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6,790篇文章
< 1 2 … 250 >
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：
考虑滞后效应的CNN-BIGRU-Attention预测降水型滑坡位移
1
作者 肖金涛 王自法 +2 位作者 王超 赵登科 李兆焱 《人民黄河》 北大核心 2025年第3期135-140,145,共7页
为研究降水对滑坡的影响,基于大沙窝滑坡日降水量和位移数据,采用移动平均法将位移分解为趋势项位移和周期项位移,采用卷积神经网络(CNN)预测趋势项位移,采用带有注意力机制(Attention)的卷积神经网络-双向门控循环单元(CNN-BIGRU)模型... 为研究降水对滑坡的影响,基于大沙窝滑坡日降水量和位移数据,采用移动平均法将位移分解为趋势项位移和周期项位移,采用卷积神经网络(CNN)预测趋势项位移,采用带有注意力机制(Attention)的卷积神经网络-双向门控循环单元(CNN-BIGRU)模型预测周期项位移,通过叠加趋势项位移和周期项位移得到最终预测位移结果。采用斯皮尔曼相关系数结合滞后性研究分析变量间的滞后关系。以BIGRU-Attention、门控循环单元(GRU)、长短期记忆网络(LSTM)模型为对照,比较CNN-BIGRU-Attention模型预测周期项位移的精确性。结果表明:CNN模型预测以3、6、12 h步长的趋势项位移的R^(2)值分别为0.992、0.977、0.965;CNN-BIGRU-Attention模型预测以3、6、12 h步长的周期项位移的R~2值分别为0.963、0.939、0.896,预测精度均高于BIGRU-Attention、GRU、LSTM模型;基于呷任依村滑坡监测数据,验证了CNN-BIGRU-Attention模型的泛化性。 展开更多
关键词 位移预测 CNN BIGRU attention 大沙窝滑坡 呷任依村滑坡
在线阅读 下载PDF
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
基于模糊逻辑的FBiLSTM-Attention短期负荷预测
3
作者 张岩 康泽鹏 +2 位作者 高晓芝 杨楠 王昭雷 《河北科技大学学报》 北大核心 2025年第1期41-48,共8页
针对电力负荷数据由于受多种因素的影响具有高度不确定性的问题,将负荷数据的不确定性与深度学习算法相结合,提出了一种基于模糊逻辑的FBiLSTM-Attention短期负荷预测模型,以提高负荷预测的精度。首先,对原始数据进行数据预处理,包括缺... 针对电力负荷数据由于受多种因素的影响具有高度不确定性的问题,将负荷数据的不确定性与深度学习算法相结合,提出了一种基于模糊逻辑的FBiLSTM-Attention短期负荷预测模型,以提高负荷预测的精度。首先,对原始数据进行数据预处理,包括缺失值填充、相关性分析及数据归一化;其次,通过K-Means聚类将每个特征的数据转换成模糊规则引入模糊逻辑的处理,同时,模型结构方面采用双向长短期记忆网络(BiLSTM)和注意力机制(Attention);最后,对所提方法和传统的LSTM与BiLSTM-Attention模型的预测结果进行对比。结果表明,结合了模糊逻辑的模型精确度和鲁棒性都有了明显的提升,具有更好的预测性能。所提模型可以有效提高处理不确定性数据的能力,为负荷预测研究提供了参考。 展开更多
关键词 数据处理 模糊逻辑 负荷预测 双向长短期记忆网络 注意力机制
在线阅读 下载PDF
基于VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法
4
作者 张伟 仇建春 +5 位作者 夏国春 姚兆仁 吴昊 刘占午 王昱锦 朱新宇 《水电能源科学》 北大核心 2025年第1期99-102,196,共5页
