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
共找到1,971篇文章
< 1 2 … 99 >
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：
基于卷积神经网络和长短期记忆网络的轴向柱塞泵健康状态评估
1
作者 魏娜莎 刘江锋 +1 位作者 丁泽鹏 田志毅 《科学技术与工程》 北大核心 2025年第21期8889-8897,共9页
柱塞泵是液压系统重要的动力转换部件之一,其性能好坏直接影响液压系统的安全和稳定。为准确对柱塞泵的运行状态进行评估,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory netwo... 柱塞泵是液压系统重要的动力转换部件之一,其性能好坏直接影响液压系统的安全和稳定。为准确对柱塞泵的运行状态进行评估,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory network,LSTM)结合的柱塞泵健康状态评估方法,引入遗传算法对神经网络的参数进行优化。采集柱塞泵不同运行时刻的振动信号,利用小波包对振动信号进行能量特征提取,结合信号时频域特征,构建柱塞泵健康状态特征数据集,由CNN-LSTM方法进行健康状态识别分类,并通过样本熵评估分类结果。为验证该健康评估方法的有效性,将其应用到柱塞泵的试验测试中,结果表明:该方法的识别准确率达到了99%,能够有效提高对柱塞泵健康状态评估的准确性。 展开更多
关键词 轴向柱塞泵 卷积神经网络 长短时记忆网络 健康评估
在线阅读 下载PDF
基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波
2
作者 陈辉 胡荣海 席磊 《兰州理工大学学报》 北大核心 2025年第4期88-94,F0003,共8页
为了解决复杂非线性目标跟踪中状态空间模型参数不准确、滤波性能变差的问题,提出一种基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波.首先,在贝叶斯滤波框架下用长短期记忆神经网络认知卡尔曼增益这一组件,以数据驱动的方... 为了解决复杂非线性目标跟踪中状态空间模型参数不准确、滤波性能变差的问题,提出一种基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波.首先,在贝叶斯滤波框架下用长短期记忆神经网络认知卡尔曼增益这一组件,以数据驱动的方式逼近最优卡尔曼增益,不需要完全了解底层模型参数,可以在具有部分信息非线性状态下执行扩展卡尔曼滤波.其次,使用一种无监督离线训练算法,不需要提供真实数据,而是通过滤波器的可解释性,根据预测下一时刻观测的内部特征进行无监督损失函数计算.通过仿真验证表明,在非线性模型中的参数不准确时,提出的滤波器性能优于传统滤波器. 展开更多
关键词 扩展卡尔曼滤波 长短期记忆神经网络 深度学习 数据驱动
在线阅读 下载PDF
区域化长短期记忆神经网络(LSTM)洪水预报模型研究 被引量：1
3
作者 叶可佳 梁忠民 +4 位作者 陈红雨 钱名开 胡义明 王军 李彬权 《湖泊科学》 北大核心 2025年第2期651-659,共9页
针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一... 针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一数据集,扩大样本数量,为建立乏资料流域洪水预报模型提供了可能。本文选择胶东半岛作为研究区进行应用研究。为验证区域化模型在不同场景中的应用效果,设计了预报流域数据不参与建模,而仅根据区域内其他流域资料建模(区域化模型Ⅰ),以及预报流域的部分数据参与建模(区域化模型Ⅱ)两种情景;此外,选取仅根据预报流域数据训练的单流域模型作为基准模型进行对比分析。结果表明,对本次研究的水文资料短缺流域,两种区域化模型均取得了较好效果,且都优于单流域模型。相较而言,考虑了预报流域数据的区域化模型精度更高,说明在区域化LSTM构建中融入预报流域的数据,可进一步提升区域化模型的精度。研究成果可为乏资料地区的洪水预报提供参考。 展开更多
关键词 长短期记忆神经网络 洪水预报 区域化模型 水文气候相似区 乏资料流域
在线阅读 下载PDF
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测 被引量：1
4
作者 杨超 毛军逵 +3 位作者 杨悦 王飞龙 邵发宁 毕帅 《推进技术》 北大核心 2025年第2期248-257,共10页
