期刊文献+
共找到16篇文章
< 1 >
每页显示 20 50 100
基于多阶段密集残差的单幅图像去雨方法
1
作者 李一文 孔韦韦 《计算机工程与设计》 北大核心 2025年第7期2134-2140,F0003,共8页
针对图像存在雨痕的问题,提出一种基于注意力密集残差的多阶段式单幅图像去雨方法 (MDRDANet)。将多阶段式结构和注意力机制的密集残差方法相结合,通过逐阶段提取图像特征的方式,获得足够多的图像特征;通过基于注意力机制的密集残差方... 针对图像存在雨痕的问题,提出一种基于注意力密集残差的多阶段式单幅图像去雨方法 (MDRDANet)。将多阶段式结构和注意力机制的密集残差方法相结合,通过逐阶段提取图像特征的方式,获得足够多的图像特征;通过基于注意力机制的密集残差方法对每一阶段的输出特征进行交叉连接,保留在处理过程中被筛选掉的有效图像特征。采用集成学习的方法,将各个阶段的输出特征进行加权求和,得到最终的无雨图像。与其它现有的图像去雨算法相比,该算法在仿真雨天数据集和真实雨天图像上的去雨效果有较大提升。 展开更多
关键词 单幅图像去雨 注意力机制 残差网络 集成网络 多阶段网络 长短时间记忆网络 密集残差
在线阅读 下载PDF
基于时空注意力机制的多元时间序列异常检测 被引量:7
2
作者 梁李芳 关东海 +1 位作者 张吉 袁伟伟 《计算机科学》 CSCD 北大核心 2023年第S02期438-445,共8页
物联网系统被广泛应用于各种基础设施,系统中涉及许多相互连接的传感器,这些传感器产生大量的多元时间序列数据。由于物联网系统容易遭受网络攻击,多元时间序列异常检测方法被用于及时监测系统中发生的异常,这对于保障系统安全至关重要... 物联网系统被广泛应用于各种基础设施,系统中涉及许多相互连接的传感器,这些传感器产生大量的多元时间序列数据。由于物联网系统容易遭受网络攻击,多元时间序列异常检测方法被用于及时监测系统中发生的异常,这对于保障系统安全至关重要。然而,由于高维传感器数据关系复杂,现有的大多数异常检测方法难以明确学习多元时间序列的相关性,导致异常检测的准确率较低。因此,提出一种基于时空注意力机制的多元时间序列异常检测方法(STA)。首先,以图形结构的形式学习传感器间的关系,再使用多跳图注意力网络为图中每个传感器节点的多跳邻居节点分配不同的注意力权重,用于捕捉序列的空间相关性。其次,采用基于长短时间记忆网络的时间注意力机制自适应地选择相应的时间序列,用于学习序列的时间相关性。在4个真实世界传感器数据集上的实验结果表明,STA可以比基线方法更准确地检验时间序列中的异常,其F 1分数分别优于最佳基线31.03%,14.29%,15.91%和21.74%。此外,消融实验和灵敏度分析验证了模型中的关键组件的有效性。总的来说,STA可以有效捕捉多元时间序列中的空间和时间相关性,提高模型的异常检测性能。 展开更多
关键词 多元时间序列 注意力机制 图注意力网络 长短时间记忆网络 时间相关性 空间相关性 异常检测
在线阅读 下载PDF
一种基于改进VMD-PSO-CNN-LSTM的短期电价预测方法 被引量:15
3
作者 郭雪丽 华大鹏 +6 位作者 包鹏宇 李婷婷 姚楠 曹艳 王莹 张天东 胡钋 《电力科学与技术学报》 CAS CSCD 北大核心 2024年第2期35-43,共9页
为了提升电价预测的准确性和预测模型的稳定性,提出一种基于改进VMD-PSO-CNN-LSTM的短期电价预测方法。首先,通过研究变分模态分解(variational mode decomposition,VMD)与电价影响因素的相关影响程度,并引入最大信息系数(MIC)构建VMD... 为了提升电价预测的准确性和预测模型的稳定性,提出一种基于改进VMD-PSO-CNN-LSTM的短期电价预测方法。首先,通过研究变分模态分解(variational mode decomposition,VMD)与电价影响因素的相关影响程度,并引入最大信息系数(MIC)构建VMD参数优化模型;然后,利用卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)神经网络对VMD分解得到的各模态分量进行预测。同时,根据深度可分离卷积结合电价时间规律,在CNN卷积部分构建多尺度的卷积特征提取结构,并利用粒子群优化算法优化包括CNN卷积层数量、CNN卷积神经元数量、LSTM隐藏层数量、LSTM记忆时间以及全连接层数等在内的参数,从而实现模型预测准确性和稳定性的提升。最后,对澳洲电力市场日前电价进行分析预测并与对照算法对比,结果表明该文算法具有更高的精度和更好的稳定性。 展开更多