针对水闸深基坑变形监测数据具有非稳定性的特点,提出了基于VMD-Self-attention-LSTM的水闸深基坑变形预测方法。该方法分为三个主要模块,第一模块采用VMD算法自适应调整变形分解模数,将原始变形数据分解为若干具有明显周期规律的分量,... 针对水闸深基坑变形监测数据具有非稳定性的特点,提出了基于VMD-Self-attention-LSTM的水闸深基坑变形预测方法。该方法分为三个主要模块,第一模块采用VMD算法自适应调整变形分解模数,将原始变形数据分解为若干具有明显周期规律的分量,有效解决变形数据的非稳定性,为提升变形预测精度奠定初步基础;第二模块,在传统LSTM算法基础上进一步发展Self-attention-LSTM方法,提升模型对基坑变形样本的时序关系挖掘能力,进而提升基坑变形预测精度;第三模块,将各分量对应的变形预测结果重构得到最终预测值。实例分析可知,所提方法有效解决了非稳定特性给变形预测精度带来的不利影响,与VMD-LSTM、Self-attention-LSTM、LSTM等深度学习方法相比,VMD-Self-attention-LSTM的预测精度最大提升41.49%,与BP、ELM等传统机器学习算法相比,预测精度最大提升50.43%,为水闸深基坑安全监控模型的构建提供了新思路。 展开更多
关键词 水闸深基坑 变形预测 VMD Self-attention-LSTM
在线阅读 下载PDF
基于深度学习LSTM-Attention模型的超短期电力负荷预测研究
5
作者 彭振国 吴让乐 +1 位作者 张兆师 尉颖 《信息技术与信息化》 2025年第1期155-158,共4页
因现有电力负荷预测方法在负荷值的变动上存在较大的波动性,导致预测结果往往存在一定的滞后现象,这在实际应用中可能会带来一些不便和误差。因此,文章探索了一种基于深度学习技术的LSTM-Attention模型,以实现更为精确的超短期电力负荷... 因现有电力负荷预测方法在负荷值的变动上存在较大的波动性,导致预测结果往往存在一定的滞后现象,这在实际应用中可能会带来一些不便和误差。因此,文章探索了一种基于深度学习技术的LSTM-Attention模型,以实现更为精确的超短期电力负荷预测。通过深度学习的方法,将LSTM-Attention混合模型在源域中积累的知识和经验有效地迁移到短期电力负荷预测的目标域。这种方法显著提高了在有限数据条件下的模型学习效果,使得模型能够更好地捕捉到负荷数据中的关键信息和特征。为了进一步提高预测的准确性,采用了区域最优预测值的方法。具体来说,将通过模型计算得到的区域最优预测值加到模型当前的预测值上,以此来达到短期负荷精准预测的效果。此方法能够充分利用历史数据和实时数据,从而直接输出更为准确的预测结果。实验结果表明,采用LSTM-Attention模型的实验组在负荷曲线的变化上表现得更为平稳。预测结果的数值主要维持在5000~6000 MW的范围内,这表明该模型能够有效捕捉电力负荷的总体变化趋势,可以提供更为准确的总体趋势预测,为电力系统的调度和管理提供有力的支持。 展开更多
关键词 深度学习 LSTM attention 超短期 电力负荷
在线阅读 下载PDF
Attention-YOLOv5s:引入注意力机制的YOLOv5s算法
6
作者 杨可帆 魏昕恺 +3 位作者 马妍 王佳玲 宋涛 韦艳芳 《现代信息科技》 2025年第5期25-32,38,共9页
为了提高图像目标检测的准确率,提出一种结合注意力机制的YOLOv5s目标检测算法。首先,针对局部遮挡以及小目标难以检测的问题,在YOLOv5s主干网络中引入注意力机制以提高目标检测算法对重要区域的特征提取能力;然后,为降低模型复杂度并... 为了提高图像目标检测的准确率,提出一种结合注意力机制的YOLOv5s目标检测算法。首先,针对局部遮挡以及小目标难以检测的问题,在YOLOv5s主干网络中引入注意力机制以提高目标检测算法对重要区域的特征提取能力;然后,为降低模型复杂度并加快网络收敛速度,使用SIoU损失函数替换YOLOv5s原有损失函数CIoU;最后,利用改进模型与人群检测算法进行对比试验,分析模型行人检测能力。在VOC2007数据集上的对比实验表明,改进后的YOLOv5s目标检测算法平均准确率达到了70.5%,有效改善了复杂背景下的行人检测效果,同时实现了网络的轻量化。 展开更多
关键词 YOLOv5s 目标检测 注意力机制 损失函数 行人检测
在线阅读 下载PDF
Attention-GRU在PM_(2.5)浓度预测中的应用研究
7
作者 张黎鹏 刘庆杰 《现代信息科技》 2025年第4期74-79,86,共7页