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶... 为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。 展开更多
关键词 多级涡轮 叶尖间隙预测 多任务学习 长短期记忆神经网络 贝叶斯优化
在线阅读 下载PDF
采用堆叠长短期记忆神经网络的水质连续预测方法 被引量：1
5
作者 张建奇 冯乐源 +1 位作者 李东鹤 杨清宇 《西安交通大学学报》 北大核心 2025年第6期93-102,共10页
针对水环境监测中的水质参数异常、预测精度低等问题,提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型,以解决时序数据不完整带来的挑战。首先,分析了缺失或异常的水质数据时序特征,并基于堆叠长短期记忆网络设计了水... 针对水环境监测中的水质参数异常、预测精度低等问题,提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型,以解决时序数据不完整带来的挑战。首先,分析了缺失或异常的水质数据时序特征,并基于堆叠长短期记忆网络设计了水质预测的深度神经网络模型;其次,采用逐点预测和多步预测方法对所提模型进行对比实验验证;最后,为了量化模型的预测性能,引入平均绝对百分比误差(MAPE)和均方根误差(RMSE)两类指标,评估SLSTM模型相对于支持向量回归(SVR)和自回归综合移动平均(ARIMA)模型的优越性。实验结果表明,在短期(24h)和长期(48h)水质余氯预测中,SLSTM的预测精度显著高于其他两类模型:在多步预测中,SLSTM的MAPE至少比SVR降低了9.15%;逐点预测中,SLSTM的RMSE至少比SVR降低了31.25%。此外,相较于ARIMA模型,SLSTM能够更有效地捕捉水质数据的非线性变化趋势,提升预测稳定性。研究不仅验证了SLSTM在水质参数预测中的有效性,还为水环境监测领域提供了新的视角和工具。 展开更多
关键词 余氯预测 水质参数预测 数据时序 长短期记忆神经网络
在线阅读 下载PDF
基于树状结构Parzen估计器优化长短期记忆神经网络的燃煤机组NO_(x)生成浓度预测
6
作者 陈东升 梁中荣 +3 位作者 郑国 何荣强 屈可扬 甘云华 《中国电机工程学报》 北大核心 2025年第7期2710-2718,I0022,共10页
建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升N... 建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升NO_(x)预测模型精度与泛化性。该文提出一种基于树状结构Parzen估计器优化长短期记忆(tree-structure parzen estimator optimized long short-term memory neural network,TPE-LSTM)神经网络的NO_(x)生成浓度预测模型。基于某330 MW燃煤机组的历史运行数据,获取NO_(x)生成相关变量参数,将模型结构参数与NO_(x)相关变量参数的时间序列窗口长度以及主成分数量相互耦合,组成一类新的超参数;通过优化改进后的超参数取值,构建基于长短期记忆(long short-term memory,LSTM)神经网络的NO_(x)生成浓度预测模型;将所提出的超参数优化后的NO_(x)预测模型与基于未优化的LSTM模型、采用粒子群优化的LSTM(particle swarm optimization optimized LSTM,PSO-LSTM)模型对比,预测结果表明,TPE-LSTM预测模型具有较好的模型精度与泛化能力。 展开更多
关键词 燃煤锅炉 NO_(x)生成浓度预测 树状结构Parzen估计器 超参数优化 长短期记忆神经网络
在线阅读 下载PDF
基于图卷积神经网络和长短时记忆网络的输电网宽频振荡定位
7
作者 李雨攸 顾洁 +1 位作者 吴佳庆 金之俭 《广东电力》 北大核心 2025年第5期54-64,共11页
