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713篇文章
< 1 2 … 36 >
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：
基于多分支门控残差卷积神经网络的短期电力负荷预测 被引量：15
1
作者 樊江川 于昊正 +2 位作者 刘慧婷 杨丽君 安佳坤 《中国电力》 CSCD 北大核心 2022年第11期155-162,174,共9页
短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预... 短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差(MAPE)评价指标下降了0.02%~0.70%,验证了该模型提高负荷预测精度的有效性。 展开更多
关键词 短期负荷预测 多分支神经网络 门控残差卷积神经网络 注意力机制 特征提取
在线阅读 下载PDF
基于残差分组卷积神经网络和多级注意力机制的源荷极端场景辨识方法 被引量：1
2
作者 郭红霞 李渊 +2 位作者 陈凌轩 王建学 马骞 《电网技术》 北大核心 2025年第2期459-469,I0019-I0024,共17页
为应对极端天气事件给新型电力系统安全稳定运行带来的影响,在电网的生产模拟中需要考虑极端场景。然而极端场景历史样本数量少,传统场景生成方法无法直接生成极端场景,需要对场景进行辨识。为此,提出一种计及源荷双侧的极端场景辨识方... 为应对极端天气事件给新型电力系统安全稳定运行带来的影响,在电网的生产模拟中需要考虑极端场景。然而极端场景历史样本数量少,传统场景生成方法无法直接生成极端场景,需要对场景进行辨识。为此,提出一种计及源荷双侧的极端场景辨识方法。首先,将风电、光伏和负荷序列进行重塑,并在通道维度上拼接;然后,基于分组卷积和深度残差网络,提取场景的时序特征和源荷场景之间的耦合特征;其次,模型内部嵌入通道注意力机制和多头注意力机制,以赋予重要特征更大的权重,并对场景进行分类;此外,采用改进损失函数解决训练样本中数据集不均衡的问题;最后,基于历史数据集进行验证。验证结果表明,所提方法能够对场景进行有效的分类,可以从历史场景中识别出具有高保供或高消纳风险的源荷极端场景。 展开更多
关键词 极端场景辨识 残差神经网络 分组卷积 注意力机制 源荷不确定性
在线阅读 下载PDF
卷积自编码器和残差循环神经网络在刀具剩余寿命预测中的应用
3
作者 周学良 潘晓明 吴瑶 《机械科学与技术》 北大核心 2025年第5期806-813,共8页
针对刀具剩余寿命预测问题,提出了一种将一维卷积自编码器(One-dimensional convolutional auto encoder,1DCAE)和残差双向门控循环单元(Residual bidirectional gated recurrent unit,RBGRU)相结合的预测方法。通过1DCAE连续卷积池化... 针对刀具剩余寿命预测问题,提出了一种将一维卷积自编码器(One-dimensional convolutional auto encoder,1DCAE)和残差双向门控循环单元(Residual bidirectional gated recurrent unit,RBGRU)相结合的预测方法。通过1DCAE连续卷积池化和反卷积上采样方法获取工况信号的深层特征,并将其与分段后的原始信号融合后作为刀具剩余寿命的表征;同时结合残差网络的思想对双向门控循环单元(Bidirectional gated recurrent unit,BiGRU)的结构进行改进以增强对时序特征的捕获能力。实验结果表明,该方法比其他算法具有更高的预测精度。 展开更多
关键词 刀具 剩余寿命预测 卷积自编码器 残差门控循环单元 特征融合
在线阅读 下载PDF
结合图同构和混合阶残差门控图神经网络的会话推荐
4
作者 王永贵 于琦 《计算机科学与探索》 北大核心 2025年第2期502-512,共11页
