目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地...目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。展开更多
提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem...提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem指纹和PaDEL分子描述符对药物特征信息进行提取。其次,使用套索回归(least absolute shrinkage and selection operator,Lasso)方法消除对分类无关的特征,并利用重复编辑最近邻(repeated edited nearest neighbors,RENN)方法对数据进行平衡处理,得到最优特征向量。最后,将最优特征向量输入结合自注意力机制和双向长短时记忆网络的分类器预测DDIs。基于五折交叉验证,同时与其它预测方法进行比较,本工作所提出的方法在两个数据集上获得较高的预测准确率。为了综合评价SA-BiLSTM的性能,对药物-药物相互作用网络进行验证。实验结果表明,SA-BiLSTM表现出优秀的预测能力,可以为DDIs的预测提供一种新的思路。展开更多
针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirec...针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。展开更多
文摘目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。
文摘提出了一种基于双层双向长短时记忆网络(bi-directional long short term memory,BiLSTM)和自注意力(self-attention)机制的药物-药物相互作用(drug-drug interactions,DDIs)预测方法SA-BiLSTM。首先,利用FP3指纹、MACCS指纹、Pubchem指纹和PaDEL分子描述符对药物特征信息进行提取。其次,使用套索回归(least absolute shrinkage and selection operator,Lasso)方法消除对分类无关的特征,并利用重复编辑最近邻(repeated edited nearest neighbors,RENN)方法对数据进行平衡处理,得到最优特征向量。最后,将最优特征向量输入结合自注意力机制和双向长短时记忆网络的分类器预测DDIs。基于五折交叉验证,同时与其它预测方法进行比较,本工作所提出的方法在两个数据集上获得较高的预测准确率。为了综合评价SA-BiLSTM的性能,对药物-药物相互作用网络进行验证。实验结果表明,SA-BiLSTM表现出优秀的预测能力,可以为DDIs的预测提供一种新的思路。
文摘针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。