针对PM_(2.5)浓度预测问题,选取北京市顺义监测站的每小时空气质量数据及其对应的气象数据作为研究样本,提出了一种融合多头注意力机制的GRU模型(Attention-GRU)。该模型利用门控循环单元(GRU)捕捉时间序列中与目标特征的长期依赖关系,... 针对PM_(2.5)浓度预测问题,选取北京市顺义监测站的每小时空气质量数据及其对应的气象数据作为研究样本,提出了一种融合多头注意力机制的GRU模型(Attention-GRU)。该模型利用门控循环单元(GRU)捕捉时间序列中与目标特征的长期依赖关系,并通过多头注意力策略来优化多特征与PM_(2.5)浓度的权重分布,关注影响较大的特征因素,从而提升预测的准确性。实验结果表明,与传统方法相比,融合多头注意力机制的GRU模型在均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等指标上表现优异,验证了该方法的有效性和优越性。 展开更多
关键词 多头注意力机制 PM_(2.5)预测 门控循环单元(GRU) 空气质量
在线阅读 下载PDF
融合时序分解的STL-Attention-LSTM模型在昆山市PM_(2.5)预测中的应用
8
作者 陈广银 俞卫 +1 位作者 姜欣 张霄汉 《科技通报》 2025年第2期78-84,90,共8页
为了有效应对高浓度PM_(2.5)对公众呼吸系统和心血管系统造成的潜在健康风险,开发能够及时预警恶劣空气质量的模型尤为重要。本文针对当前PM_(2.5)浓度预测模型普遍忽略其周期性和趋势性的问题,提出了一种融合时序分解的STL-Attention-L... 为了有效应对高浓度PM_(2.5)对公众呼吸系统和心血管系统造成的潜在健康风险,开发能够及时预警恶劣空气质量的模型尤为重要。本文针对当前PM_(2.5)浓度预测模型普遍忽略其周期性和趋势性的问题,提出了一种融合时序分解的STL-Attention-LSTM模型用于PM_(2.5)浓度预测。首先,对昆山市的PM_(2.5)数据进行STL(season⁃al trend loss)分解,提取其趋势、周期和残差3个分量。随后,将趋势和周期分量与原始数据集成,形成一组新的特征向量用于模型训练和预测。实验结果显示,STL-Attention-LSTM模型在预测未来1 h的PM_(2.5)浓度时,MAE(mean absolute error)、MSE(mean squared error)、RMSE(root mean squared error)和R2分别为2.08、9.33、3.06和0.97,优于LSTM(long short-term memory)和Attention-LSTM模型,能够更好地捕捉PM_(2.5)变化趋势并减少较大的预测误差。此外,在不同监测站点的泛化能力测试中,该模型也展现出较高的预测精度和良好的泛化性能。 展开更多
关键词 PM_(2.5)预测 时序分解 attention-LSTM 昆山市
在线阅读 下载PDF
基于PSO-CNN-GRU-Attention的油气井生产监测与数字孪生管控研究
9
作者 冉瑞平 孙长浩 +3 位作者 刘长春 王立平 黄凯 穆泽宇 《油气井测试》 2025年第1期55-61,共7页
油气井生产过程中,持续、精确地透明化监测有关生产质量的各项参数,对于确保作业成功率及后续井筒的完整性维护具有重要的作用。本文提出了一种基于数字孪生和深度学习的油气井生产质量透明化管控方法,构建了高度精细化的数字孪生三维模... 油气井生产过程中,持续、精确地透明化监测有关生产质量的各项参数,对于确保作业成功率及后续井筒的完整性维护具有重要的作用。本文提出了一种基于数字孪生和深度学习的油气井生产质量透明化管控方法,构建了高度精细化的数字孪生三维模型,设计了孪生模型生产质量数据交互机制以及油气井生产过程实时响应与动作映射机制。基于映射的生产质量相关数据,运用PSO-CNN-GRU-Attention算法构建油气井生产质量预测模型,通过CNN网络提取油气井生产质量的关键特征要素,基于GRU-Attention挖掘关键特征要素之间的关联关系,运用PSO对网络参数进行寻优。实验结果表明,油气井数字孪生透明化监测与管控平台可以实现生产参数和质量的有效监测与预测,所提出的油气井生产质量透明化管控方法具有显著的优越性。 展开更多