基于会话推荐的目的是依据当前会话的先前动作来预测用户的下一个动作。针对现有基于图神经网络的会话推荐模型存在的不足之处,提出一种结合图同构和混合阶残差门控图神经网络的会话推荐模型(GIHR-GNN)。使用图同构网络聚合相邻项目的... 基于会话推荐的目的是依据当前会话的先前动作来预测用户的下一个动作。针对现有基于图神经网络的会话推荐模型存在的不足之处,提出一种结合图同构和混合阶残差门控图神经网络的会话推荐模型(GIHR-GNN)。使用图同构网络聚合相邻项目的特征向量,有效融合全局和局部信息,解决图神经网络善于捕获节点之间的局部连接而忽略全局信息的问题,并通过门控融合函数聚合用户的长短期兴趣以更好地捕捉用户兴趣的动态变化。使用混合阶门控图神经网络对位置嵌入向量进行处理以捕获用户长时间后重新交互所反映出的用户意图,并在此基础之上添加残差模块,解决深层网络的退化问题。将未去噪和去噪后的用户长期兴趣表示进行对比学习,缓解了数据稀疏和噪声干扰的问题。在Tmall和RetailRocket两个数据集上进行多次实验,并与先进基线模型进行比较,结果表明该模型在Tmall数据集上P@20指标和MRR@20指标至少提升了3.26%和10.33%,在RetailRocket数据集上P@20指标和MRR@20指标至少提升了0.55%和2.57%,证明了GIHR-GNN模型的有效性。 展开更多
关键词 会话推荐 图同构网络 混合阶残差门控图神经网络 对比学习
在线阅读 下载PDF
基于多尺度卷积神经网络和门控循环单元的离心泵叶轮故障诊断 被引量：1
5
作者 陶付东 智一凡 +4 位作者 李怀瑞 柳应倩 郝达 秦浩洋 付强 《机电工程》 北大核心 2025年第5期885-893,共9页
采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神... 采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神经网络的基础上引入了循环神经网络,建立了特征提取和故障分类模块,可以自动地对原始输入信号进行空间和时间特征提取并识别关键故障模式;然后,搭建了立式离心泵叶轮故障仿真实验台架,对叶轮不同故障下的泵体振动信号进行了采集,用于训练所提MCNN-GRU诊断模型;最后,利用MCNN和GRU搭建了的诊断模型和其他模型,对叶轮不同故障情况下的振动信号故障识别情况进行了对比,并对抗噪性能进行了分析。研究结果表明:无噪声情况下的单通道诊断准确率超过97.59%,在强噪声条件下多通道诊断准确率达99.13%,优于传统方法,表现出良好的抗噪性能;此外,通过三通道振动数据的融合,诊断准确率达100%,可验证多通道数据融合的优势。该研究结果可为离心泵叶轮故障诊断提供可靠的方案。 展开更多
关键词 离心泵 特征提取 多通道信息融合 多尺度卷积神经网络 门控循环单元
在线阅读 下载PDF
基于一维残差卷积神经网络的Pi2脉动识别模型 被引量：1
6
作者 张怡悦 邹自明 方少峰 《空间科学学报》 北大核心 2025年第1期66-81,共16页
Pi2脉动是一种不规则的超低频波(Ultra-Low Frequency,ULF),是磁层与电离层耦合的重要瞬态响应,其发生与亚暴爆发有密切的关系.Pi2脉动作为地球磁层中的一种扰动现象,其发生信号隐藏在地磁场分量观测数据中.面对持续增长的观测数据量,... Pi2脉动是一种不规则的超低频波(Ultra-Low Frequency,ULF),是磁层与电离层耦合的重要瞬态响应,其发生与亚暴爆发有密切的关系.Pi2脉动作为地球磁层中的一种扰动现象,其发生信号隐藏在地磁场分量观测数据中.面对持续增长的观测数据量,如何有效地判断某段地磁场分量观测数据中是否有Pi2脉动发生,是构建Pi2脉动识别模型的关键.利用子午工程磁通门磁力仪观测的地磁场分量数据,基于一维残差卷积神经网络(One-Dimensional Residual Convolutional Neural Network,1D-ResCNN),构建了一个端到端的Pi2脉动识别模型,用于判别某段地磁场分量观测数据中是否有Pi2脉动发生.实验结果表明,该模型与现有公开发表的Pi2脉动机器学习识别模型相比,具有更高的识别准确率和更低的虚报率、漏报率. 展开更多
关键词 Pi2脉动 Pi2脉动识别模型 一维残差卷积神经网络
在线阅读 下载PDF
基于卷积神经网络的线结构光高精度三维测量方法
