期刊文献+
共找到59篇文章
< 1 2 3 >
每页显示 20 50 100
Research on Short-Term Electric Load Forecasting Using IWOA CNN-BiLSTM-TPA Model
1
作者 MEI Tong-da SI Zhan-jun ZHANG Ying-xue 《印刷与数字媒体技术研究》 北大核心 2025年第1期179-187,共9页
Load forecasting is of great significance to the development of new power systems.With the advancement of smart grids,the integration and distribution of distributed renewable energy sources and power electronics devi... Load forecasting is of great significance to the development of new power systems.With the advancement of smart grids,the integration and distribution of distributed renewable energy sources and power electronics devices have made power load data increasingly complex and volatile.This places higher demands on the prediction and analysis of power loads.In order to improve the prediction accuracy of short-term power load,a CNN-BiLSTMTPA short-term power prediction model based on the Improved Whale Optimization Algorithm(IWOA)with mixed strategies was proposed.Firstly,the model combined the Convolutional Neural Network(CNN)with the Bidirectional Long Short-Term Memory Network(BiLSTM)to fully extract the spatio-temporal characteristics of the load data itself.Then,the Temporal Pattern Attention(TPA)mechanism was introduced into the CNN-BiLSTM model to automatically assign corresponding weights to the hidden states of the BiLSTM.This allowed the model to differentiate the importance of load sequences at different time intervals.At the same time,in order to solve the problem of the difficulties of selecting the parameters of the temporal model,and the poor global search ability of the whale algorithm,which is easy to fall into the local optimization,the whale algorithm(IWOA)was optimized by using the hybrid strategy of Tent chaos mapping and Levy flight strategy,so as to better search the parameters of the model.In this experiment,the real load data of a region in Zhejiang was taken as an example to analyze,and the prediction accuracy(R2)of the proposed method reached 98.83%.Compared with the prediction models such as BP,WOA-CNN-BiLSTM,SSA-CNN-BiLSTM,CNN-BiGRU-Attention,etc.,the experimental results showed that the model proposed in this study has a higher prediction accuracy. 展开更多
关键词 Whale Optimization Algorithm convolutional neural network long short-term memory Temporal Pattern Attention Power load forecasting
在线阅读 下载PDF
Chinese named entity recognition with multi-network fusion of multi-scale lexical information
2
