence neural network
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
基于物理信息嵌入的非固定长度电力系统暂态稳定快速评估
2
作者
李湘
陈思远
张俊
柯德平
高杰迈
杨欢欢
机构
武汉大学电气与自动化学院
南方电网有限责任公司
出处
《上海交通大学学报》
北大核心
2025年第7期962-970,I0002,共10页
基金
南方电网有限责任公司科技项目(0000002022030101XT00031)。
文摘
在双碳目标下,构建以新能源为主体的新型电力系统是实现电力工业转型升级的主要方向和关键途径,新型电力系统背景下快速准确的暂态功角稳定评估研究具有重要意义.为此,基于物理信息嵌入序列到序列(PI-seq2seq)神经网络与级联卷积神经网络模型提出一种含构网型新能源的新型电力系统暂态功角稳定评估方法.首先,采用PI-seq2seq网络结构预测未来功角轨迹,通过构造含物理损失项的损失函数引导模型训练过程,避免时域仿真耗时过长影响快速暂态评估.其次,级联卷积神经网络以预测的功角轨迹作为输入评估暂态稳定情况及其置信度,并配置评估置信度阈值判断机制以实现非固定评估长度的暂态稳定判断,克服了固定功角曲线长度对评估结果的影响.最后,在Kundur系统中进行验证,仿真结果表明:所提方法在功角曲线预测与稳定评估方法均获得令人满意的结果.
关键词
构网型新能源
物理信息嵌入
序列到序列神经网络
功角轨迹预测
级联卷积
神经网络
暂态功角稳定评估
Keywords
grid-forming new energy
physics-informed sequence-to-sequence(PI-seq2seq)neural networks
power angle trajectory prediction
cascade convolutional neural networks
transient power angle stability assessment
分类号
TM712 [电气工程—电力系统及自动化]
TP183 [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
基于S2S-CNN-GRU的机场离港航班延误预测
被引量：
6
3
作者
李善梅
周相志
机构
中国民航大学空中交通管理学院
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2023年第8期93-100,共8页
基金
国家自然科学基金资助(78101215)
天津市自然科学基金资助(21JCZDJC00780)
+1 种基金
中央高校基本科研业务费专项资金资助(312202YY02,3122019129)
民航安全能力建设资金项目(SKZ49420220027)。
文摘
为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。
关键词
序列到
序列
(S2S)-卷积
神经网络
(CNN)-门控循环单元(GRU)模型
离港航班
延误预测
神经网络
特征提取
Keywords
sequence to sequence(S2S)-convolutional neural network(CNN)-gate recurrent unit(GRU)(S2S-CNN-GRU)model
departure flight
delay prediction
neural network
feature extraction
分类号
X949 [环境科学与工程—安全科学]
V355.1 [航空宇航科学与技术—人机与环境工程]
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
神经网络化简非多项式混合布尔算术表达式
刘彬彬
凤维杰
郑启龙
李京
《小型微型计算机系统》
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
2
基于物理信息嵌入的非固定长度电力系统暂态稳定快速评估
李湘
陈思远
张俊
柯德平
高杰迈
杨欢欢
《上海交通大学学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于S2S-CNN-GRU的机场离港航班延误预测
李善梅
周相志
《中国安全科学学报》
CAS
CSCD
北大核心
2023
6
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
