期刊文献+
共找到571篇文章
< 1 2 29 >
每页显示 20 50 100
融合多通道CNN-BiGRU与时间模式注意力机制的多工序工艺质量预测方法 被引量:2
1
作者 阴艳超 洪志敏 +2 位作者 顾文娟 唐军 易斌 《计算机集成制造系统》 北大核心 2025年第8期2905-2919,共15页
针对流程生产由于变量间耦合复杂、时序特征显著而导致工艺质量精准预测困难问题,提出了一种融合多通道CNN-BiGRU与时间模式注意力机制的多工序工艺质量预测方法。首先,搭建由卷积神经网络(CNN)与双向门控循环单元(BiGRU)组成的门控卷... 针对流程生产由于变量间耦合复杂、时序特征显著而导致工艺质量精准预测困难问题,提出了一种融合多通道CNN-BiGRU与时间模式注意力机制的多工序工艺质量预测方法。首先,搭建由卷积神经网络(CNN)与双向门控循环单元(BiGRU)组成的门控卷积网络,用于获取多工序生产过程工艺数据的非线性时间动态相关性,并将反映工艺参数时序变化规律的高维特征向量构成时间序列,分别输入到前向和后向传递的GRU网络,避免在训练工艺数据的长时间序列时的梯度消失或梯度爆炸问题;其次,引入时间模式注意力机制(TPA)为生产过程中的不同工序状态变量自适应分配注意力权重,动态获取不同工艺参数之间的关联耦合特征,通过全连接层获取最终工艺质量的预测结果;最后,利用某制丝产线五大工序的工艺数据集进行了工艺质量的预测实验。实验表明,相较于TCN-Attention和DA_BiLSTM等模型,CNN-BiGRU-TPA模型有效提高了预测精度,平均绝对误差(MAE)和均方根误差(RMSE)降低了21.36%和26.56%以上,为流程生产多工序质量精准预测提供了实现方法和途径。 展开更多
关键词 流程制造 时序特征预测 时间模式注意力机制 多工序耦合
在线阅读 下载PDF
基于Vondrak-Cepek组合滤波和注意力机制加权的时间比对融合算法
2
作者 刘强 孙浩冉 +1 位作者 胡邓华 张爽 《系统工程与电子技术》 北大核心 2025年第2期673-679,共7页
针对卫星双向时间频率传递(two-way satellite time and frequency transfer, TWSTFT)存在周日效应、短期稳定度不高的问题,通过引入基于注意力机制的Transformer权值矩阵,利用Vondrak-Cepek组合滤波的方法将中国科学院国家授时中心(Nat... 针对卫星双向时间频率传递(two-way satellite time and frequency transfer, TWSTFT)存在周日效应、短期稳定度不高的问题,通过引入基于注意力机制的Transformer权值矩阵,利用Vondrak-Cepek组合滤波的方法将中国科学院国家授时中心(National Time Service Center, NTSC)、德国物理技术研究院(Physikalisch-Technische Bundesanstalt, PTB)之间的TWSTFT和全球定位系统(Global Positioning System, GPS)P3码共视法的时间比对链路进行融合,分析融合前后链路的性能指标并与没有周日效应、短期稳定度高的GPS精密单点定位(GPS precise point positioning, GPS PPP)时间比对参考链路进行比较。结果表明,引入注意力机制权值的Vondrak-Cepek组合滤波融合方法与参考链路GPS PPP的标准差为0.310 9 ns,具有改善TWSTFT周日效应、提升链路整体稳定性的作用。 展开更多
关键词 Vondrak-Cepek组合滤波 注意力机制 时间比对 数据融合
在线阅读 下载PDF
基于前缀轨迹表示学习和注意力机制的业务流程绝对剩余时间预测方法