新能源发电机组大规模接入电网引发的宽频振荡给电网稳定运行带来了隐患,快速准确的振荡源定位是消除振荡、保障系统安全稳定运行的重要基础。为提升子站与主站之间数据传输效率、解决信息缺失等问题,本文提出一种基于图卷积神经网络与... 新能源发电机组大规模接入电网引发的宽频振荡给电网稳定运行带来了隐患,快速准确的振荡源定位是消除振荡、保障系统安全稳定运行的重要基础。为提升子站与主站之间数据传输效率、解决信息缺失等问题,本文提出一种基于图卷积神经网络与长短时记忆网络结合的输电网宽频振荡定位模型。首先通过对电网运行数据进行高频采样,并经压缩感知稀疏化处理后得到压缩振荡数据;进一步将输电网拓扑结构和部分节点的振荡采样数据相结合,通过基于图卷积神经网络的全局振荡信息生成模型补全未知节点信息,形成节点特征矩阵;最后根据全网各节点振荡特征矩阵,采用长短时记忆网络算法实现振荡源定位。基于含直驱风电机组的四机两区域仿真模型验证,结果表明GCN补全数据的均方根误差(0.0319)显著优于对比模型,且所提模型定位准确率达96.93%,尤其对风电机组振荡源定位精度达99%,显著高于GCN-SVM(94.22%)等基准方法,证实该方法在部分可观条件下能有效融合拓扑与时空特征,为高比例新能源电网安全稳定运行提供可靠技术支撑。运用MATLAB/Simulink制作样本数据集,通过算例仿真验证了文中所提出的宽频振荡定位模型的可行性与有效性。 展开更多
关键词 宽频振荡 振荡源定位 振荡信息生成模型 图卷积神经网络 长短时记忆网络 特征矩阵
在线阅读 下载PDF
采用长短期记忆神经网络的压电式六维力/力矩传感器解耦算法
8
作者 亓振广 王桂从 +2 位作者 褚宏博 张帅 李映君 《西安交通大学学报》 北大核心 2025年第4期158-170,共13页
针对压电式六维力/力矩传感器存在的维间耦合导致传感器测力性能下降问题,提出了一种基于长短期记忆神经网络(LSTM)的压电式六维力/力矩传感器解耦算法。首先,通过六维力传感器静态标定实验,获取解耦算法所需的实验数据,并对其进行处理... 针对压电式六维力/力矩传感器存在的维间耦合导致传感器测力性能下降问题,提出了一种基于长短期记忆神经网络(LSTM)的压电式六维力/力矩传感器解耦算法。首先,通过六维力传感器静态标定实验,获取解耦算法所需的实验数据,并对其进行处理;然后,通过分析传感器维间耦合产生的原因及LSTM神经网络解耦原理,构建LSTM神经网络解耦模型;最后,采用基于LSTM神经网络的解耦算法,对传感器输出的多维非线性特性开展优化,解耦后得到传感器输入、输出之间的映射关系和对应的输出数据,并与径向基函数(RBF)及最小二乘(LS)解耦算法进行对比分析。研究结果表明:所使用四点支撑式压电六维力传感器的最大重复性误差为1.55%;采用基于LSTM的神经网络算法解耦后,传感器输出结果的最大非线性误差、交叉耦合误差分别为0.55%和0.28%,均小于RBF和LS算法。LSTM神经网络解耦算法能有效减少六维力/力矩传感器的维间耦合,提高传感器的测量精度,对航空航天领域的发展具有参考意义。 展开更多
关键词 六维力/力矩传感器 压电式 解耦算法 长短期记忆神经网络 维间耦合
在线阅读 下载PDF
基于卷积神经网络和双向长短期记忆网络的微地震记录去噪方法
9
作者 王泰然 鲍逸非 《北京大学学报(自然科学版)》 北大核心 2025年第3期487-500,共14页
提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模... 提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模拟含噪声数据集.通过深度学习网络的训练,获得性能稳定且泛化能力强的去噪模型,该模型在验证集上也表现优异.与传统去噪方法相比,所提方法的去噪效果显著提升,能够更好地保留信号的细节特征和频谱特征.将该模型应用于自贡和内江地区的实际微震观测数据,结果表明能有效地去除实测数据中的噪声. 展开更多
关键词 微小地震 噪声去除 卷积神经网络(CNN) 双向长短期记忆网络(BiLSTM) 深度学习
在线阅读 下载PDF
基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测 被引量：3
10
作者 崔明勇 董文韬 卢志刚 《现代电力》 北大核心 2024年第4期631-641,共11页
近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition wi... 近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。 展开更多
关键词 风电功率预测 密度聚类 自适应噪声完备集成经验模态分解 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测 被引量：3
11
作者 陈晓梅 肖徐东 《现代电力》 北大核心 2024年第1期106-115,共10页
为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力... 为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。 展开更多
关键词 短期电力负荷预测 双向长短期记忆网络 时序模式注意力机制 集群辨识 卷积神经网络
在线阅读 下载PDF
基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断