作者 Yan Guo Hong-Chen Liu +3 位作者 Fu-Jiang Liu Wei-Hua Lin Quan-Sen Shao Jun-Shun Su 《Journal of Electronic Science and Technology》 EI CAS CSCD 2024年第4期53-80,共28页
Named entity recognition(NER)is an important part in knowledge extraction and one of the main tasks in constructing knowledge graphs.In today’s Chinese named entity recognition(CNER)task,the BERT-BiLSTM-CRF model is ... Named entity recognition(NER)is an important part in knowledge extraction and one of the main tasks in constructing knowledge graphs.In today’s Chinese named entity recognition(CNER)task,the BERT-BiLSTM-CRF model is widely used and often yields notable results.However,recognizing each entity with high accuracy remains challenging.Many entities do not appear as single words but as part of complex phrases,making it difficult to achieve accurate recognition using word embedding information alone because the intricate lexical structure often impacts the performance.To address this issue,we propose an improved Bidirectional Encoder Representations from Transformers(BERT)character word conditional random field(CRF)(BCWC)model.It incorporates a pre-trained word embedding model using the skip-gram with negative sampling(SGNS)method,alongside traditional BERT embeddings.By comparing datasets with different word segmentation tools,we obtain enhanced word embedding features for segmented data.These features are then processed using the multi-scale convolution and iterated dilated convolutional neural networks(IDCNNs)with varying expansion rates to capture features at multiple scales and extract diverse contextual information.Additionally,a multi-attention mechanism is employed to fuse word and character embeddings.Finally,CRFs are applied to learn sequence constraints and optimize entity label annotations.A series of experiments are conducted on three public datasets,demonstrating that the proposed method outperforms the recent advanced baselines.BCWC is capable to address the challenge of recognizing complex entities by combining character-level and word-level embedding information,thereby improving the accuracy of CNER.Such a model is potential to the applications of more precise knowledge extraction such as knowledge graph construction and information retrieval,particularly in domain-specific natural language processing tasks that require high entity recognition precision. 展开更多
关键词 Bi-directional long short-term memory(BiLSTM) Chinese named entity recognition(CNER) Iterated dilated convolutional neural network(IDCNN) Multi-network integration Multi-scale lexical features