3
作者 田银花 庞孝文 +3 位作者 杨瑞敏 韩咚 王路 杜玉越 《计算机集成制造系统》 北大核心 2025年第5期1762-1778,共17页
剩余时间预测可以提升企业的风险应对能力,现有的预测方法存在轨迹刻画中语料库不丰富难以捕捉关键信息、应用的深度学习模型单一且通用性不足以及需要根据不同长度训练多个模型等问题。针对上述问题,提出一种基于前缀轨迹表示学习方法... 剩余时间预测可以提升企业的风险应对能力,现有的预测方法存在轨迹刻画中语料库不丰富难以捕捉关键信息、应用的深度学习模型单一且通用性不足以及需要根据不同长度训练多个模型等问题。针对上述问题,提出一种基于前缀轨迹表示学习方法和注意力机制的绝对剩余时间预测模型。首先,设计一种前缀轨迹表示学习方法获取表示向量,然后结合注意力机制提出PTr-Transformer模型。最后,该模型在5个真实事件日志中进行实验,结果表明针对大规模数据集可以有效提升剩余时间预测精度,最高可提升8.3%。 展开更多
关键词 剩余时间预测 业务流程管理 前缀轨迹 注意力机制 表示学习
在线阅读 下载PDF
基于时间同步递归注意力机制的编码器-解码器语音识别
4
作者 高亮 倪恒 《计算机应用与软件》 北大核心 2025年第10期198-205,共8页
为了保证语音识别的精度与实时性,提出一种基于时间同步递归注意力机制的编码器-解码器语音识别方法。引入无窗口注意机制,不需要多次训练从而节省模型准备时间;使用时间同步递归更新规则而不是基于核函数平滑器的公式来获得上下文向量... 为了保证语音识别的精度与实时性,提出一种基于时间同步递归注意力机制的编码器-解码器语音识别方法。引入无窗口注意机制,不需要多次训练从而节省模型准备时间;使用时间同步递归更新规则而不是基于核函数平滑器的公式来获得上下文向量,进一步通过调整与注意力端点决策相关的标量阈值来控制延迟和性能之间的权衡;通过实验验证该方法既保证了识别精度,也能够实现在线识别。 展开更多
关键词 语音识别 时间同步递归 注意力机制 编码器-解码器
在线阅读 下载PDF
基于图增强和注意力机制的时间序列不确定性预测 被引量:1
5
作者 门超杰 赵静 张楠 《华东师范大学学报(自然科学版)》 北大核心 2025年第1期82-96,共15页
为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;... 为提升对未来事件的预判能力并有效应对不确定性,提出了一种基于图增强和注意力机制的网络架构,用于多元时间序列的不确定性预测.通过引入隐含式图结构并结合图神经网络技术,捕捉各序列间相互依赖关系,从而建模时间序列之间的相互影响;运用注意力机制捕捉同一序列内的时序变化模式,以建模时间序列的动态演变规律;采用蒙特卡洛随机失活(Monte Carlo dropout)方法近似模型参数,并将预测序列建模为随机分布,以实现精确的时间序列不确定性预测.实验证明,该方法在保持较高预测精度的同时,还能进行可靠的不确定性估计,可以为决策任务提供置信度信息. 展开更多
关键词 不确定性 图增强 时间序列 注意力机制
在线阅读 下载PDF
基于动态图学习与注意力机制的多变量时间序列预测
6
作者 洪燚 申时凯 +4 位作者 佘玉梅 杨斌 代飞 王鉴潇 张力逸 《计算机科学》 北大核心 2025年第S1期680-687,共8页