12
作者 李玳 王天牧 +5 位作者 张思 秦跃 谢福贵 刘辛军 聂振国 黄红拾 《北京大学学报（自然科学版）》 EI CAS CSCD 北大核心 2024年第1期109-117,共9页
提出一种基于卷积长短期记忆神经网络的深度学习模型PressureConvLSTM,用来提取行走过程中足底压力的空间特征和时序特征,并进行步态分类。通过对前交叉韧带断裂患者的足底压力数据分析,实现智能辅助诊断。结合临床数据的实验结果表明,P... 提出一种基于卷积长短期记忆神经网络的深度学习模型PressureConvLSTM,用来提取行走过程中足底压力的空间特征和时序特征,并进行步态分类。通过对前交叉韧带断裂患者的足底压力数据分析,实现智能辅助诊断。结合临床数据的实验结果表明,PressureConvLSTM模型对前交叉韧带断裂的辅助诊断,能够达到95%的预测准确度;与卷积神经网络等其他模型相比,准确度得到大幅度提升。 展开更多
关键词 智能诊断 前交叉韧带断裂 足底压力 深度学习 卷积长短期记忆神经网络
在线阅读 下载PDF
教育考试增值评价模型构建:基于深度神经网络的方法
13
作者 李金波 苏胜 +1 位作者 曾平飞 王永固 《华东师范大学学报(教育科学版)》 北大核心 2025年第9期69-82,共14页
教育评价改革是新时期深化教育改革的关键环节,但传统增值评价方法在处理学习过程的动态特征和复杂依赖关系方面存在技术局限。本研究以浙江省2023届4869名高中学生为研究对象,构建时序模式注意力长短时记忆深度神经网络(TPA-LSTM)增值... 教育评价改革是新时期深化教育改革的关键环节,但传统增值评价方法在处理学习过程的动态特征和复杂依赖关系方面存在技术局限。本研究以浙江省2023届4869名高中学生为研究对象,构建时序模式注意力长短时记忆深度神经网络(TPA-LSTM)增值评价模型,通过结合分位数回归方法,实现对学生成绩时序特征和非线性变化的精准评估。研究基于高中五个学期的语文考试成绩,对个体层面的学习轨迹特征和群体层面的增值表现进行系统分析。研究发现:TPA-LSTM模型在测试集上的均方根误差(RMSE)为0.082,平均绝对误差(MAE)为0.067,显著优于传统SGP模型;对高二下学期成绩相同(0.716)的学生群体,能够根据其历史学习轨迹识别出34至80的增值水平差异;模型的时序权重分布特征揭示了第三学期和第四学期为学习关键期,为评价结果提供了更强的解释性。研究表明,该模型在个体评价层面实现对学习轨迹的精确刻画,在群体层面揭示不同类型学生的发展特征,为提高教育考试增值评价的预测精度和教育诊断价值提供新的技术路径。 展开更多
关键词 教育考试 增值评价 神经网络模型 时序模式 长短时记忆网络
在线阅读 下载PDF
基于多源数据融合与卷积长短期记忆神经网络的聚合物挤出过程熔体密度监测方法 被引量：2
14
作者 张彬彬 陈祝云 +1 位作者 张飞 晋刚 《工程科学与技术》 EI CAS CSCD 北大核心 2024年第6期54-62,共9页
聚合物挤出过程中熔体密度是影响产品质量的关键因素。由于挤出加工过程的高温、高压复杂工况,寻求能准确、在线监测聚合物挤出过程中熔体密度的方法是一个具有挑战性的问题。尽管基于机器学习的质量监测方法提供了一种解决方案,但在聚... 聚合物挤出过程中熔体密度是影响产品质量的关键因素。由于挤出加工过程的高温、高压复杂工况,寻求能准确、在线监测聚合物挤出过程中熔体密度的方法是一个具有挑战性的问题。尽管基于机器学习的质量监测方法提供了一种解决方案,但在聚合物挤出加工过程中,由于数据类型、工艺参数、操作环境等多变性因素的影响,传统的机器学习方法可能难以捕捉聚合物加工中不同输入参数和输出质量参数之间的复杂关系,使得监测任务难以获得理想的准确性。本文提出了一种基于多源数据融合与卷积长短期记忆神经网络(CNN–LSTM)的熔体密度监测方法,用于在线监测聚碳酸酯–丙烯腈–丁二烯–苯乙烯共聚物(PC/ABS)共混体系的熔体密度。首先,通过实时采集安装在挤出机模头处的近红外、拉曼及超声3种传感器数据,对3种传感数据进行预处理并融合后作为输入;然后,通过合理设计的网络结构,构建CNN–LSTM监测模型,利用CNN的特征提取能力与LSTM的预测能力,最终实现对聚合物共混过程中的熔体密度的实时监测。基于独立开发的多源传感数据实时采集装置获取的数据,利用所提方法对PC/ABS共混挤出过程的熔体密度进行实时监测,结果表明:本文方法能够准确监测聚合物熔体密度,其在测试集上的均方根误差和决定系数分别为0.975 5、0.006 3 g/cm3,比传统的卷积神经网络方法、长短期记忆网络方法、岭回归方法、偏最小二乘回归方法、多层感知机方法和支持向量机回归方法具有更高的预测精度;本文方法的10次输入平均预测时间为1.523 5 s,能够满足实际生产过程的实时监测。综上所述,所提出的基于多源数据融合与CNN–LSTM的熔体密度监测方法显著提高了聚合物挤出过程中熔体密度的实时监测精度,为挤出过程中聚合物的质量提供了可靠的技术支持。 展开更多