7
作者 叶涛 何威燃 +2 位作者 刘国鹏 欧阳煜 王斌 《仪器仪表学报》 北大核心 2025年第2期183-195,共13页
线结构光视觉三维测量技术因其高精度和非接触的三维重建优势而被广泛应用。然而,现有的线结构光三维测量方法在标定过程中往往面临较高的耦合性问题,且在复杂环境下,背景噪声和光照变化会严重干扰条纹的提取,导致结构光条纹中心定位精... 线结构光视觉三维测量技术因其高精度和非接触的三维重建优势而被广泛应用。然而,现有的线结构光三维测量方法在标定过程中往往面临较高的耦合性问题,且在复杂环境下,背景噪声和光照变化会严重干扰条纹的提取,导致结构光条纹中心定位精度下降,进而影响整体三维测量的精度和鲁棒性。针对上述问题,提出了一种基于卷积神经网络的鲁棒三维测量方法。首先,设计了一种创新性的残差U型块特征金字塔网络(RSU-FPN),旨在实现背景噪声的干扰抑制和结构光条纹区域中心的高精度鲁棒提取。其次,构建了一种新型的线结构光视觉传感器,并提出了一种分离式测量模型,成功将摄像机标定与光平面标定解耦,极大地提高了系统的灵活性与扩展性。通过这种解耦的标定方式,避免了传统标定方法中存在的耦合问题,使得整个测量系统更加高效且易于调整。实验结果表明,所提出的基于卷积神经网络的鲁棒三维测量方法,在复杂背景下能够实现结构光条纹中心的高精度提取,利用提取出的光条纹中心进行标定,其均方根误差分别为x方向0.005 mm、y方向0.009 mm以及z方向0.097 mm。并且,该方法在不同表面类型(如漫反射表面和光滑反射表面)上均能实现高精度的三维重建,验证了其在实际应用中的优越性和强大的鲁棒性。 展开更多
关键词 线结构光 三维测量 卷积神经网络 残差U型块特征金字塔网络 背景噪声抑制
在线阅读 下载PDF
融合多层次卷积神经网络的知识图谱嵌入模型 被引量：1
8
作者 李敏 李学俊 廖竞 《计算机工程与应用》 北大核心 2025年第6期192-198,共7页
知识图谱嵌入将实体和关系投影到连续的低维嵌入空间中来学习三元组特征。基于翻译类的模型无法提取深层知识且特征表达能力有限,基于神经网络的模型虽然能提取出深层知识但容易丢失浅层知识,并且对于实体和关系间的特征交互能力较弱。... 知识图谱嵌入将实体和关系投影到连续的低维嵌入空间中来学习三元组特征。基于翻译类的模型无法提取深层知识且特征表达能力有限,基于神经网络的模型虽然能提取出深层知识但容易丢失浅层知识,并且对于实体和关系间的特征交互能力较弱。为了在基于神经网络的模型中充分提取三元组浅层与深层特征,提出一种融合多层次卷积神经网络的知识图谱嵌入模型(ConvM),该模型使用头实体与关系交叉排列的重组嵌入方式来加强实体关系间的特征交互,并采用空洞卷积与一维、三维卷积核并列结合的特征提取模块来捕获实体关系间的多尺度交互特征,除此之外引入残差连接以改善原始信息遗忘问题。在五个公开数据集上对ConvM模型进行链接预测实验,实验结果表明,ConvM模型在FB15k、FB15k-237和Kinship数据集上的MRR指标相比ConvE模型分别提升了23.3%、10.8%、12.2%,体现了ConvM模型优秀的特征表达能力,有效提升了链接预测性能。 展开更多
关键词 知识图谱嵌入 残差学习 卷积神经网络 链接预测
在线阅读 下载PDF
基于2D-3D卷积神经网络的情绪识别模型
9
作者 杨朋辉 杨长青 +1 位作者 刘静 崔冬 《燕山大学学报》 北大核心 2025年第1期66-73,共8页
基于脑电信号的情绪识别是人机交互的重要部分,本文将二维卷积神经网络、三维卷积神经网络、深度可分离卷积进行结合,提出一种基于2D-3D卷积神经网络(2-3DCNN)模型,从时间、空间、频率三个方面进行特征提取。在网络中引入SE-ResNet网络... 基于脑电信号的情绪识别是人机交互的重要部分,本文将二维卷积神经网络、三维卷积神经网络、深度可分离卷积进行结合,提出一种基于2D-3D卷积神经网络(2-3DCNN)模型,从时间、空间、频率三个方面进行特征提取。在网络中引入SE-ResNet网络、深度残差收缩网络和Xception网络,挖掘脑电信号中更能显著反映情感变化的空间、时间和频率信息。本文在DEAP公共情感数据集上做性能测试,结果表明,2-3DCNN在唤醒度和效价的两个分类任务上的识别准确率分别达到了97.59%和97.21%,比目前最先进的模型分别高出2.36%和1.34%。 展开更多