关键词 电价预测 变分模态分解 粒子群优化算法 卷积神经网络 长短时间记忆神经网络
在线阅读 下载PDF
Storm分布式计算框架下基于知识图谱的快速学习资源推荐 被引量:6
4
作者 刘莹 杨淑萍 张治国 《南京邮电大学学报(自然科学版)》 北大核心 2024年第3期93-99,共7页
针对在线学习资源推荐存在精度较低或实时性较差的问题,采用知识图谱进行用户及资源的知识表示,并采用长短时间记忆网络对用户资源特征差进行优化,从而将与用户特征差最小的资源推送给用户。首先,在获得在线学习记录样本后,利用知识图... 针对在线学习资源推荐存在精度较低或实时性较差的问题,采用知识图谱进行用户及资源的知识表示,并采用长短时间记忆网络对用户资源特征差进行优化,从而将与用户特征差最小的资源推送给用户。首先,在获得在线学习记录样本后,利用知识图谱进行实体特征关系的知识表示,并借助Storm分布式框架生成知识图谱中头尾实体及关系特征向量。接着,建立用户-资源实体的最小特征差目标函数,并采用长短时间记忆网络对最小特征差目标函数进行优化。最后,通过Storm分布式平台进行长短时间记忆网络的参数求解,从而快速生成稳定的相关资源推荐模型。实验结果表明,在Storm分布式框架下采用知识图谱和长短时间记忆网络实现在线资源推荐,可获得较高准确率及运行效率,在应对大规模资源的实时推荐方面具有较强的适应度。 展开更多
关键词 资源推荐 知识图谱 Storm框架 长短时间记忆 TransD模型
在线阅读 下载PDF
基于CNN和双向LSTM的房颤预测模型
5
作者 吴石远 陈艳红 +2 位作者 杨湘 高峰 顾进广 《计算机应用与软件》 北大核心 2024年第5期138-146,共9页
现有基于CNN的模型无法提取患者数据中的时序特征,而基于RNN的模型忽略了各医学变量的差异性特征。针对这种情况,提出一种结合CNN和RNN的房颤预测模型,利用一个独立CNN模块捕获电子病历数据中各医学变量间的差异性特征,同时使用一个独立... 现有基于CNN的模型无法提取患者数据中的时序特征,而基于RNN的模型忽略了各医学变量的差异性特征。针对这种情况,提出一种结合CNN和RNN的房颤预测模型,利用一个独立CNN模块捕获电子病历数据中各医学变量间的差异性特征,同时使用一个独立的RNN模块捕获电子病历数据中时序性特征以及各医学变量间的相关性特征。在真实医院数据集上的实验结果表明,与最新的一些基于电子病历数据的疾病预测方法相比,该模型在房颤的预测方面表现得更加突出,F1值提高了2.14%,AUC值提高了1.32%。 展开更多
关键词 心房颤动 疾病预测 电子病历 卷积神经网络 长短时间记忆网络
在线阅读 下载PDF
融合SBAS-InSAR技术与TSO-LSTM模型的矿区地表沉降预测方法 被引量:30
6
作者 肖海平 夏益强 +1 位作者 刘小生 陈兰兰 《金属矿山》 CAS 北大核心 2023年第1期126-133,共8页
矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。针对现有预测模型监测点过少、多源数据难以获取以及网络模型超参数难以确... 矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。针对现有预测模型监测点过少、多源数据难以获取以及网络模型超参数难以确定等问题,提出了一种基于金枪鱼群(Tuna Swarm Optimization,TSO)优化长短时间记忆(Long Short-Term Memory,LSTM)网络模型超参数的深度学习预测方法,利用多个高相干性点的沉降时序实现矿区的精准预测。