关键词 数字孪生 油气井生产监测 PSO-CNN-GRU-attention算法 深度学习 质量预测 透明化管控 监控平台
在线阅读 下载PDF
基于LSTM-Attention的高速公路短时速度预测方法研究
10
作者 姚进强 孙超 +3 位作者 孟少寅 陈天怡 张永捷 张子彦 《交通与运输》 2025年第1期55-60,共6页
作为智能交通系统的重要组成部分,高速公路短时速度预测可为交通管理者提供动态调控依据,以提高城市交通系统运行效率。针对G92杭州湾环线高速公路ETC门架数据,进行分路段细化拆分与10 min级颗粒度归集;为解决统计学模型对波动性数据特... 作为智能交通系统的重要组成部分,高速公路短时速度预测可为交通管理者提供动态调控依据,以提高城市交通系统运行效率。针对G92杭州湾环线高速公路ETC门架数据,进行分路段细化拆分与10 min级颗粒度归集;为解决统计学模型对波动性数据特征提取不足与RNN等模型存在的梯度消失问题,提出一种基于长短期记忆网络(LSTM)算法模型与Attention机制相结合的高速公路短时速度预测模型,其中,LSTM模型具有在捕获时间序列数据长期依赖关系捕捉和数据特征提取的优势,Attention机制的引入又可使时间序列在数据处理时更加注重关键信息,从而实现高速公路常规环境下短时通行状况的有效预测。 展开更多
关键词 高速公路 ETC门架数据 路段速度短时预测 LSTM-attention模型
在线阅读 下载PDF
基于GatedTCN-Attentions的煤矿变压器顶层油温预测
11
作者 谢海峰 裴文良 +1 位作者 魏硕 张越超 《煤炭技术》 2025年第4期257-262,共6页
顶层油温预测可以为煤矿油浸式变压器的故障预警和老化评估提供重要依据,有利于保障煤矿安全。针对传统方法在信息提取、油温长周期预测方面的局限性,提出一种基于GatedTCN-Attentions的煤矿变压器顶层油温预测方法。首先,通过K-近邻算... 顶层油温预测可以为煤矿油浸式变压器的故障预警和老化评估提供重要依据,有利于保障煤矿安全。针对传统方法在信息提取、油温长周期预测方面的局限性,提出一种基于GatedTCN-Attentions的煤矿变压器顶层油温预测方法。首先,通过K-近邻算法将数据规范化;然后,由门控时序卷积神经网络和通道注意力模块建立分支通道进行特征提取,再通过块注意力机制进行多模态特征融合;最后,由回归预测模块输出油温预测值。实验结果表明,相比于其他传统深度学习模型,所提模型在长周期油温预测的准确性和稳定性方面均具有明显优势,对煤矿变压器的健康监测具有指导意义。 展开更多
关键词 煤矿变压器 顶层油温 门控时序卷积网络 注意力机制 长周期预测
在线阅读 下载PDF
基于XGBoost-WOA-BiLSTM-Attention的公共建筑暖通空调能耗预测研究 被引量：1
12
作者 于水 罗宇晨 +2 位作者 安瑞 李思尧 陈志杰 《建筑技术》 2024年第17期2071-2075,共5页
为在双碳目标下实现节能减排,降低能源成本,提出一种基于BiLSTM的公共建筑暖通空调能耗预测模型。在BiLSTM模型基础上,使用XGBoost算法对输入特征进行选择,剔除冗余特征,得到最佳模型输入特征;然后利用WOA优化算法对添加了Attention机制... 为在双碳目标下实现节能减排,降低能源成本,提出一种基于BiLSTM的公共建筑暖通空调能耗预测模型。在BiLSTM模型基础上,使用XGBoost算法对输入特征进行选择,剔除冗余特征,得到最佳模型输入特征;然后利用WOA优化算法对添加了Attention机制的BiLSTM模型中的6个超参数进行优化,将得到的最优参数代入BiLSTM-Attention神经网络中进行预测,并与BiLSTM模型、BiLSTM-Attention模型和WOA-BiLSTM-Attention模型进行对比。结果表明,所提出的XGBoost-WOA-BiLSTM-Attention模型的RMSE、MAE、R2分别为0.0106、0.006、0.9991,优于其他模型,且相对于持续模型在均方根误差RMSE上提升了98%,为降低公共建筑暖通空调能耗研究提供了参考。 展开更多