关键词 情绪识别 脑电信号 卷积神经网络 深度残差收缩网络 深度可分离卷积
在线阅读 下载PDF
基于卷积神经网络的太阳光谱辐照度超分辨率重建方法
10
作者 张鹏 翁建文 +1 位作者 康晴 李健军 《光子学报》 北大核心 2025年第3期221-230,共10页
针对现有天基参考太阳光谱辐照度数据分辨率不足,限制其应用范围的问题,提出一种基于卷积神经网络的太阳光谱辐照度超分辨率重建方法。该网络由一个基于物理模型的全连通层、一维卷积层、非线性层和一系列具有跳跃连接的残差网络组成。... 针对现有天基参考太阳光谱辐照度数据分辨率不足,限制其应用范围的问题,提出一种基于卷积神经网络的太阳光谱辐照度超分辨率重建方法。该网络由一个基于物理模型的全连通层、一维卷积层、非线性层和一系列具有跳跃连接的残差网络组成。同时考虑现有均方误差损失函数无法捕捉太阳光谱峰谷特征的问题,提出将光谱相对于波长的一阶、二阶导数加入损失函数,使残差的特征更集中于关键的光谱内容。将所提方法应用于TSIS-1 SIM测量太阳光谱辐照度可见光波段的超分辨率重建,结果表明该方法重建光谱与TSIS-1 HSRS产品的测量结果质量相当,且重建耗时仅需0.9421 s,可有效提高天基观测太阳光谱辐照度数据的分辨率。 展开更多
关键词 高分辨率 太阳光谱辐照度 卷积神经网络 残差网络 光谱超分辨率重建
在线阅读 下载PDF
基于一维卷积神经网络的雷达个体识别算法
11
作者 杨孟璋 农丽萍 +1 位作者 李然 王俊义 《计算机工程与设计》 北大核心 2025年第5期1281-1288,共8页
为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用... 为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用全局信息选择关键特征,提高模型的分类识别精度。引入残差使得模型在缓解梯度消失的同时更容易进行优化和训练。实验结果表明,所提模型在实际采集数据集上具有结构简单、训练难度低、分类识别精度高和收敛速度快的优点。 展开更多
关键词 雷达辐射源识别 长序列雷达信号 深度学习 端到端 一维卷积神经网络 注意力机制 残差学习
在线阅读 下载PDF
融合卷积神经网络与线性回归的带式输送机托辊故障音频识别方法
12
作者 陈湘源 秦伟 +1 位作者 刘晏驰 罗明华 《煤炭科学技术》 北大核心 2025年第S1期389-398,共10页
针对煤矿井下带式输送机托辊故障音频识别中存在的声源复杂、特征不显著等问题,提出一种融合卷积神经网络与线性回归的托辊故障音频识别方法。首先通过带式输送机巡检机器人搭载的MEMS拾音器采集托辊沿线音频信号,基于小波自相关去噪技... 针对煤矿井下带式输送机托辊故障音频识别中存在的声源复杂、特征不显著等问题,提出一种融合卷积神经网络与线性回归的托辊故障音频识别方法。首先通过带式输送机巡检机器人搭载的MEMS拾音器采集托辊沿线音频信号,基于小波自相关去噪技术对声音进行预处理,抑制音频信号中的背景噪声信号,优化数据质量。其次利用声纹谱分离技术,采用HPSS(谐波冲击波源分离)方法分离出谐波、冲击波分量,增强托辊故障声音信号特征;基于MFCC(梅尔频率倒谱系数)声纹特征提取方法,解析出谐波-冲击波中托辊声纹特征信息,生成声谱图,提升托辊故障声纹表征能力。最后以声谱图与声品质特征为数据源,融合故障多模态特征,丰富数据维度,基于残差卷积神经网络结构计算图像特征,多元线性回归快速拟合音频基本特征,生成融合卷积神经网络与线性回归的托辊故障音频识别模型进行联合训练,通过Focal Loss损失函数优化模型训练的样本权重,提高模型对托辊故障识别的准确率。用该方法对国能榆林郭家湾煤矿实际采集的带式输送机故障托辊音频信息进行分析验证,结果表明:托辊故障检出率达到95.79%,检出准确率达到95.60%。 展开更多
关键词 托辊故障 音频识别 声纹特征 声谱图 残差卷积神经网络 多元线性回归
在线阅读 下载PDF
基于MSCNN-GRU神经网络补全测井曲线和可解释性的智能岩性识别 被引量：1