利用SBAS-InSAR技术处理50景覆盖德兴铜矿区的Sentinel-1 A升轨SAR影像,获取了该区域25465个高相干性点的沉降时间序列。利用TSO算法优化LSTM网络模型超参数,寻找出最适合该矿区沉降时序预测的LSTM网络模型,并使用优化后的LSTM网络模型分区域对沉降区开展沉降时序预测并计算预测精度。研究表明:使用TSO算法优化LSTM网络模型超参数是有效的,优化后的模型均方根误差至少降低了20%,平均绝对值误差至少降低了35%,预测均方根误差不超过2 mm,预测平均绝对误差不超过3 mm,模型平均预测精度超过95%。所提方法为确保安矿区全安全生产,实现科学防灾、减灾提供了技术支持。 展开更多
关键词 开采沉陷 深度学习 金枪鱼群优化 长短时间记忆 沉降预测 SBAS-InSAR TSO-LSTM
在线阅读 下载PDF
基于深度学习序贯检验的电源车故障诊断方法 被引量:7
7
作者 李炜 周丙相 蒋栋年 《系统仿真学报》 CAS CSCD 北大核心 2020年第4期638-648,共11页
针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM(Long Short Time Memory)网络与序贯概率比检验SPRT(Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型... 针对电源车健康维护存在的问题,提出了一种基于长短时间记忆LSTM(Long Short Time Memory)网络与序贯概率比检验SPRT(Sequential Probability Ratio Test)融合的电源车故障诊断方法。该方法基于LSTM网络建立电源车的多变量时间序列模型,并引入SPRT方法进行自适应多样本故障诊断。经在电源车仿真系统上进行对比实验,结果表明LSTM诊断模型有更强的学习和映射能力,LSTM-SPRT融合的故障诊断方法,显著提高了电源车故障诊断的准确率和可靠性。 展开更多
关键词 长短时间记忆网络 序贯概率比检验 电源车仿真系统 故障诊断
在线阅读 下载PDF
基于特征选择的RF-LSTM模型成分股价格趋势预测 被引量:16
8
作者 刘玉敏 李洋 赵哲耘 《统计与决策》 CSSCI 北大核心 2021年第1期157-160,共4页
金融市场的股价波动是一种极其复杂的非线性系统。文章首先选取上证A股中有代表性的15只成分股,然后使用RF和CA-SFS对19个指标进行特征提取,最后使用LSTM模型对股票价格涨跌进行预测。每只股票,以5分钟一组,运用20组的数据来预测未来1... 金融市场的股价波动是一种极其复杂的非线性系统。文章首先选取上证A股中有代表性的15只成分股,然后使用RF和CA-SFS对19个指标进行特征提取,最后使用LSTM模型对股票价格涨跌进行预测。每只股票,以5分钟一组,运用20组的数据来预测未来1组的股票的涨跌,同时也滚动预测了未来48组的股票涨跌趋势。结果证明,文章所提模型兼顾分类效率和特征维数,相比浅层机器学习模型预测准确率提高了33.17%,相比结合PCA、LASSO等降维方法的LSTM模型准确率提高了11.45%,所提模型可以有效地预测股票价格趋势,有着较高的应用价值。 展开更多
关键词 长短时间记忆神经网络 随机森林 趋势预测 序列前向选择 成分股
在线阅读 下载PDF
基于并联深度学习网络的雷达有源干扰智能识别方法 被引量:5
9
作者 姜正云 舒汀 +1 位作者 何劲 郁文贤 《现代雷达》 CSCD 北大核心 2021年第10期9-14,共6页
针对传统的雷达有源干扰识别方法存在特征参数对干扰样式敏感,识别准确率不高等问题,提出了一种基于深度学习的雷达有源干扰智能识别方法,设计了一种残差网络(ResNet)和长短时间记忆网络(LSTM)相并联的新型网络结构。该方法基于多维度... 针对传统的雷达有源干扰识别方法存在特征参数对干扰样式敏感,识别准确率不高等问题,提出了一种基于深度学习的雷达有源干扰智能识别方法,设计了一种残差网络(ResNet)和长短时间记忆网络(LSTM)相并联的新型网络结构。该方法基于多维度信息联合处理,可提高干扰识别的稳健性。通过外场试验,对常规的6种雷达有源干扰样式进行识别性能验证,识别准确率达到94.80%,证明了该文的方法具有较好的工程应用前景。 展开更多