关键词 聚合物挤出加工 熔体密度 多传感器数据融合 卷积长短期记忆神经网络 在线监测
在线阅读 下载PDF
基于时间卷积和长短期记忆网络的短期云资源预测模型
15
作者 陈基漓 李海军 谢晓兰 《科学技术与工程》 北大核心 2025年第7期2856-2864,共9页
随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模... 随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模型和组合模型所存在的预测精度低以及捕获序列特征不充分问题,提出基于时间卷积和长短期记忆网络(temporal convolutional network-long short-term memory, TCN-LSTM)的短期云资源组合预测模型,组合模型中的空洞卷积在不减少特征尺寸的情况下增加感受野获取更长久的时间序列特征,其中残差网络可以跨层传递信息以加快网络的收敛,所获取的时间序列特征可有效提高LSTM的预测精度。利用阿里巴巴公开数据集的进行预测,实验表明所提出的模型与单一的预测模型以及其他组合模型进行对比分析,误差指标-平均绝对误差(mean absolute error, MAE)降低8%~13.7%,均方根误差(root mean squared error, RMSE)降低9.8%~13.1%,证明所提模型的有效性。 展开更多
关键词 容器云 云资源预测 时间卷积网络(TCN) 长短期记忆网络(LSTM)
在线阅读 下载PDF
基于长短时记忆神经网络的励磁涌流与故障电流识别方法 被引量：2
16
作者 张国栋 刘凯 +2 位作者 蒲海涛 姚福强 张帅帅 《上海交通大学学报》 EI CAS CSCD 北大核心 2024年第5期730-738,共9页
变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真... 变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真产生大量三相电流瞬时采样数据作为训练神经网络的样本集;然后,利用Keras平台搭建LSTM神经网络模型并完成训练;最后,利用新的仿真数据和现场故障录波数据对训练好的LSTM神经网络进行测试.结果表明LSTM神经网络可以快速准确地区分各种情况下的励磁涌流和故障电流,从而证实该方法的有效性. 展开更多
关键词 变压器差动保护 长短时记忆神经网络 励磁涌流识别 故障电流识别
在线阅读 下载PDF
基于LSTM-DNN(长短期记忆-深度神经网络)融合模型的土压平衡盾构土仓压力预测方法 被引量：2
17
作者 王伯芝 黄永亮 +6 位作者 陈文明 丁爽 刘浩 刘学增 彭子晖 吴炜枫 王嘉烨 《城市轨道交通研究》 北大核心 2024年第12期39-45,共7页
[目的]土仓压力是土压平衡盾构施工安全评估的关键参数,准确预测土仓压力有助于施工技术人员及时采取管控措施,进而保障地铁隧道的建设安全性。因此,有必要对土压平衡盾构土仓压力预测方法进行研究。[方法]提出一种多分支的LSTM(长短期... [目的]土仓压力是土压平衡盾构施工安全评估的关键参数,准确预测土仓压力有助于施工技术人员及时采取管控措施,进而保障地铁隧道的建设安全性。因此,有必要对土压平衡盾构土仓压力预测方法进行研究。[方法]提出一种多分支的LSTM(长短期记忆)-DNN(深度神经网络)融合模型。LSTM分支通过回溯历史数据提取其时序演变特征,DNN分支提取掘进状态特征,将两者组合后通过全连接层进行融合,实现对土仓压力的预测。依托济南轨道交通1号线实际盾构隧道数据对模型进行验证,并与LSTM模型、DNN模型进行了对比分析。[结果及结论]基于LSTM-DNN融合算法建立的土仓压力预测模型可以高效收敛,且所提模型在训练集和验证集上的预测效果良好。在后续的100步测试中,由LSTM-DNN融合模型得出的土仓压力预测值较好地反映了真实值的变化趋势,其平均偏差为7.65 kPa,相对误差为6.09%,预测精度较高。 展开更多
关键词 城市轨道交通 土仓压力预测 长短期记忆 深度神经网络
在线阅读 下载PDF
使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络预测盾构隧道施工引起的地面沉降 被引量：6
18
作者 黄茂庭 徐金明 《城市轨道交通研究》 北大核心 2024年第6期166-171,共6页