13
作者 王婷婷 王振豪 +2 位作者 赵万春 蔡萌 史晓东 《石油地球物理勘探》 北大核心 2025年第1期1-11,共11页
针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问... 针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问题,引入了基于多尺度卷积神经网络(MSCNN)与门控循环单元(GRU)神经网络相结合的曲线重构方法,为后续的岩性识别提供了准确的数据基础;其次,利用小波包自适应阈值方法对数据进行去噪和归一化处理,以减少噪声对岩性识别的影响;然后,采用Optuna框架确定XGBoost算法的超参数,建立了高效的岩性识别模型;最后,利用SHAP可解释性方法对XGBoost模型进行归因分析,揭示了不同特征对于岩性识别的贡献度,提升了模型的可解释性。结果表明,Optuna-XGBoost模型综合岩性识别准确率为79.91%,分别高于支持向量机(SVM)、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性,能够更好地满足实际生产需要。 展开更多
关键词 岩性识别 多尺度卷积神经网络 门控循环单元神经网络 XGBoost 超参数优化 可解释性
在线阅读 下载PDF
基于CNN-GRU组合神经网络的锂电池寿命预测模型研究
14
作者 张安安 谢琳惺 杨威 《电测与仪表》 北大核心 2025年第7期77-84,共8页
针对锂电池容量及内阻等直接性能参数获取困难,导致锂电池寿命预测准确度不高的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)组合神经网络的锂电池寿命预测模型。文章从... 针对锂电池容量及内阻等直接性能参数获取困难,导致锂电池寿命预测准确度不高的问题,提出一种基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)组合神经网络的锂电池寿命预测模型。文章从锂电池充电和放电实验中提取恒流充电时间间隔、恒压充电时间间隔、放电温度峰值时间及循环次数四种间接健康因子,建立Pearson及Spearman相关系数;构建基于CNN-GRU组合神经网络的锂电池寿命预测模型;通过实际数据验证提取健康因子的合理性,并将预测结果与支持向量机模型、长短期记忆(long short-term memory,LSTM)模型、GRU模型、CNN-LSTM模型对比分析,验证所提模型的优越性及有效性。 展开更多
关键词 锂电池 健康因子 相关系数 卷积神经网络 门控循环单元
在线阅读 下载PDF
一种基于神经网络的航磁数据噪声识别和抑制方法 被引量：1
15
作者 冯进凯 李姗姗 +3 位作者 何兆超 范昊鹏 李新星 范雕 《中国惯性技术学报》 北大核心 2025年第1期18-26,共9页
航空磁力测量极易受到外界因素的干扰,噪声抑制是航磁数据处理中的关键一环。为高效识别和抑制航磁测线中存在的随机噪声,提高航磁测量精度,将神经网路方法引入到航磁测线数据的处理中,搭建了涵盖磁测数据噪声识别和噪声抑制的网络,并... 航空磁力测量极易受到外界因素的干扰,噪声抑制是航磁数据处理中的关键一环。为高效识别和抑制航磁测线中存在的随机噪声,提高航磁测量精度,将神经网路方法引入到航磁测线数据的处理中,搭建了涵盖磁测数据噪声识别和噪声抑制的网络,并提出了一套适配于该网络的数据处理流程。仿真实验表明,所搭建的模型可以实现航磁测线的噪声识别和抑制,模型对验证集中的三种类型的含噪测线识别准确率达到99.85%;针对于不同类型的测线数据,噪声抑制效果相比于传统的中值滤波方法、小波滤波方法和经验模态分解方法均有不同程度的提升。实测数据实验表明,模型对航磁测线的噪声识别率为97.78%,而且能够适配实测数据中的各种噪声类别并达到较好的去噪效果,模型不受输入测线长度限制,使用更加方便灵活。 展开更多
关键词 卷积神经网络 残差卷积神经网络 STFT转换 噪声识别 航磁信号去噪
在线阅读 下载PDF
基于改进门控循环神经网络的采煤机滚筒调高量预测 被引量：3
16