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
3
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
Deep Learning-Based Symbol Detection for Time-Varying Nonstationary Channels 被引量:2
4
作者 Xuantao Lyu Wei Feng +1 位作者 Ning Ge Xianbin Wang 《China Communications》 SCIE CSCD 2022年第3期158-171,共14页
The highly dynamic channel(HDC)in an extremely dynamic environment mainly has fast timevarying nonstationary characteristics.In this article,we focus on the most difficult HDC case,where the channel coherence time is ... The highly dynamic channel(HDC)in an extremely dynamic environment mainly has fast timevarying nonstationary characteristics.In this article,we focus on the most difficult HDC case,where the channel coherence time is less than the symbol period.To this end,we propose a symbol detector based on a long short-term memory(LSTM)neural network.Taking the sampling sequence of each received symbol as the LSTM unit's input data has the advantage of making full use of received information to obtain better performance.In addition,using the basic expansion model(BEM)as the preprocessing unit significantly reduces the number of neural network parameters.Finally,the simulation part uses the highly dynamic plasma sheath channel(HDPSC)data measured from shock tube experiments.The results show that the proposed BEM-LSTM-based detector has better performance and does not require channel estimation or channel model information. 展开更多
关键词 highly dynamic channel deep neural network long short-term memory basis expansion model symbol detection
在线阅读 下载PDF
Recognition of mortar pumpability via computer vision and deep learning
5
作者 Hao-Zhe Feng Hong-Yang Yu +2 位作者 Wen-Yong Wang Wen-Xuan Wang Ming-Qian Du 《Journal of Electronic Science and Technology》 EI CAS CSCD 2023年第3期73-81,共9页
The mortar pumpability is essential in the construction industry,which requires much labor to estimate manually and always causes material waste.This paper proposes an effective method by combining a 3-dimensional con... The mortar pumpability is essential in the construction industry,which requires much labor to estimate manually and always causes material waste.This paper proposes an effective method by combining a 3-dimensional convolutional neural network(3D CNN)with a 2-dimensional convolutional long short-term memory network(ConvLSTM2D)to automatically classify the mortar pumpability.Experiment results show that the proposed model has an accuracy rate of 100%with a fast convergence speed,based on the dataset organized by collecting the corresponding mortar image sequences.This work demonstrates the feasibility of using computer vision and deep learning for mortar pumpability classification. 展开更多