多变量时间序列(MTS)预测因变量间复杂的时序依赖和动态相关性而具有挑战性。现有方法大多从单一维度考虑相关影响因素,而未充分考虑多源数据和特征随时间变化的复杂性,这限制了对复杂系统中动态依赖关系的真实反映。针对上述问题,提出... 多变量时间序列(MTS)预测因变量间复杂的时序依赖和动态相关性而具有挑战性。现有方法大多从单一维度考虑相关影响因素,而未充分考虑多源数据和特征随时间变化的复杂性,这限制了对复杂系统中动态依赖关系的真实反映。针对上述问题,提出了一种基于动态图神经网络(DGNN)的动态关系学习网络(DRLNet)。首先,通过动态更新图邻接矩阵来自适应地建模变量间随时间变化的相关性;然后,设计了一种注意力机制模块,聚焦于重要节点的连接及其随时间的演变;最后,通过评估这些节点与当前时间步的相关程度,引入门控机制选择性地结合历史依赖图。在3个多变量时间序列数据集上的实验结果表明,相较于目前主流的基线方法,DRLNet在预测准确度和稳定性方面表现更优异,能更好地捕捉时序数据中的重要模式和变化,实现多变量时间序列预测。 展开更多
关键词 多变量时间序列预测 时序依赖 注意力机制 动态更新图邻接矩阵 门控机制
在线阅读 下载PDF
基于自注意力机制的时间序列插补
7
作者 徐磊 曾艳 +5 位作者 袁俊峰 岳鲁鹏 殷昱煜 张纪林 薛梅婷 韩猛 《计算机工程》 北大核心 2025年第11期90-99,共10页
船舶轨迹数据作为海上交通的核心数据,可以用于轨迹预测、预警等任务,具有非常明显的时序特征,但海上环境恶劣、通信可靠性差等因素导致收集到的船舶轨迹数据普遍存在数据缺失的问题,对含有缺失数据的时间序列进行学习会严重影响时间序... 船舶轨迹数据作为海上交通的核心数据,可以用于轨迹预测、预警等任务,具有非常明显的时序特征,但海上环境恶劣、通信可靠性差等因素导致收集到的船舶轨迹数据普遍存在数据缺失的问题,对含有缺失数据的时间序列进行学习会严重影响时间序列分析的准确性。当前主流的解决方案是对缺失数据进行近似插补,主要基于卷积模型沿着时间轴对时间序列进行重塑,捕捉时间序列的局部特征,但对长时间序列的全局特征捕捉能力较弱。Transformer模型通过其核心的自注意力机制来捕获时间序列各个时间点之间的关系,从而增强模型对时间序列全局特征的捕捉能力,但注意力机制是通过矩阵乘计算得到的,导致其忽视了时间序列自身的时序性,得到的全局特征权重不具有时间跨度依赖性。因此,针对长时间序列全局特征捕捉的问题,提出一种基于自注意力机制的变体网络GANet。GANet首先通过自注意力机制获得基础的时间序列点之间的全局特征权重矩阵,再使用门控循环单元在时间轴上对全局特征权重矩阵进行遗忘与更新,从而得到具有时间跨度依赖性的全局特征权重矩阵;然后使用该矩阵进行数据重构,对缺失数据进行插补。GANet通过结合自注意力机制与门控机制实现了在捕捉全局特征的同时考虑时间跨度对各个时间点的影响,使得捕获到的全局特征具有时间跨度依赖性。实验结果表明,与现有Autoformer、Informer等模型相比,GANet对于Trajectory、ETT、Electricity数据集具有较好的插补效果。 展开更多
关键词 注意力机制 门控循环单元 全局特征捕捉 时间跨度依赖性 时间序列插补
在线阅读 下载PDF
基于多重注意力机制和空间变换网络的换衣行人重识别
8
作者 李鹏辉 王洪元 +1 位作者 张继 陈海琴 《南京大学学报(自然科学版)》 北大核心 2025年第2期202-213,共12页
换衣行人重识别(Cloth-Changing Person Re-Identification,CC Re-ID)技术旨在监控视频或图像中针对同一行人在长时间跨度中进行识别,现有方法主要利用多模态信息来建模体型以减轻服装的影响,但其泛化能力差且需大量额外工作,而且,仅利... 换衣行人重识别(Cloth-Changing Person Re-Identification,CC Re-ID)技术旨在监控视频或图像中针对同一行人在长时间跨度中进行识别,现有方法主要利用多模态信息来建模体型以减轻服装的影响,但其泛化能力差且需大量额外工作,而且,仅利用RGB图像的方法无法充分提取与服装无关的信息.