作者 齐爱玲 王雨 马宏伟 《工矿自动化》 CSCD 北大核心 2024年第2期116-123,共8页
采煤机自适应截割技术是实现综采工作面智能化开采的关键技术。针对采煤机在复杂煤层下自动截割精度较低的问题,提出了一种基于改进门控循环神经网络(GRU)的采煤机滚筒调高量预测方法。鉴于截割轨迹纵向及横向相邻数据之间的相关性,采... 采煤机自适应截割技术是实现综采工作面智能化开采的关键技术。针对采煤机在复杂煤层下自动截割精度较低的问题,提出了一种基于改进门控循环神经网络(GRU)的采煤机滚筒调高量预测方法。鉴于截割轨迹纵向及横向相邻数据之间的相关性,采用定长滑动时间窗法对获取的采煤机滚筒高度数据进行预处理,将输入数据划分为连续、大小可调的子序列,同时处理横向、纵向的特征信息。为提高模型预测效率,满足循环截割的实时性要求,提出了一种用因果卷积改进的门控循环神经网络(CC-GRU),对输入数据进行双重特征提取和双重数据过滤。CC-GRU利用因果卷积提前聚焦序列纵向的局部时间特征,以减少计算成本,提高运算速度;利用门控机制对卷积得到的特征进行序列化建模,以捕捉元素之间的长期依赖关系。实验结果表明,采用CC-GRU模型对采煤机滚筒调高量进行预测,平均绝对误差(MAE)为43.80 mm,平均绝对百分比误差(MAPE)为1.90%,均方根误差(RMSE)为50.35 mm,决定系数为0.65,预测时间仅为0.17 s;相比于长短时记忆(LSTM)神经网络、GRU、时域卷积网络(TCN),CC-GRU模型的预测速度较快且预测精度较高,能够更准确地对采煤机调高轨迹进行实时预测,为工作面煤层模型的建立和采煤机调高轨迹的预测提供了依据。 展开更多
关键词 采煤机 滚筒调高 煤岩识别 深度学习 门控循环神经网络 因果卷积
在线阅读 下载PDF
基于串联深度神经网络的跨坐式单轨车辆轮胎径向载荷识别模型 被引量：1
17
作者 任利惠 周荣笙 +1 位作者 季元进 曾俊玮 《中国铁道科学》 北大核心 2025年第1期136-148,共13页
针对识别跨坐式单轨车辆轮胎径向载荷时直接测量法成本昂贵、定制复杂,而基于物理模型的方法稳定性差、计算量大、精度不足的问题,建立车辆动力学模型,兼顾物理关系合理性和测量便捷性,选取可通过能观性分解得到的车体和构架振动加速度... 针对识别跨坐式单轨车辆轮胎径向载荷时直接测量法成本昂贵、定制复杂,而基于物理模型的方法稳定性差、计算量大、精度不足的问题,建立车辆动力学模型,兼顾物理关系合理性和测量便捷性,选取可通过能观性分解得到的车体和构架振动加速度以及易直接测量的位移、转角和角速度等车辆姿态信息构建数据集,并验证动力学模型的准确性;预处理数据集时,向其中混入噪声增强数据鲁棒性,进行归一化处理便于数据计算,扩充时间步长增强数据的时序关联性;在此基础上,构建基于一维卷积神经网络(1DCNN)和双向门控循环单元(BiGRU)串联深度神经网络的轮胎径向载荷识别模型,采用Hyperband算法进行模型的超参数优化,在学习率、批量大小和优化器种类最优下通过设置合理的卷积核尺寸和门控循环单元个数规划各层数据维度,在1DCNN中引入逐点卷积和膨胀卷积以提升模型识别效果,并从准确性、鲁棒性和泛化性3个方面对模型的载荷识别效果进行评估。结果表明:与传统模型相比,基于1DCNN-BiGRU的载荷识别模型均方误差较低,低于0.106,准确性较高;数据混入信噪比低至27 dB噪声时仍具有较好的识别效果,鲁棒性较强;在不同的曲线半径、曲线超高率和惯性参数扰动工况下仍能维持较好的识别效果,泛化性较好。 展开更多
关键词 载荷识别 跨坐式单轨车辆 卷积神经网络 双向门控循环单元 超参数优化 车辆动力学模型
在线阅读 下载PDF
基于改进卷积神经网络和射频指纹的无人机检测与识别 被引量：1
18
作者 周景贤 李希娜 《计算机应用》 CSCD 北大核心 2024年第3期876-882,共7页