关键词 Classification Computer vision deep learning PUMPABILITY 2-dimensional convolutional long short-term memory network (ConvLSTM2D) 3-dimensional convolutional neural network(3D CNN)
在线阅读 下载PDF
基于CNN-LSTM混合神经网络的卷烟滤棒质量预测
6
作者 王红斌 李志文 《长春理工大学学报(自然科学版)》 2024年第4期67-73,共7页
为了在卷烟生产数据中挖掘出滤棒生产过程的有效信息,解决各批次产品质量检测困难的问题,结合卷积神经网络的特征提取能力与长短期记忆网络处理时序数据的有效性,提出了基于CNN-LSTM混合神经网络的卷烟滤棒质量预测模型。该模型通过卷... 为了在卷烟生产数据中挖掘出滤棒生产过程的有效信息,解决各批次产品质量检测困难的问题,结合卷积神经网络的特征提取能力与长短期记忆网络处理时序数据的有效性,提出了基于CNN-LSTM混合神经网络的卷烟滤棒质量预测模型。该模型通过卷积层提取输入数据的局部特征,然后在LSTM层中捕捉特征之间的时序关系,分层结构使其具有同时处理不同时间维度信息的能力,从而提升了预测精度。将滤棒的质量定义为圆周值与吸阻值两个物理量,利用卷烟厂6万余条实时生产数据进行模型训练和预测,结果表明:以平均绝对百分误差(MAPE)作为评价标准,圆周指标预测误差为0.078%,吸阻指标预测误差为1.42%,对比各类传统机器学习方法,CNN-LSTM混合神经网络表现出了更高的精确性。该方法可为快速准确地预测卷烟滤棒质量提供技术支持,提升烟草工业的自动化水平。 展开更多
关键词 滤棒成型 深度学习 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于改进U-Net网络的相位解包裹技术研究 被引量:2
7
作者 徐瑞书 罗笑南 +5 位作者 沈瑶琼 郭创为 张文涛 管钰晴 傅云霞 雷李华 《红外与激光工程》 EI CSCD 北大核心 2024年第2期120-133,共14页
提出了一种结合深度学习的空间相位解包裹方法,采用基于改进U-Net网络的编码器-解码器架构,同时加入包含双向长短期记忆网络(BILSTM)的CBiLSTM模块,并且结合注意力机制,避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增... 提出了一种结合深度学习的空间相位解包裹方法,采用基于改进U-Net网络的编码器-解码器架构,同时加入包含双向长短期记忆网络(BILSTM)的CBiLSTM模块,并且结合注意力机制,避免了典型卷积神经网络学习全局空间依赖关系的固有缺陷的同时增强了深度学习模型对相位解包裹任务中的关键信息的关注能力。通过大量的模拟数据,验证了文中方法在严重噪声(SNR=0)、不连续条件和混叠条件下的鲁棒性,在以上三种情况下,同其他深度学习网络模型进行对比,文中所提出的网络模型的归一化均方根误差(NRMSE)分别为0.75%、1.81%和1.68%;结构相似性指数(SSIM)分别为0.98、0.92和0.94;峰值信噪比(PSNR)分别为40.87、32.56、37.38;同时计算时间显著减少,适合应用到需要快速准确的空间相位解包裹任务中去。通过实际测量数据,验证了文中提出网络模型的可行性。该研究将双向长短期记忆网络(BILSTM)和注意力机制同时引入光学相位解包裹问题中,为解决复杂相位场的解包裹提供了新的思路和方案。 展开更多
关键词 相位解包裹 深度学习 注意力机制 长短期记忆网络 卷积神经网络
在线阅读 下载PDF
基于深度学习的基坑开挖引起地表位移时序预测 被引量:1
8
作者 唐浩然 胡垚 +3 位作者 雷华阳 路军富 刘婷 王凯 《岩土工程学报》 EI CAS CSCD 北大核心 2024年第S02期236-241,共6页
为更精准预测基坑工程中数据的时间特性,结合卷积神经网络CNN模型与两种单一时间序列神经网络模型长短期记忆网络LSTM模型、门控循环单元GRU模型,建立混合时间序列神经网络CNN-LSTM模型、CNN-GRU模型。基于杭州某邻近既有车站基坑开挖工... 为更精准预测基坑工程中数据的时间特性,结合卷积神经网络CNN模型与两种单一时间序列神经网络模型长短期记忆网络LSTM模型、门控循环单元GRU模型,建立混合时间序列神经网络CNN-LSTM模型、CNN-GRU模型。基于杭州某邻近既有车站基坑开挖工程,采用滚动预测方法建立基坑开挖引起邻近地铁车站地表沉降数据集。通过平均绝对误差MAE、平均相对误差MAPE和均方根误差RMSE3种评价指标对预测结果进行评价。结果表明:CNN-GRU模型预测效果最优,CNN-LSTM模型次之,其次是GRU模型,最后是LSTM模型。CNN-LSTM混合网络模型相较于LSTM模型对3种评价指标分别降低了24.4%,53.8%,4.1%,CNN-GRU混合网络模型相较于GRU模型分别降低了13.9%,49.1%,1%。 展开更多
关键词 基坑开挖 深度学习 卷积神经网络 长短期记忆网络 门控循环单元
在线阅读 下载PDF
基于CNN-LSTM混合模型的航空公司机票价格预测 被引量:1
9
作者 王夷龙 张生润 +1 位作者 唐小卫 张崇横 《北京交通大学学报》 CSCD 北大核心 2024年第5期21-29,共9页