针对以上问题,提出一种基于多重注意力机制和空间变换网络的换衣行人重识别方法,通过在主干网络中融入CBAM(Convolutional Block Attention Module)和STN(Spatial Transformer Network,STN)模块,分别提升网络对于不同通道和空间位置重要性的感知能力以及对于不同角度图像的适应能力.为了进一步提高网络对行人细粒度特征的提取能力,融入三重注意力机制来关注不同维度上的信息,引入一个自适应特征提取模块来学习特征中不同区域的重要性.此外,还采用服装分类损失和服装对抗损失等多种损失函数来引导模型学习与服装无关的信息.在四个换衣行人重识别数据集(LTCC,PRCC,VC-Clothes和DeepChange)上进行了大量实验,实验结果表明,提出的方法的Rank-1和mAP指标优于一些先进的换衣行人重识别方法. 展开更多
关键词 换衣行人重识别 基于服装的对抗性损失 三重注意力机制 空间变换网络 自适应特征提取
在线阅读 下载PDF
时间嵌入和注意力机制的超短期风速预测混合模型研究
9
作者 田建辉 黄国勇 +1 位作者 邓为权 刘发炳 《太阳能学报》 北大核心 2025年第10期746-752,共7页
提出一种基于无人机搭载测风的超短期风速预测混合模型,该模型首先融合Time2Vec时间嵌入层对复杂非线性时间信息进行表征,其次采用宽深度卷积神经网络(WDCNN),能够在风速特征准确提取的同时进一步降低高频噪声的影响,在准确特征表征的... 提出一种基于无人机搭载测风的超短期风速预测混合模型,该模型首先融合Time2Vec时间嵌入层对复杂非线性时间信息进行表征,其次采用宽深度卷积神经网络(WDCNN),能够在风速特征准确提取的同时进一步降低高频噪声的影响,在准确特征表征的基础上,结合双向门控单元(BiGRU)与注意力机制实现短期风速的准确预测。使用无人机搭载在5~25 m获取的风速数据进行验证,所提混合模型在各高度层上对风速预测的准确性均优于对比方法,在风速波动性最大的25 m高度层,该模型风速预测的E_(MAE)、E_(RMSE)和E_(MSE)分别为0.1455、0.4124和0.1700 m/s,相较于对比模型分别降低45%、25%和43%以上。 展开更多
关键词 风电 风速 神经网络 时间序列 Time2Vec 注意力机制 无人机搭载测风
在线阅读 下载PDF
多尺度通道注意力机制空调启停时间预测研究
10
作者 王华秋 谭佳豪 《重庆理工大学学报(自然科学)》 北大核心 2025年第3期66-74,共9页
为了降低生产车间的空调能耗,构建了一种基于数据分解的通道注意力机制空调启停时间预测模型FDCANet。该模型将输入数据分解为周期性特征与趋势性特征。通过改进通道注意力机制对细节特征进行更深层次的学习,通过特征融合的方式融合内... 为了降低生产车间的空调能耗,构建了一种基于数据分解的通道注意力机制空调启停时间预测模型FDCANet。该模型将输入数据分解为周期性特征与趋势性特征。通过改进通道注意力机制对细节特征进行更深层次的学习,通过特征融合的方式融合内部特征得到预测结果。结果表明:该方法较多个预测模型在多个评价指标上都有更小的误差准确率,MSE、MAE和MAPE平均降低16.67%、5.29%、20.15%,展现出较好的优势,从而更好地预测车间内空调启停时间。使用预测结果后,车间的能耗明显降低,为节能优化提供了有力支撑。 展开更多
关键词 空调启停时间 数据分解 通道注意力机制 预测模型 节能优化
在线阅读 下载PDF
融合空间自注意力感知的严重缺失多元时间序列插补算法
11
作者 刘辉 冯浩然 +2 位作者 马佳妮 郑红党 张林 《电子与信息学报》 北大核心 2025年第10期3917-3928,共12页