针对无人机(UAV)在图像识别时易受环境干扰,而传统信号识别难以准确提取特征且实时性较差的问题,提出一种基于改进卷积神经网络(CNN)和射频(RF)指纹的无人机检测识别方法。首先,使用通用软件无线电外设(USRP)捕获环境中的无线电信号,经... 针对无人机(UAV)在图像识别时易受环境干扰,而传统信号识别难以准确提取特征且实时性较差的问题,提出一种基于改进卷积神经网络(CNN)和射频(RF)指纹的无人机检测识别方法。首先,使用通用软件无线电外设(USRP)捕获环境中的无线电信号,经过多分辨率分析获取偏差值,检测是否为无人机射频信号;其次,将检测到的无人机射频信号经过小波变换和主成分分析(PCA)处理,获得射频信号频谱,作为神经网络的输入;最后,构建轻量级残差神经网络(LRCNN),输入射频频谱进行网络训练,进行无人机的分类识别。实验结果表明,所提方法可以有效检测并识别无人机信号,平均识别精度可达84%;在信噪比(SNR)大于20 dB时,LRCNN的识别精度达到了88%,相较于支持向量机(SVM)、原始OracleCNN分别提高31和7个百分点,在识别精度和鲁棒性方面比这两种方法均有所提升。 展开更多
关键词 无人机安全 射频指纹 小波变换 注意力残差网络 卷积神经网络
在线阅读 下载PDF
基于SSA-BiGRU-CNN神经网络和波动数据修正的电动汽车短期负荷预测模型
19
作者 张钰声 曹敏 +1 位作者 雷宇 李龙 《电网与清洁能源》 北大核心 2025年第2期67-74,共8页
为提高区域级电动汽车负荷预测精度,考虑了历史负荷数据自身的内在联系以及天气因素所带来的波动影响,提出一种基于麻雀搜索算法的双向门控循环单元(bidirectional gaterecurrentunit,BiGRU)-卷积神经网络(convolutional neural network... 为提高区域级电动汽车负荷预测精度,考虑了历史负荷数据自身的内在联系以及天气因素所带来的波动影响,提出一种基于麻雀搜索算法的双向门控循环单元(bidirectional gaterecurrentunit,BiGRU)-卷积神经网络(convolutional neural network,CNN)的电动汽车短期负荷预测模型。构建BiGRU-CNN模型,并应用麻雀搜索算法(sparrowsearch algorithm,SSA)对BiGRU神经网络参数进行优化;利用BiGRU神经网络充分学习历史负荷数据的前、后向联系,采用CNN对历史负荷数据进行局部优化,并通过全连接层进行预测;考虑到天气数据内部规律性不强,采用BiGRU-CNN神经网络对天气数据所带来的负荷波动进行误差预测和修正。以陕西某区域电动汽车充电站为例,分别预测预见期为4 h和24 h的电动汽车负荷,实验结果表明,所提模型无论在工作日还是双休日都具有很高的预测精度,验证了所提方法的有效性。 展开更多
关键词 电动汽车 负荷预测 双向门控循环单元 卷积神经网络 麻雀搜索算法
在线阅读 下载PDF
基于自注意力层的神经网络弹道落点预测方法
20
作者 马月红 曹彦敏 +5 位作者 李超旺 赵辰 周辉 赵慧亮 王晓成 李乾 《弹箭与制导学报》 北大核心 2025年第1期53-61,共9页
针对现有的弹道落点预测方法误差大和气象变化适应不足的问题,建立了包含气象条件的弹道数据集,并提出了一种基于自注意力层的CNN-BiLSTM-BiGRU弹道落点预测方法。在所构建的组合模型中引入自注意力层和残差连接,加强模型在处理输入序... 针对现有的弹道落点预测方法误差大和气象变化适应不足的问题,建立了包含气象条件的弹道数据集,并提出了一种基于自注意力层的CNN-BiLSTM-BiGRU弹道落点预测方法。在所构建的组合模型中引入自注意力层和残差连接,加强模型在处理输入序列时动态关注不同时刻信息的能力,缓解网络中的梯度爆炸问题。采用多维时间序列数据的输入表示方法,结合历史弹道轨迹数据和目标特征等信息,减小弹道落点预测误差。仿真结果表明,基于自注意力层的CNN-BiLSTM-BiGRU网络模型的预测效果优于其他模型,射程预测的最大误差占真实值的0.156%,横偏预测的最大误差占真实值的5.904%。文中研究为弹道落点预测领域提供了重要的参考依据。 展开更多
关键词 弹道落点预测 深度学习 弹道模型 自注意力层 卷积神经网络 长短期记忆网络 门控循环神经网络
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 … 36 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