关键词 HVAC能耗 XGBoost WOA优化 attention机制 BiLSTM
在线阅读 下载PDF
基于IGWO-Attention-GRU的短期电力负荷预测模型
13
作者 徐利美 贺卫华 +2 位作者 李远 朱燕芳 续欣莹 《信息技术》 2024年第12期101-108,共8页
为了提高短期电力负荷的预测精度,针对电力负荷序列波动性强、复杂性高的特点,综合考虑气象因素及日期类型的影响,文中提出一种基于改进灰狼优化算法(IGWO)优化Attention-GRU网络的短期电力负荷预测模型。首先,构建Attention-GRU网络;其... 为了提高短期电力负荷的预测精度,针对电力负荷序列波动性强、复杂性高的特点,综合考虑气象因素及日期类型的影响,文中提出一种基于改进灰狼优化算法(IGWO)优化Attention-GRU网络的短期电力负荷预测模型。首先,构建Attention-GRU网络;其次,对灰狼优化算法(GWO)进行改进,并利用IGWO寻找Attention-GRU网络的超参数;最后,使用IGWO-Attention-GRU模型在电力负荷数据集上进行实验,并与多种预测模型进行比较。实验结果表明,IGWO-Attention-GRU模型的MAPE、RMSE和MAE值均为各种预测模型中最低,验证了IGWO-Attention-GRU模型的优越性。 展开更多
关键词 短期电力负荷预测 GRU网络 attention机制 改进灰狼优化算法 超参数寻优
在线阅读 下载PDF
基于CNN-LSTM-Attention和自回归的混合水位预测模型 被引量：2
14
作者 吕海峰 涂井先 +1 位作者 林泓全 冀肖榆 《水利水电技术（中英文）》 北大核心 2024年第6期16-31,共16页
【目的】水位预测对交通运输、农业以及防洪措施具有重要影响。精确的水位值可用于提升水道运输的安全及效率、降低洪水风险,同时也是保障区域可持续发展的必要条件。【方法】提出一种CRANet的混合水位预测模型,以卷积神经网络(CNN)、... 【目的】水位预测对交通运输、农业以及防洪措施具有重要影响。精确的水位值可用于提升水道运输的安全及效率、降低洪水风险,同时也是保障区域可持续发展的必要条件。【方法】提出一种CRANet的混合水位预测模型,以卷积神经网络(CNN)、长短期记忆网络(LSTM)、注意力机制以及自回归(AR)组件为基础,旨在应对时间序列数据中存在的线性与非线性问题,缓解自回归及ARIMA模型的缺陷。其应用不仅在于为航运调度提供决策支撑,加强导航安全效率,同样能提升防洪减灾的能力。其中,CNN和LSTM组件有效地针对数据集内的局部和全局关系进行捕捉,AR组件则能充分考虑数据的时间序列特性。同时,通过注意力机制,模型能够优先考虑相关特性,提高预测效果。【结果】研究成果所提出的模型已成功应用于中国西江梧州站的水位预测,在测试集上预测未来3 h级别水位的MAE、RMSE和R^(2)分别为0.086、0.114 5和0.950 8。【结论】结果表明所提出的CRANet模型在水位预测方面的高可用性、准确度与稳健性,相较于AR、SVR、CNN、LSTM等模型具有更优的MAE、RMSE和R^(2)。 展开更多
关键词 时间序列 水位预测 CNN LSTM attention 影响因素 洪水 西江
在线阅读 下载PDF
融合MacBERT和Talking⁃Heads Attention实体关系联合抽取模型 被引量：1
15
作者 王春亮 姚洁仪 李昭 《现代电子技术》 北大核心 2024年第5期127-131,共5页
针对现有的医学文本关系抽取任务模型在训练过程中存在语义理解能力不足,可能导致关系抽取的效果不尽人意的问题,文中提出一种融合MacBERT和Talking⁃Heads Attention的实体关系联合抽取模型。该模型首先利用MacBERT语言模型来获取动态... 针对现有的医学文本关系抽取任务模型在训练过程中存在语义理解能力不足,可能导致关系抽取的效果不尽人意的问题,文中提出一种融合MacBERT和Talking⁃Heads Attention的实体关系联合抽取模型。该模型首先利用MacBERT语言模型来获取动态字向量表达,MacBERT作为改进的BERT模型,能够减少预训练和微调阶段之间的差异,从而提高模型的泛化能力;然后,将这些动态字向量表达输入到双向门控循环单元(BiGRU)中,以便提取文本的上下文特征。BiGRU是一种改进的循环神经网络(RNN),具有更好的长期依赖捕获能力。在获取文本上下文特征之后,使用Talking⁃Heads Attention来获取全局特征。Talking⁃Heads Attention是一种自注意力机制,可以捕获文本中不同位置之间的关系,从而提高关系抽取的准确性。实验结果表明,与实体关系联合抽取模型GRTE相比,该模型F1值提升1%,precision值提升0.4%,recall值提升1.5%。 展开更多