多元时间序列应用广泛,但极易发生缺失,影响相关规律的有效挖掘。已有插补方法大多面向低缺失率场景设计,应用至高缺失率场景通常面临梯度消失、时空依赖关系建模不足、复杂非线性特征表征困难等难题。该文提出一种融合空间自注意力感... 多元时间序列应用广泛,但极易发生缺失,影响相关规律的有效挖掘。已有插补方法大多面向低缺失率场景设计,应用至高缺失率场景通常面临梯度消失、时空依赖关系建模不足、复杂非线性特征表征困难等难题。该文提出一种融合空间自注意力感知的严重缺失多元时间序列插补算法(SSAImpute)。该算法采用双分支孪生结构,分别设计了空间自注意力感知和时域自注意力编码模块。其中,空间自注意力感知模块通过融合数据源位置等空间信息增强序列的相关性建模能力;时域自注意力编码模块设计了掩码自适应自注意力机制有效捕获时间层面的时间前后依赖性和特征相关性,避免了梯度消失现象。孪生分支之间通过动态加权融合,优化最终的插补输出。实现结果表明,与7个现有时间序列插补模型对比,该文所提方法在Inter-Sensor的4个子数据集均能有效提升严重缺失场景下的多元时间序列插补精度,在PeMS 3个子数据集的插补结果RMSE比次优方法分别提升4.1%,6.7%和4.7%。该算法有望为严重缺失场景下的多元时间序列提供更准确的解决方案,进而为下游基于数据驱动的分析和决策任务提供更可靠的数据基础。 展开更多
关键词 深度学习 多元时间序列 注意力机制 数据插补 严重缺失数据
在线阅读 下载PDF
基于分段注意力机制的时间序列预测模型
12
作者 王慧斌 胡展傲 +2 位作者 胡节 徐袁伟 文博 《计算机应用》 北大核心 2025年第7期2262-2268,共7页
针对时间序列分段后存在因采样间隔增大而导致的长期预测过程中局部依赖关系丢失的情况,提出一种基于分段注意力机制的时间序列预测模型(SAMformer)。首先,显式地将时间静态协变量与原始数据按比例融合,以增强数据的时域信息表征能力;其... 针对时间序列分段后存在因采样间隔增大而导致的长期预测过程中局部依赖关系丢失的情况,提出一种基于分段注意力机制的时间序列预测模型(SAMformer)。首先,显式地将时间静态协变量与原始数据按比例融合,以增强数据的时域信息表征能力;其次,同时引入两个连续的带偏置的线性层和一个激活函数来微调融合数据,从而提高模型对非线性数据的拟合能力;然后,在分段序列的每个段内引入点积注意力机制,以便捕获局部特征依赖关系;最后,利用跨尺度依赖的编码器-解码器架构预测时序数据。所提模型在公开的5个时间序列数据集上的实验结果表明,相较于Crossformer、 Pyraformer和Informer等其他监督学习时序预测模型,SAMformer的均方误差(MSE)和平均绝对误差(MAE)分别降低了2.0%~62.0%和0.9%~49.8%。此外,通过消融实验验证了所提不同组件的完备性和有效性,进一步说明了融合时域信息和段内注意力机制有助于提高时间序列预测的精度。 展开更多
关键词 深度神经网络 时间序列预测 时域信息融合 编码器-解码器架构 注意力机制
在线阅读 下载PDF
基于特征交叉注意力机制融合的轴承故障诊断方法 被引量:1
13
作者 赵国超 刘崇德 +2 位作者 宋宇宁 金鑫 李伟华 《振动与冲击》 北大核心 2025年第12期228-237,共10页
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo... 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。 展开更多
关键词 滚动轴承 故障诊断 双向时间卷积网络(BiTCN) 时频融合 交叉注意力机制(CA)