关键词 残差网络 长短时间记忆网络 并联网络 雷达有源干扰识别 实测数据验证
在线阅读 下载PDF
基于滑动窗口和LSTM神经网络的锂离子电池建模方法 被引量:9
10
作者 张少凤 张清勇 +2 位作者 杨叶森 苏义鑫 熊斌宇 《储能科学与技术》 CAS CSCD 北大核心 2022年第1期228-239,共12页
为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、... 为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测。然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择。为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中。最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试。结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态。 展开更多
关键词 锂离子电池 模型 神经网络 长短时间记忆 多时序特征提取 滑动窗口
在线阅读 下载PDF
基于长期监测数据与LSTM网络的滑坡位移预测 被引量:9
11
作者 梁阳 肖婷 +2 位作者 胡程 任世聪 曾亮 《信号处理》 CSCD 北大核心 2022年第1期19-27,共9页
滑坡位移变化是危险性的直接表征,位移预测对防灾减灾至关重要。以八字门滑坡为例,基于十年监测数据和神经网络模型(LSTM、RNN)进行滑坡位移预测。用一次移动平均法将总位移分解为趋势项和周期项,趋势项采用三次多项式函数进行分段拟合... 滑坡位移变化是危险性的直接表征,位移预测对防灾减灾至关重要。以八字门滑坡为例,基于十年监测数据和神经网络模型(LSTM、RNN)进行滑坡位移预测。用一次移动平均法将总位移分解为趋势项和周期项,趋势项采用三次多项式函数进行分段拟合预测,通过神经网络模型和建立周期项与特征因子的关系并进行预测。其中,周期项特征因子根据位移影响因素初步选取,再通过Pearson相关性分析剔除无关因子。将预测的趋势项、周期项相加即为总位移预测值,对预测值与真实值进行误差分析,绝对误差为10 mm(LSTM)、24 mm(RNN),相关系数R;为0.9715(LSTM)、0.6675(RNN)。结果表明:LSTM在面对长时间序列时表现出更好的预测能力,该预测结果可以为八字门滑坡的防灾减灾工作提供理论参考。 展开更多
关键词 滑坡位移 监测数据 长短时间记忆网络 位移预测
在线阅读 下载PDF
基于双通道模型的航空发动机剩余寿命预测 被引量:2
12
作者 车鲁阳 高军伟 付惠琛 《空军工程大学学报》 CSCD 北大核心 2023年第6期42-49,共8页
针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构:通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;... 针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构:通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。 展开更多
关键词 航空发动机 寿命预测 时间卷积网络 卷积长短时间记忆网络 多头注意力机制
在线阅读 下载PDF
基于SAR图像的震后滑坡信息提取方法研究 被引量:2
13
作者 唐世超 陈超 谭毅 《激光杂志》 北大核心 2020年第10期58-62,共5页