关键词 MacBERT BiGRU 关系抽取 医学文本 Talking⁃Heads attention 深度学习 全局特征 神经网络
在线阅读 下载PDF
基于CNN-LSTM-Attention的月生活需水预测研究
16
作者 陈星 沈紫菡 +1 位作者 许钦 蔡晶 《三峡大学学报（自然科学版）》 CAS 北大核心 2024年第5期1-6,共6页
需水预测是进行水资源配置的重要部分,对于水资源合理开发利用和社会可持续发展有重要指导意义.本文以陕西省为研究区,结合大数据分析法,提出一种基于CNN-LSTM-Attention的月生活需水预测模型.首先,通过卷积神经网络(convolutional neur... 需水预测是进行水资源配置的重要部分,对于水资源合理开发利用和社会可持续发展有重要指导意义.本文以陕西省为研究区,结合大数据分析法,提出一种基于CNN-LSTM-Attention的月生活需水预测模型.首先,通过卷积神经网络(convolutional neural networks,CNN)提取数据动态变化特征,然后利用长短期记忆(long short-term memory,LSTM)网络对提取的特征进行学习训练,最后使用注意力(attention)机制分配LSTM隐含层不同权重,预测月生活需水量并对比实际数据.结果表明,CNN-LSTM-Attention模型的相对平均误差值和决定系数(R2)分别为2.54%、0.95,满足预测精度需求,相比于LSTM模型预测精度更高.进一步证明了模型预测的合理性,可为陕西省水资源规划提供指导. 展开更多
关键词 月尺度 需水预测 卷积神经网络 长短期记忆网络 注意力机制 因子筛选
在线阅读 下载PDF
基于LSTM-Attention和CNN-BiGRU误差修正的光伏功率预测
17
作者 吐松江·卡日 雷柯松 +2 位作者 马小晶 吴现 余凯峰 《太阳能学报》 CSCD 北大核心 2024年第12期85-93,共9页
为有效分析与利用光伏功率预测模型中以特定规律分布的预测误差,提出基于LSTM-Attention和CNN-BiGRU误差修正的光伏功率预测模型。首先,引入注意力机制(Attention)弥补输入序列长时长短期记忆网络(LSTM)难以保留关键信息的不足,建立LSTM... 为有效分析与利用光伏功率预测模型中以特定规律分布的预测误差,提出基于LSTM-Attention和CNN-BiGRU误差修正的光伏功率预测模型。首先,引入注意力机制(Attention)弥补输入序列长时长短期记忆网络(LSTM)难以保留关键信息的不足,建立LSTM-Attention的预测模型对光伏功率进行初步预测。其次,将卷积神经网络(CNN)在非线性特征提取上的优势与双向门控循环单元(BiGRU)在防止多种特征相互干扰的优势相结合,搭建CNN-BiGRU误差预测模型对可能产生的误差进行预测,从而对初步预测结果进行修正。经过实例分析表明:与未经误差修正的预测结果进行对比,经CNN-BiGRU误差预测模型进行误差修正后在不同天气类型中均能有效提高预测精度。 展开更多
关键词 光伏功率预测 深度学习 误差修正 注意力机制 长短期神经网络 双向门控循环单元
在线阅读 下载PDF
基于DA-Attention U-Net编码-解码结构的浮选矿浆相气泡图像分割
18
作者 徐宏祥 李神舟 徐培培 《有色金属（选矿部分）》 CAS 2024年第6期106-115,131,共11页