在线阅读 下载PDF
基于注意力时间卷积神经网络的光伏功率概率预测 被引量:1
14
作者 李青 《太阳能学报》 北大核心 2025年第2期326-332,共7页
针对确定性光伏功率预测无法计算预测结果概率和波动范围的问题,采用改进时间卷积神经网络(TCNN)开展光伏功率概率预测。TCNN已用于各种时序预测任务,但其在输入序列很长情况下需增加卷积层来提升预测性能。在TCNN中引入稀疏注意力机制... 针对确定性光伏功率预测无法计算预测结果概率和波动范围的问题,采用改进时间卷积神经网络(TCNN)开展光伏功率概率预测。TCNN已用于各种时序预测任务,但其在输入序列很长情况下需增加卷积层来提升预测性能。在TCNN中引入稀疏注意力机制,构建注意力时间卷积神经网络(ATCNN),通过分层卷积结构提取时间依赖关系,利用稀疏注意力关注重要的时间步,构建的稀疏注意力层无需更深的架构即可扩展感受野,并使预测结果更具可解释性。在两个光伏数据集上的功率概率预测结果表明,ATCNN的预测准确性优于TCNN、时间融合解码器(TFT)等先进深度学习模型,同时对于感受野的扩展,ATCNN比TCNN需要的卷积层更少、训练速度更快,并能可视化预测过程中最重要的时间步。同卷积层情况下,ATCNN比TCNN的点预测损失小15.7%,概率预测损失小15.9%。 展开更多
关键词 光伏功率 预测 时间卷积网络 稀疏注意力机制 可解释性
在线阅读 下载PDF
融合邻域注意力和状态空间模型的医学视频分割算法
15
作者 丁建睿 张听 +1 位作者 刘家栋 宁春平 《电子与信息学报》 北大核心 2025年第5期1582-1595,共14页
在医学影像分析领域,精准分割视频中的病灶对于疾病的早期诊断和治疗至关重要。该文创新性地提出一种融合邻域注意力机制与状态空间模型的算法,旨在全面而精细地捕捉医学视频中的时空特征,从而对视频中的病灶进行准确分割。该算法通过... 在医学影像分析领域,精准分割视频中的病灶对于疾病的早期诊断和治疗至关重要。该文创新性地提出一种融合邻域注意力机制与状态空间模型的算法,旨在全面而精细地捕捉医学视频中的时空特征,从而对视频中的病灶进行准确分割。该算法通过两阶段的精心设计,显著提升了分割性能:第1阶段,通过深度卷积网络捕获低层次的空间语义信息,并借助邻域注意力机制,挖掘相邻帧间的局部时序语义关联。第2阶段,引入状态空间模型来捕捉全面的时序信息,并再次应用邻域注意力模块,进一步增强对局部时序特征的敏感度。该方法不仅有效整合了视频中丰富的时序信息,而且在局部和全局层面上实现了空间与时间特征的协同优化。相较于使用具有2次计算复杂度的自注意力机制,该文采用了具有线性计算复杂度的状态空间模型,显著提升了模型的训练效率和推理速度。所提算法在甲状腺超声视频数据集以及结肠息肉视频数据集CVC-ClinicDB和CVC-ColonDB上的交并比(IOU)指标分别达到了72.7%,82.3%和72.5%,相比该文的基线模型Vivim分别提高了5.7%,1.7%和5.5%。此外,消融实验进一步揭示了邻域注意力模块和状态空间模型在提取时序信息中发挥的关键作用。 展开更多
关键词 医学视频分割 邻域注意力机制 状态空间模型
在线阅读 下载PDF
基于多维注意力机制的高速公路交通流量预测方法
16
作者 虞安军 励英迪 +5 位作者 杨哲懿 付崇宇 童蔚苹 余佳 刘云海 刘志远 《汽车安全与节能学报》 北大核心 2025年第3期463-469,共7页
