期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计
1
作者
柳博
吴松荣
+2 位作者
付聪
王少惟
张驰
《电子测量技术》
北大核心
2025年第9期75-83,共9页
电池荷电状态(SOC)是电动汽车锂电池管理的核心参数之一,本文提出一种基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计模型。首先搭建双向时域卷积网络(BiTCN)和双向门循环单元(BiGRU)组合的SOC估计模型,然后使用白鲸算法(BWO)对BiTCN-...
电池荷电状态(SOC)是电动汽车锂电池管理的核心参数之一,本文提出一种基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计模型。首先搭建双向时域卷积网络(BiTCN)和双向门循环单元(BiGRU)组合的SOC估计模型,然后使用白鲸算法(BWO)对BiTCN-BiGRU模型超参数寻优以充分发挥组合网络模型的优势,并且分别在传统BWO的探索阶段和鲸落阶段引入改进策略以解决传统BWO容易陷入局部最优且收敛速度慢的问题。最后基于开源锂电池充放电数据集验证改进后SOC估计模型的性能,结果表明在3种温度的标准化城市循环工况下,改进白鲸算法优化BiTCN-BiGRU模型的SOC估计平均绝对误差为0.428%,均方根误差为0.38%,能很好的应用于锂电池SOC估计。
展开更多
关键词
锂电池
SOC估计
bitcn
网络
BiGRU网络
白鲸优化算法
在线阅读
下载PDF
职称材料
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
2
作者
傅蜀燕
杨石勇
+2 位作者
陈德辉
王子轩
欧斌
《水资源与水工程学报》
北大核心
2025年第1期118-128,共11页
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN...
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。
展开更多
关键词
土石坝测压管水位
渗流预测
双向时序卷积神经网络
注意力机制
最小二乘支持向量机
在线阅读
下载PDF
职称材料
基于特征交叉注意力机制融合的轴承故障诊断方法
被引量：
1
3
作者
赵国超
刘崇德
+2 位作者
宋宇宁
金鑫
李伟华
《振动与冲击》
北大核心
2025年第12期228-237,共10页
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo...
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。
展开更多
关键词
滚动轴承
故障诊断
双向时间卷积网络(
bitcn
)
时频融合
交叉注意力机制(CA)
在线阅读
下载PDF
职称材料
题名
基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计
1
作者
柳博
吴松荣
付聪
王少惟
张驰
机构
磁浮技术与磁浮列车教育部重点实验室
西南交通大学电气工程学院
出处
《电子测量技术》
北大核心
2025年第9期75-83,共9页
文摘
电池荷电状态(SOC)是电动汽车锂电池管理的核心参数之一,本文提出一种基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计模型。首先搭建双向时域卷积网络(BiTCN)和双向门循环单元(BiGRU)组合的SOC估计模型,然后使用白鲸算法(BWO)对BiTCN-BiGRU模型超参数寻优以充分发挥组合网络模型的优势,并且分别在传统BWO的探索阶段和鲸落阶段引入改进策略以解决传统BWO容易陷入局部最优且收敛速度慢的问题。最后基于开源锂电池充放电数据集验证改进后SOC估计模型的性能,结果表明在3种温度的标准化城市循环工况下,改进白鲸算法优化BiTCN-BiGRU模型的SOC估计平均绝对误差为0.428%,均方根误差为0.38%,能很好的应用于锂电池SOC估计。
关键词
锂电池
SOC估计
bitcn
网络
BiGRU网络
白鲸优化算法
Keywords
Lithium batteries
SOC estimation
bitcn network
BiGRU
network
beluga whale optimization algorithm
分类号
TM912 [电气工程—电力电子与电力传动]
TN98 [电子电信—信息与通信工程]
在线阅读
下载PDF
职称材料
题名
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
2
作者
傅蜀燕
杨石勇
陈德辉
王子轩
欧斌
机构
云南农业大学水利学院
河海大学水灾害防御全国重点实验室
云南省中小型水利工程智慧管养工程研究中心
出处
《水资源与水工程学报》
北大核心
2025年第1期118-128,共11页
基金
国家自然科学基金项目(52069029、52369026)
“一带一路”水与可持续发展科技基金资助项目(2023490411)
云南省农业基础研究联合专项面上项目(202401BD070001-071)。
文摘
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。
关键词
土石坝测压管水位
渗流预测
双向时序卷积神经网络
注意力机制
最小二乘支持向量机
Keywords
piezometer water level in earth-rock dam
seepage prediction
bidirectional temporal convolutional
network
(
bitcn
)
attention mechanism(Attention)
least square support vector machine(LSSVM)
分类号
TV698.11 [水利工程—水利水电工程]
在线阅读
下载PDF
职称材料
题名
基于特征交叉注意力机制融合的轴承故障诊断方法
被引量：
1
3
作者
赵国超
刘崇德
宋宇宁
金鑫
李伟华
机构
辽宁工程技术大学机械工程学院
矿山液压技术与装备国家地方联合工程研究中心
营口理工学院机械与动力工程学院
出处
《振动与冲击》
北大核心
2025年第12期228-237,共10页
基金
国家自然科学基金(52204169)
辽宁省自然基金联合基金计划项目(20240301,20240318)
辽宁省教育厅基本科研项目(JYTMS20230063)。
文摘
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。
关键词
滚动轴承
故障诊断
双向时间卷积网络(
bitcn
)
时频融合
交叉注意力机制(CA)
Keywords
rolling bearings
fault diagnosis
bidirectional temporal convolutional
network
s(
bitcn
)
time-frequency fusion
cross-attention mechanism(CA)
分类号
TH212 [机械工程—机械制造及自动化]
TH213.3 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计
柳博
吴松荣
付聪
王少惟
张驰
《电子测量技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
傅蜀燕
杨石勇
陈德辉
王子轩
欧斌
《水资源与水工程学报》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
基于特征交叉注意力机制融合的轴承故障诊断方法
赵国超
刘崇德
宋宇宁
金鑫
李伟华
《振动与冲击》
北大核心
2025
1
在线阅读
下载PDF
职称材料
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