地震导致滑坡灾害因其对生命和财产的巨大威胁而受到越来越的关注,利用遥感等技术快速提取滑坡信息,对于应急信息化建设和减少灾害造成的损失具有重要的现实意义。提出一种基于SAR(Synthetic Aperture Radar)图像变化检测的滑坡信息提... 地震导致滑坡灾害因其对生命和财产的巨大威胁而受到越来越的关注,利用遥感等技术快速提取滑坡信息,对于应急信息化建设和减少灾害造成的损失具有重要的现实意义。提出一种基于SAR(Synthetic Aperture Radar)图像变化检测的滑坡信息提取方法。两多时相滑坡图像利用对数比运算符生成差分图像,再用Gabor小波和模糊c均值来选择可靠样本,最后LSTM(Long Short-Term Memory)模型用于基于像素的SAR图像分类,由此通过分析提取出滑坡信息。以日本某地区地震前后的滑坡图像为例,采用JAXA提供的观测数据,来自高级陆地观测卫星2(ALOS-2),2016年3月7日之前的主要震动图像以及2016年5月16日之后的主要震动图像。实验结果表明,该方法优于实验中其他方法,总体精度在94%以上,误判较少,适合于快速滑坡信息提取。 展开更多
关键词 SAR图像 GABOR小波 长短时间记忆网络 滑坡信息提取
在线阅读 下载PDF
基于双向LSTM网络的流式文档结构识别 被引量:10
14
作者 张真 李宁 田英爱 《计算机工程》 CAS CSCD 北大核心 2020年第1期60-66,73,共8页
流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)... 流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)网络的流式文档结构识别方法。从文档单元的格式、内容与语义3个方面筛选关键特征,并将文档结构识别看作序列标注问题,使用双向LSTM神经网络构建识别模型,以实现对18种逻辑标签的识别。实验结果表明,该方法能够对文档结构进行有效识别,其识别效果优于方正飞翔软件。 展开更多
关键词 文档结构识别 流式文档 特征提取 序列标注 长短时间记忆网络
在线阅读 下载PDF
面向人体行为识别的深度特征学习方法比较 被引量:9
15
作者 匡晓华 何军 +1 位作者 胡昭华 周媛 《计算机应用研究》 CSCD 北大核心 2018年第9期2815-2817,2822,共4页
针对人体行为识别问题,比较了两种基于智能手机惯性加速度传感器数据的深度特征学习方法。先将传感器数据进行重叠加窗的预处理;然后将带标签的样本数据直接输入深度网络模型中,通过端到端的特征学习,最终输出行为分类结果。通过对比深... 针对人体行为识别问题,比较了两种基于智能手机惯性加速度传感器数据的深度特征学习方法。先将传感器数据进行重叠加窗的预处理;然后将带标签的样本数据直接输入深度网络模型中,通过端到端的特征学习,最终输出行为分类结果。通过对比深度卷积神经网络、长短期记忆网络两种深度学习方法在公开网站UCI的机器学习知识库的人体行为识别数据集上的识别效果。实验结果表明,采用Dropout深度卷积神经网络特征学习方法识别准确率为90.98%,是一种有效的深度特征学习方法。 展开更多
关键词 深度学习 行为识别 序列数据分类 深度卷积神经网络 长短时间记忆网络
在线阅读 下载PDF
基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测 被引量:4
16
作者 宋技峰 彭小圣 +4 位作者 杨子民 段睿钦 周彬彬 陈凯 王有香 《南方电网技术》 CSCD 北大核心 2023年第12期71-79,共9页
随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将... 随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将目标风电场的少量数据根据与源风电场的相关性大小分为两组,然后利用源风电场历史数据训练含有误差补偿模块的复合模型,最后以梯级迁移学习策略进行建模。相关算例分析表明基于TCN-LSTM的补偿梯级迁移模型预测精度相比同类直接预测模型提升1.23%。相关算例证明了所提出的方法的有效性。 展开更多
关键词 时间卷积网络-长短记忆网络 短期风电功率预测 偏差补偿 梯级迁移策略
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部