为了实现精准的交通流量预测,提高高速公路智慧管理水平,该文构建了一种基于多维注意力机制的交通流量预测模型,并在樟吉高速公路真实交通数据集上开展对比实验,以验证模型的准确性及预测精度。模型基于图神经网络(GNN)和时间卷积网络(T... 为了实现精准的交通流量预测,提高高速公路智慧管理水平,该文构建了一种基于多维注意力机制的交通流量预测模型,并在樟吉高速公路真实交通数据集上开展对比实验,以验证模型的准确性及预测精度。模型基于图神经网络(GNN)和时间卷积网络(TCN)提取交通流空间和时间维度的特征,结合多维注意力机制挖掘时空数据中的关键信息,同时引入多任务学习架构,通过基于同方差不确定性的损失函数来平衡不同任务共同学习,以提高模型的泛化能力和鲁棒性。结果表明:该模型在测试集上的均方根误差(RMSE)和平均绝对误差(MAE)分别为7.467和5.133,相较基准模型有更好的预测精度;提出的该交通流量预测方法可有效地挖掘交通流的时空特性,描述真实交通运行状态,对高速公路交通流量做出精准预测。 展开更多
关键词 交通流预测 图神经网络(GNN) 时间卷积网络(TCN) 多维注意力机制
在线阅读 下载PDF
基于主体注意力与多空间域信息协同的多模态情感分析
17
作者 冯广 林忆宝 +4 位作者 钟婷 郑润庭 黄俊辉 刘天翔 杨燕茹 《计算机科学》 北大核心 2025年第S2期271-279,共9页
多模态情感分析在智慧教育中具有重要应用价值,例如通过分析学生的语言、表情和语调等多模态信息,来评估课堂参与度和情感状态,从而辅助教师实时调整教学策略。然而,现有多模态情感分析领域中,跨模态注意力机制对于异构模态间的关联捕... 多模态情感分析在智慧教育中具有重要应用价值,例如通过分析学生的语言、表情和语调等多模态信息,来评估课堂参与度和情感状态,从而辅助教师实时调整教学策略。然而,现有多模态情感分析领域中,跨模态注意力机制对于异构模态间的关联捕捉不够充分,并且对共享空间与私有空间的信息协同并未进行深入探索,存在跨模态融合学习受限且多空间域信息协同不充分的问题。针对这些问题,文中提出了基于主体注意力融合多空间域异构模态的多模态情感分析模型,该模型通过主体注意力机制,对两个空间域中的异构模态分别进行充分融合,以解决跨模态融合学习受限的问题。然后,利用门控机制补充共享空间域异构模态融合向量的模态独立性,以实现私有空间与共享空间信息的协同,有效解决多空间域信息协同不充分的问题。实验结果表明,该模型在公共数据集MOSI和MOSEI上的得分整体都有提高,说明该方法可以充分捕捉多模态异构信息间的潜在关系并有效协同不同空间域的异构融合信息。 展开更多
关键词 多模态情感分析 主体注意力 空间 门控机制 智慧教育
在线阅读 下载PDF
基于Inception-BiGRU和注意力机制的频谱感知方法研究
18
作者 殷晓虎 张安熠 +1 位作者 张珂珂 田冲 《电子测量技术》 北大核心 2025年第6期90-98,共9页
频谱感知是缓解频谱资源短缺的关键技术之一,其中智能频谱感知已成为当前研究的热点方向。针对现有频谱感知方法对信号特征提取不充分以及在低信噪比下频谱感知效果不佳的问题,提出一种由Inception模块、双向门控循环单元、时间注意力... 频谱感知是缓解频谱资源短缺的关键技术之一,其中智能频谱感知已成为当前研究的热点方向。针对现有频谱感知方法对信号特征提取不充分以及在低信噪比下频谱感知效果不佳的问题,提出一种由Inception模块、双向门控循环单元、时间注意力机制和全连接层网络组成的频谱感知混合模型。首先,Inception模块对接收到的I/Q信号进行多尺度空间特征的提取;然后,采用双向门控循环单元获取信号的时间序列特征,并通过时间注意力机制强化重要时序特征;最后,全连接层网络将提取到的特征映射到频谱状态的分类空间完成分类识别。实验结果表明,本文方法与多种现有频谱感知方法相比显著提升了感知性能,模型的整体检测准确率达到84.55%,当信噪比为-20 dB时,该方法的感知误差为24%;且对多种调制类型的无线电信号具有较好的适应性。所提方法无需依赖任何先验信息,在低信噪比和复杂无线电环境下展现出较强的鲁棒性,实现了感知性能与模型复杂度的有效平衡,为智能频谱感知提供了一种新的解决方案。 展开更多