[目的]地铁盾构隧道施工会引起周围地面沉降,影响周围环境。传统地面沉降预测方法难以综合考虑沉降影响因素,对此,为提高地面沉降的预测精度,使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络,对盾构隧道施工引起的地面沉降进行预测... [目的]地铁盾构隧道施工会引起周围地面沉降,影响周围环境。传统地面沉降预测方法难以综合考虑沉降影响因素,对此,为提高地面沉降的预测精度,使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络,对盾构隧道施工引起的地面沉降进行预测。[方法]以某地铁施工区间地面沉降监测数据为研究对象,使用CNN对影响参数(压缩模量、黏聚力、内摩擦角、泊松比、土层厚度、隧道埋深和施工参数)与地面沉降监测值进行连接,使用LSTM神经网络对地面沉降进行分析,建立了基于CNN-LSTM联合神经网络的地面沉降预测模型,探讨了同时考虑多个因素对地面沉降预测值的影响。[结果及结论]使用CNN对地面沉降相关的影响参数特征提取效果较好;所建CNN-LSTM模型的准确率比单独使用LSTM模型的准确率提高了3%、比传统BP(反向传播)神经网络模型准确率提高了9%;所建CNN-LSTM模型,对单测点短时间地面沉降预测准确率达到93%,预测值与监测值吻合较好。 展开更多
关键词 盾构隧道施工 地面沉降 预测 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
基于时空长短时记忆神经网络的地基云图预测算法 被引量：1
19
作者 吴现 吐松江·卡日 +3 位作者 王海龙 马小晶 李振恩 邵罗 《计算机工程》 CAS CSCD 北大核心 2024年第3期298-305,共8页
针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信... 针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信息进行多分支获取,一部分使用ST-LSTM神经网络提取不同帧之间的时空特征,另一部分将图像序列进行分解,并通过基于门控机制的记忆融合网络来获取分解后图像中的结构细节信息;最后将得到的分支特征进行组合后经过解码网络输出最终的预测视频流。在地基云图、Moving MNIST和Human 3.6M数据集上的实验结果表明,在图像预测准确率、结构细节信息保留效果以及人眼主观感受上,该预测模型均优于对比模型。与基准模型TaylorNet相比,所提模型在Moving MNIST数据集上均方误差指标和平均绝对误差指标分别降低15.7%和11.8%,在地基云图数据集上,其结构相似性指标与峰值信噪比指标分别提升1%和3.2%,且生成的视频流数据更为清晰,能够更准确地描述云层未来的运动状况,从而更可靠地预测光伏电站未来的输出功率。 展开更多
关键词 深度学习 视频预测 地基云图 麦克劳林展开 时空长短时记忆神经网络
在线阅读 下载PDF
卷积循环神经网络的高光谱图像解混方法
20
作者 孔繁锵 余圣杰 +2 位作者 王坤 方煦 吕志杰 《西安电子科技大学学报》 北大核心 2025年第1期142-151,共10页
针对传统的解混方法和基于自编码器的解混网络方法,利用空间信息提升了解混性能,但未深入挖掘和利用光谱特征,而光谱特征和空间信息的有效结合能够进一步提高解混性能,因此,提出了基于双向卷积长短期记忆网络的解混框架。该框架采用创... 针对传统的解混方法和基于自编码器的解混网络方法,利用空间信息提升了解混性能,但未深入挖掘和利用光谱特征,而光谱特征和空间信息的有效结合能够进一步提高解混性能,因此,提出了基于双向卷积长短期记忆网络的解混框架。该框架采用创新性的网络结构设计,通过卷积层深入挖掘空间特征,同时利用卷积长短期记忆单元充分挖掘波段间的光谱变异性及其光谱相关性,有效处理光谱维度的序列信息,从而实现对高光谱数据更加精准和高效的分析。为了更加细致地区分和利用高光谱数据中不同谱段的特异性,采用深度光谱分区方法优化网络输入,通过自适应学习机制对不同光谱区域精细化处理,增强了模型对高光谱数据中复杂光谱关系的捕捉能力,进一步提升网络的解混性能。在模拟和多个真实高光谱数据集上的对比实验表明,该方法在解混精度和模型鲁棒性等方面均优于现有方法,特别是在处理复杂地物光谱特征时,表现出良好的泛化能力和稳定性,能够准确估计端元和丰度。 展开更多
关键词 高光谱图像 循环神经网络 自编码器 卷积长短期记忆网络 深度光谱分区
在线阅读 下载PDF
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 2 … 99 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部