浮选矿浆相气泡图像是采集自浮选槽内部矿浆溶液中的图像数据,与浮选泡沫相图像数据相比视觉特征显著不同。针对使用特殊设备从浮选槽矿浆溶液中原位采集的气泡图像数据,提出了一种基于DA-Attention U-Net编码-解码结构的气泡分割模型... 浮选矿浆相气泡图像是采集自浮选槽内部矿浆溶液中的图像数据,与浮选泡沫相图像数据相比视觉特征显著不同。针对使用特殊设备从浮选槽矿浆溶液中原位采集的气泡图像数据,提出了一种基于DA-Attention U-Net编码-解码结构的气泡分割模型。模型以U-Net为基础,引入CBAM模块并依据Residual残差连接思想改进模块结构,使模型同时具有通道注意力和空间注意力的优点,给予包含气泡的前景区域更大权重,减少因下采样次数多导致的信息丢失;引入ASPP模块并基于Dense密集连接思想进行改进,从多尺度提取气泡特征及整合前后特征层信息;并在完成气泡分割的基础上使用热力图与显著图对分割结果进行分析。研究结果表明,与原始U-Net相比,所提模型对气泡图像分割效果更优,训练损失、Dice系数降低了0.416、0.2,分别达到了0.015、0.12,MIoU精度值、F1_Score值提升了0.331、0.229,分别达到了0.952、0.985,并通过消融试验验证了各模块有效性。该模型对气泡图像的精确分割,可为后续提取气泡特征奠定基础,对于未来将矿浆相气泡特征信息用于浮选过程智能控制,具有重要意义。 展开更多
关键词 浮选矿浆相气泡 语义分割 密集连接机制 注意力集中机制 浮选过程智能控制
在线阅读 下载PDF
基于Attention-BiLSTM混合模型的月尺度降水量预测 被引量：1
19
作者 成玉祥 肖丽英 +2 位作者 王萍根 刘祥周 章晨晖 《人民珠江》 2024年第6期73-81,共9页
降水受到多种气象因素的影响,从而导致降水预测精度不高。针对这个问题,在考虑影响降水的多个气象因素基础上,通过Attention机制赋予各种气象因素不同的权重,结合双向长短期记忆神经网络(BiLSTM),提出了改进的Attention-BiLSTM混合模型... 降水受到多种气象因素的影响,从而导致降水预测精度不高。针对这个问题,在考虑影响降水的多个气象因素基础上,通过Attention机制赋予各种气象因素不同的权重,结合双向长短期记忆神经网络(BiLSTM),提出了改进的Attention-BiLSTM混合模型去实现月尺度降水量的预测。以江西省南昌气象站为例,将1989—2018年的逐月降水量与逐月气象因素(气温、蒸发量、气压等)观测资料作为模型输入数据,通过Attention机制识别出各种气象因素的权重,从而提高BiLSTM模型对降水量的预测性能。结果表明:Attention-BiLSTM混合模型可有效地提高降水量预测的精度;通过Attention机制的修正,显著地改善了原有的BiLSTM模型降水量预测值偏低的问题。 展开更多
关键词 月尺度降水 气象因子 attention机制 BiLSTM 预测性能
在线阅读 下载PDF
Attention U-Net在雷达信号图像化分选中的应用研究
20
作者 郭立民 张鹤韬 +2 位作者 莫禹涵 于飒宁 胡懿真 《舰船电子对抗》 2024年第3期78-83,95,共7页
针对海战场复杂电磁环境对雷达信号分选的挑战,采用改进的U-Net网络结合注意力机制提出新的分选方法。首先,将脉冲描述字转化为图像序列以适应深度学习处理。通过优化U-Net架构,融入注意力机制,有效提升模型对关键脉冲特征的识别与提取... 针对海战场复杂电磁环境对雷达信号分选的挑战,采用改进的U-Net网络结合注意力机制提出新的分选方法。首先,将脉冲描述字转化为图像序列以适应深度学习处理。通过优化U-Net架构,融入注意力机制,有效提升模型对关键脉冲特征的识别与提取能力,实现像素级分类。通过此方法,系统能够精准搜索并归类所有雷达脉冲。实验证明,在海战场复杂电磁环境中,该方法显著提升了雷达信号分选准确率,提供了一种应对强干扰环境下的高效解决方案。这一研究成果证实了Attention U-Net在雷达信号智能分选中的优越性和实用性。 展开更多
关键词 雷达信号分选 U-Net网络 注意力机制 脉冲描述字
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 … 250 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