关键词 频谱感知 深度学习 Inception模块 双向门控循环单元 时间注意力机制
在线阅读 下载PDF
结合倒残差自注意力机制的遥感图像目标检测
19
作者 赵文清 赵振寰 巩佳潇 《智能系统学报》 北大核心 2025年第1期64-72,共9页
针对遥感图像目标检测存在背景信息干扰严重、待检测目标尺寸差异大等问题,提出一种结合倒残差自注意力机制的目标检测方法。首先,使用具有强特征提取能力的倒残差自注意力机制骨干网络充分提取目标特征,降低复杂背景信息的干扰;其次,... 针对遥感图像目标检测存在背景信息干扰严重、待检测目标尺寸差异大等问题,提出一种结合倒残差自注意力机制的目标检测方法。首先,使用具有强特征提取能力的倒残差自注意力机制骨干网络充分提取目标特征,降低复杂背景信息的干扰;其次,构造多尺度空间金字塔池化模块,提供多尺度感受野,增强捕捉不同尺寸目标的能力;最后,提出轻量级特征融合模块,对骨干网络提取的特征图进行融合,充分结合低层与高层特征,提高网络对不同尺寸目标的检测能力。与传统网络及其他改进目标检测算法进行对比,实验发现该方法的检测精度明显优于其他算法。此外,在DIOR数据集和RSOD数据集上设计消融实验,结果表明,该方法在DIOR数据集与RSOD数据集上的平均精度均值比YOLOv8算法分别提升4.6和4.2百分点,明显提升遥感图像目标检测的精度。 展开更多
关键词 遥感图像 目标检测 倒残差 注意力机制 多尺度 空间金字塔 特征提取 特征融合
在线阅读 下载PDF
结合时间注意力机制和单模态标签自动生成策略的自监督多模态情感识别 被引量:1
20
作者 孙强 王姝玉 《电子与信息学报》 EI CAS CSCD 北大核心 2024年第2期588-601,共14页
大多数多模态情感识别方法旨在寻求一种有效的融合机制,构建异构模态的特征,从而学习到具有语义一致性的特征表示。然而,这些方法通常忽略了模态间情感语义的差异性信息。为解决这一问题,提出了一种多任务学习框架,联合训练1个多模态任... 大多数多模态情感识别方法旨在寻求一种有效的融合机制,构建异构模态的特征,从而学习到具有语义一致性的特征表示。然而,这些方法通常忽略了模态间情感语义的差异性信息。为解决这一问题,提出了一种多任务学习框架,联合训练1个多模态任务和3个单模态任务,分别学习多模态特征间的情感语义一致性信息和各个模态所含情感语义的差异性信息。首先,为了学习情感语义一致性信息,提出了一种基于多层循环神经网络的时间注意力机制(TAM),通过赋予时间序列特征向量不同的权重来描述情感特征的贡献度。然后,针对多模态融合,在语义空间进行了逐语义维度的细粒度特征融合。其次,为了有效学习各个模态所含情感语义的差异性信息,提出了一种基于模态间特征向量相似度的自监督单模态标签自动生成策略(ULAG)。通过在CMU-MOSI,CMU-MOSEI, CH-SIMS 3个数据集上的大量实验结果证实,提出的TAM-ULAG模型具有很强的竞争力:在分类指标(Acc_(2),F_(1))和回归指标(MAE, Corr)上与基准模型的指标相比均有所提升;对于二分类识别准确率,在CMUMOSI和CMU-MOSEI数据集上分别为87.2%和85.8%,而在CH-SIMS数据集上达到81.47%。这些研究结果表明,同时学习多模态间的情感语义一致性信息和各模态情感语义的差异性信息,有助于提高自监督多模态情感识别方法的性能。 展开更多
关键词 多模态情感识别 自监督标签生成 多任务学习 时间注意力机制 多模态融合
在线阅读 下载PDF
上一页 1 2 29 下一页 到第
使用帮助 返回顶部