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
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
针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Lon...针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。展开更多
针对现有多维时间序列数据(multivariate time series,MTS)预测中变量间依赖关系捕获能力不足和时间序列数据多通道信息利用不充分的问题,提出一种融合双注意力机制的多维时间序列预测模型(feature fusion and dual attention mechanism...针对现有多维时间序列数据(multivariate time series,MTS)预测中变量间依赖关系捕获能力不足和时间序列数据多通道信息利用不充分的问题,提出一种融合双注意力机制的多维时间序列预测模型(feature fusion and dual attention mechanism based GNN,FFDA-GNN)。该模型将图神经网络与空间注意力机制融合,用于增强多变量之间依赖关系捕获能力;利用并行的多层膨胀卷积和通道注意力机制,对时间序列数据进行多通道的特征提取,实现对时间序列数据多通道信息的充分利用,从而提升预测性能。在经济、电力、交通3个领域数据集上与基准模型进行对比实验,该模型预测精度优于其他基准方法,有良好的可行性。展开更多
文摘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。
文摘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.
文摘针对航空发动机剩余使用寿命(RUL)预测方法空间特征提取不充分、时间特征利用不充分,导致RUL预测准确性较低的问题,提出一种融合注意力机制的时空图卷积网络模型GCNBL-A3T(Graph Convolutional Network combined with Bidirectional Long short-term memory and ATTenTion mechanism)。首先,使用一维卷积神经网络(1D-CNN)提取初始特征;其次,依次使用图卷积网络(GCN)和双向长短期记忆(Bi-LSTM)网络分别提取空间特征和时间特征;再次,利用自注意力机制处理特征并重新分配权重;最后,输入全连接网络获得RUL预测结果。使用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提模型的有效性。实验结果显示,与先进模型相比,所提模型的Score分数在3个数据子集上取得最小值,在1个数据子集上取得次小值;均方根误差(RMSE)在1个数据子集上取得最小值,在3个数据子集上取得次小值。消融实验结果也验证了所提模型的各模块能有效提升预测精度。
文摘针对现有多维时间序列数据(multivariate time series,MTS)预测中变量间依赖关系捕获能力不足和时间序列数据多通道信息利用不充分的问题,提出一种融合双注意力机制的多维时间序列预测模型(feature fusion and dual attention mechanism based GNN,FFDA-GNN)。该模型将图神经网络与空间注意力机制融合,用于增强多变量之间依赖关系捕获能力;利用并行的多层膨胀卷积和通道注意力机制,对时间序列数据进行多通道的特征提取,实现对时间序列数据多通道信息的充分利用,从而提升预测性能。在经济、电力、交通3个领域数据集上与基准模型进行对比实验,该模型预测精度优于其他基准方法,有良好的可行性。
