为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指...为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指标信息进行权重分配来提高关键信息的有效利用率;数据集构建充分考虑缺血性脑卒中发生的影响因子,选取Logistic统计学分析方法进行确定,并定义一年为脑卒中研究时间周期,以患者当前及回归预测一年后的参数作为预测模型输入指标。试验结果表明,相比较单一模型,时序特征的提取融合Attention机制的BiLSTM模型的方法,在准确度、灵敏度、特异度等临床判断标准下的预测风险的效果较优,准确率达86%,在缺血性脑卒中疾病早筛查、早预防等领域具有良好的应用价值。展开更多
滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来...滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。展开更多
文摘为实现缺血性脑卒中的年卒中风险的预测,提出一种基于BiLSTM(bi-directional long short-term memory)-Attention的预测模型。采用BiLSTM对患者诊断数据进行特征学习以捕获前向和后向序列数据中的信息;增加Attention机制,对隐藏层中指标信息进行权重分配来提高关键信息的有效利用率;数据集构建充分考虑缺血性脑卒中发生的影响因子,选取Logistic统计学分析方法进行确定,并定义一年为脑卒中研究时间周期,以患者当前及回归预测一年后的参数作为预测模型输入指标。试验结果表明,相比较单一模型,时序特征的提取融合Attention机制的BiLSTM模型的方法,在准确度、灵敏度、特异度等临床判断标准下的预测风险的效果较优,准确率达86%,在缺血性脑卒中疾病早筛查、早预防等领域具有良好的应用价值。
文摘滚动轴承作为机械设备的重要部件,对其进行剩余使用寿命预测在企业的生产过程中变得越来越重要。目前,虽然主流的卷积神经网络(convolutional neural network, CNN)可以自动地从轴承的振动信号中提取特征,却不能给特征分配不同的权重来提高模型对重要特征的关注程度,对于长时间序列容易丢失重要信息。另外,神经网络中隐藏层神经元个数、学习率以及正则化参数等超参数还需要依靠人工经验设置。为了解决上述问题,提出基于灰狼优化(grey wolf optimizer, GWO)算法、优化集合CNN、双向长短期记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制(Attention)轴承剩余使用寿命预测方法。首先,从原始振动信号中提取时域、频域以及时频域特征指标构建可选特征集;然后,通过构建考虑特征相关性、鲁棒性和单调性的综合评价指标筛选出高于设定阈值的轴承退化敏感特征集,作为预测模型的输入;最后,将预测值和真实值的均方误差作为GWO算法的适应度函数,优化预测模型获得最优隐藏层神经元个数、学习率和正则化参数,利用优化后模型进行剩余使用寿命预测,并在公开数据集上进行验证。结果表明,所提方法可在非经验指导下获得最优的超参数组合,优化后的预测模型与未进行优化模型相比,平均绝对误差与均方根误差分别降低了28.8%和24.3%。
