-
题名基于超参数优化的重质碳酸钙粉体粒度预测研究
- 1
-
-
作者
黄何
邹帅
杨靖
黄福川
-
机构
广西大学机械工程学院
广西石化资源加工及过程强化技术重点实验室
-
出处
《电子测量技术》
北大核心
2025年第4期51-61,共11页
-
基金
国家自然科学基金(20200555)
广西科技重大专项(桂科AA19254010)资助。
-
文摘
重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙粉体粒度预测模型。首先对特征和标签数据进行预处理,利用时变滤波经验模态分解联合小波阈值去除分级机电流中的高频噪声;然后通过BiTCN从前后两个方向挖掘时间序列中多维特征间的关联性,在BiGRU输出端融入注意力模块赋予每一个位置不同的权重,从而有效关注序列中的的关键数据。其次,在整个模型上引入IVYA寻找神经网络中关键超参数的最优解。最后,以某碳酸钙粉磨工厂实测数据为例进行模型实验。实验表明,IVYA优化后的模型相比较于其他单一模型和组合模型具有更高的预测性能,其均方根误差、平均绝对误差、平均相对百分误差和决定系数分别为:0.8244、0.4230、1.2954%、98.95%。
-
关键词
双向时间卷积网络
双向门控循环单元
超参数优化
粒度预测
-
Keywords
bidirectional temporal convolutional network
bidirectional gated recurrent unit
hyperparameter optimization
particle size prediction
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TN06
[电子电信—物理电子学]
-
-
题名基于教师-学生时空半监督网络的城市事件预测方法
- 2
-
-
作者
周正阳
刘浩
王琨
王鹏焜
王旭
汪炀
-
机构
中国科学技术大学计算机科学与技术学院
中国科学技术大学软件学院
中国科学技术大学大数据学院
中国科学技术大学苏州高等研究院
-
出处
《电子学报》
EI
CAS
CSCD
北大核心
2023年第12期3557-3571,共15页
-
基金
国家自然科学基金(No.62072427)
中国科学院稳定支持基础研究领域青年团队计划(No.YSBR-005)。
-
文摘
离散时空事件预测是城市计算领域中的重要科学问题之一.现有工作主要聚焦于使用多样化的时空神经网络对城市动态特征与事件时空关联进行建模,且已经取得了一定成效,但仍然存在以下问题:首先,城市事件具有诱因多源和时空稀疏性,而这种时空稀疏性可能同时源于事件本身的稀少性和采集的不完整性,现有工作尚未能解决短期预测中的稀疏性挑战及零膨胀问题;其次,已发生事件倾向于继续向周边区域传播事件风险,但由于现有工作同质化了动态特征和事件之间的交互关联,因此其不能捕捉历史事件对未来事件风险带来的交互影响.鉴于此,为协同地利用事件标记信息和时空特征,本文提出基于教师-学生时空半监督学习框架以预测短期离散事件的时空分布.在教师网络中,为应对事件标记的稀疏性,本文在时空学习中引入半监督机制,提出基于自编码器的特征重建和时空方差异常描述引导的动态特征表示学习;在学生网络中,本文设计了特征-事件解耦的双管道学习机制,并提出时空衰减图卷积网络与长短期记忆网络来模拟事件在时空范围内发生的风险传播.此外,本文发展了时空多粒度预测机制,通过易学的粗粒度预测任务指导细粒度的高质量预测,最终实现粗-细粒度协同提名的离散时空事件预测.实验基于纽约和苏州工业园区数据集开展,本文模型能够在事件击中准确率上分别超越最好的基线模型5.46%和10.65%,充分验证了提出方法的有效性.
-
关键词
事件预测
时空多粒度预测
图神经网络
时空半监督学习
教师-学生网络
-
Keywords
event forecasting
spatiotemporal multi-granularity forecasting
graph neural network
spatiotemporal semi-supervised learning
teacher-student network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于漏预测技术的FGS视频编码框架
被引量：1
- 3
-
-
作者
程宏
杨先一
-
机构
重庆邮电大学计算机科学与技术学院
-
出处
《计算机应用研究》
CSCD
北大核心
2009年第7期2484-2486,共3页
-
基金
加拿大自然科学与工程研究基金会资助项目(22768405)
-
文摘
精细粒度可伸缩性(fine granularity scalability,FGS)视频编码是MPEG-4标准的视频流化框架中的关键技术。以FGS编码框架为基础,针对FGS编码效率较低的特点,提出一种基于漏预测技术的视频编码框架。在改进的FGS编码框架中,通过引入漏预测因子,利用增强层参考和基本层的重构图像自适应形成增强层的时域预测信息,从而达到控制误差漂移,提高FGS的编码效率的目的。实验证明,改进的编码框架编码效率比FGS在同等条件下提高大约4dB。
-
关键词
精细粒度可伸缩性
离散余弦变换
位平面
漏预测
漏预测-精细粒度可伸缩性
-
Keywords
fine granularity scalability
DCT
bit-plane
leaky prediction
leaky prediction-FGS（LP-FGS）
-
分类号
TN919.31
[电子电信—通信与信息系统]
-