针对航空公司在竞争激烈的航线市场中对未来机票价格走势预测的需求,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的混合模型CNN-LSTM.在数据构建与输入部分,以航空公司... 针对航空公司在竞争激烈的航线市场中对未来机票价格走势预测的需求,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络的混合模型CNN-LSTM.在数据构建与输入部分,以航空公司间的竞争关系为核心,设计用于表征机票价格的通道数据结构;综合考虑影响机票价格波动的多种因素,分别构建表示航空公司属性、航班属性和日期属性的独立通道数据结构,并将这些通道数据进行整合,组成适用于卷积神经网络的多通道数据输入.在模型部分,利用一维卷积神经网络(one-dimensional Convolu⁃tional Neural Network,1D-CNN)对输入的多通道数据进行特征提取;通过长短期记忆网络捕捉数据中的时间依赖关系,实现对航线内不同航班未来机票价格的预测.将提出的CNN-LSTM混合模型与多种基线模型进行对比,并通过消融实验验证所选影响因素的有效性.实验结果表明:CNNLSTM混合模型在预测性能上具有显著优势,与随机森林、支持向量机、单一卷积神经网络、单一长短期记忆网络以及向量自回归模型相比,预测平均绝对误差降低了18.74%~57.02%,平均绝对百分比误差降低了9.31%~22.16%;消融实验结果证实了影响因素的引入可以提升模型的性能.研究成果不仅能够为航空公司在票价制定与调整方面提供决策支持,也为机票价格预测领域的研究提供了新的思路和方法. 展开更多
关键词 深度学习 机票价格预测 时间序列 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
SDN环境下基于CNN-BiLSTM的入侵检测研究 被引量:1
10
作者 韩炎龙 翟亚红 《佳木斯大学学报(自然科学版)》 CAS 2024年第3期16-20,52,共6页
软件定义网络(SDN)是一种将控制层和数据层分离的新型网络架构,在实现网络集中管理和可编程性的同时也面临易受到入侵攻击的问题。针对此问题设计了检测防御机制。利用深度学习算法,对数据集进行处理后,融合卷积神经网络(CNN)和双向长... 软件定义网络(SDN)是一种将控制层和数据层分离的新型网络架构,在实现网络集中管理和可编程性的同时也面临易受到入侵攻击的问题。针对此问题设计了检测防御机制。利用深度学习算法,对数据集进行处理后,融合卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM),设计了CNN-BiLSTM模型检测攻击,利用SDN可编程性设计了防御机制,搭建基于SDN的网络平台进行仿真实验。实验结果表明,所设计方法相较传统检测方法可更准确检测出入侵流量,并在检测出后有效实现了防御功能。 展开更多
关键词 软件定义网络 深度学习 卷积神经网络 双向长短期记忆网络 入侵检测
在线阅读 下载PDF
基于混合深度学习方法的大直径泥水盾构隧道掌子面压力预测研究
11
作者 韩东 张明书 +2 位作者 陶赞旭 雷宇 吴贤国 《隧道建设(中英文)》 CSCD 北大核心 2024年第11期2181-2189,共9页
为提高盾构模型预测性能,以武汉长江隧道大直径泥水盾构隧道工程为背景和数据来源,基于图卷积网络(GCN)和长短期记忆神经网络(LSTM)构建掌子面压力预测模型,利用贝叶斯优化算法(BO)对预测模型的关键超参数进行寻优。采用SHAP方法对预测... 为提高盾构模型预测性能,以武汉长江隧道大直径泥水盾构隧道工程为背景和数据来源,基于图卷积网络(GCN)和长短期记忆神经网络(LSTM)构建掌子面压力预测模型,利用贝叶斯优化算法(BO)对预测模型的关键超参数进行寻优。采用SHAP方法对预测模型进行全局解释,计算每个输入参数对预测目标的Shapley值,提高模型的解释度和透明度。研究结果表明:1)所提出的BO-GCN-LSTM方法在各历史时间步长下均具有较高的精度,拟合优度(R 2)平均值为0.943,均方根误差(E RMSE)平均值为0.245,平均绝对误差(E MAE)平均值为0.173,平均绝对百分比误差(E MAPE)平均值为1.183%。2)在历史时间步长t-1—t-10中,时间步长t-3的R 2、E RMSE、E MAE、E MAPE分别为0.953、0.233、0.159、1.151%,运行速率为1.7次/s,表现出最佳整体预测性能。3)通过SHAP方法进行全局解释,可以确定对研究目标影响较大的参数为气垫舱压力、进出排浆压力和刀盘挤压力差,为大直径泥水盾构隧道掌子面压力管控提供有价值的决策依据。基于BO-GCN-LSTM深度学习模型可以有效预测隧道掌子面压力,有助于盾构驾驶员做出合理的参数调整。 展开更多
关键词 大直径泥水盾构 混合深度学习 隧道掌子面压力 BO-GCN-LSTM SHAP
在线阅读 下载PDF
基于注意力机制的CNN-LSTM建筑能耗预测方法研究 被引量:2
12
作者 高致源 邢建春 +1 位作者 张学伟 邓忠凯 《暖通空调》 2024年第8期48-55,共8页
建筑能耗分析预测是提高建筑用能效率的关键技术,是响应国家“双碳”战略的重要手段。由于建筑能耗数据具有强时序性特点,利用传统的深度学习技术难以有效提取数据中的高维特征,且易丢失重要信息。为此,本文提出了一种基于注意力机制的C... 建筑能耗分析预测是提高建筑用能效率的关键技术,是响应国家“双碳”战略的重要手段。由于建筑能耗数据具有强时序性特点,利用传统的深度学习技术难以有效提取数据中的高维特征,且易丢失重要信息。为此,本文提出了一种基于注意力机制的CNN-LSTM建筑能耗预测方法,该方法利用CNN提取能耗数据中的空间特征、LSTM处理时序数据、注意力机制确定特征权重,提高了模型预测精度。 展开更多
关键词 建筑能耗 预测 深度学习 卷积神经网络 长短时记忆网络 注意力机制
在线阅读 下载PDF
面向CIM和动态交通分析的多源异构数据融合技术研究 被引量:2
13
作者 王志成 张玉一 +1 位作者 巴天星 常燕燕 《电子设计工程》 2024年第8期68-72,共5页
针对当前智慧交通系统仅能对少量指标进行分析的问题,文中基于CIM三维实时交通数据以及多源数据系统提出了一种动态城市交通分析算法。该算法由多尺度DCNN和Bi-LSTM模型组成,其中多尺度DCNN模型可以对CIM三维交通数据进行训练,从而获得... 针对当前智慧交通系统仅能对少量指标进行分析的问题,文中基于CIM三维实时交通数据以及多源数据系统提出了一种动态城市交通分析算法。该算法由多尺度DCNN和Bi-LSTM模型组成,其中多尺度DCNN模型可以对CIM三维交通数据进行训练,从而获得实时的交通特征信息。同时由于加入了残差网络,使得模型具有更好的全局视野特征。通过Bi-LSTM对与交通相关的多源数据进行训练,以得到数据的时序特征,由Softmax网络对多源数据特征实现融合并获得最终结果。实验测试结果表明,所提算法的图像识别性能与多源数据分类性能在对比算法中均为最优,且识别准确率可达87%,证明其具备良好的实时交通状态识别能力。 展开更多
关键词 多源数据 深度卷积神经网络 长短时记忆神经网络 残差网络 动态交通分析 CIM系统
在线阅读 下载PDF
基于GCN-LSTM融合模型的自适应智能路由算法 被引量:1
14
作者 李温静 诸金洪 +3 位作者 刘柱 王思宁 张楠 郭文静 《信息技术》 2024年第4期93-99,共7页
海量的电力终端设备接入使得现有路由算法难以满足业务需求,因此,文中提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)和长短期记忆网络(Long Short-Term Memory,LSTM)的自适应智能路由算法。首先,通过GCN-LSTM提取链路... 海量的电力终端设备接入使得现有路由算法难以满足业务需求,因此,文中提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)和长短期记忆网络(Long Short-Term Memory,LSTM)的自适应智能路由算法。首先,通过GCN-LSTM提取链路的状态特征和网络流量的时空特征,对链路的平均时延进行预测;其次,通过全连接层建立预测结果与最优路径的映射关系;最后,通过深度强化学习(Deep Reinforcement Learning,DRL)框架来训练融合模型。实验结果表明,文中所提算法能够自适应动态的网络变化,相比于常用的智能路由算法,具有更低的平均时延和较强的泛化性。 展开更多
关键词 智能路由算法 图卷积神经网络 深度强化学习 长短期记忆网络 自适应
在线阅读 下载PDF
基于深度学习的滚动轴承故障预测
15
作者 张晋恺 马洁 《现代电子技术》 北大核心 2024年第24期120-130,共11页
为解决含有性能退化以及故障的全寿命滚动轴承的无监督故障检测与故障预测的问题,提出一种基于深度学习的轴承故障检测与预测方法。首先将滚动轴承振动信号划分为不同阶段,利用Wasserstein生成对抗网络-梯度惩罚(WGAN-GP)来计算振动信... 为解决含有性能退化以及故障的全寿命滚动轴承的无监督故障检测与故障预测的问题,提出一种基于深度学习的轴承故障检测与预测方法。首先将滚动轴承振动信号划分为不同阶段,利用Wasserstein生成对抗网络-梯度惩罚(WGAN-GP)来计算振动信号的监测统计量,并建立控制限对振动信号进行故障检测;再通过小波包阈值降噪-逐次变分模态分解(WPTD-SVMD)对非正常部分的滚动轴承振动信号进行降噪处理,使用卷积双向长短期记忆(CNN-BiLSTM)神经网络对预处理后信号的故障退化趋势进行预测;最后使用NASA全寿命轴承数据集验证该方法的有效性。实验结果证明,所提方法能在故障检测部分十分准确地区分正常与故障数据,在故障预测部分能保留故障特征的有效信息并消除噪声的影响,对故障幅值趋势有着较为精准的预测。 展开更多
关键词 滚动轴承 生成对抗网络 卷积双向长短期记忆网络 故障检测 故障预测 深度学习
在线阅读 下载PDF
基于CNN-ATTBiLSTM网约车需求短时预测
16
作者 高宇星 宗威 +1 位作者 胡凯 杨旭 《运筹与管理》 CSSCI CSCD 北大核心 2024年第11期211-217,共7页
网约车的需求预测对于实现网约车平台高效调度车辆具有十分重要的指导意义。为了提高网约车需求的预测准确率,结合卷积神经网络(Convolutional Neural Network, CNN)、Attention机制和双向长短期记忆网络(Bi-directional Long Short-Ter... 网约车的需求预测对于实现网约车平台高效调度车辆具有十分重要的指导意义。为了提高网约车需求的预测准确率,结合卷积神经网络(Convolutional Neural Network, CNN)、Attention机制和双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)三种深度学习算法的优点,提出了一种从宏、微观角度和正反两个方向充分提取时间序列特征的CNN-ATTBiLSTM组合神经网络预测模型。首先,利用CNN对网约车需求数据进行局部特征提取;其次,运用Attention机制对局部细节进行宏观特征建模;最后,使用BiLSTM方法从正反两个方向提取时序特征,实现对网约车需求数据的预测。实验选取了滴滴出行盖亚计划提供的网约车订单数据集以验证模型的有效性。实验结果表明,CNN-ATTBiLSTM组合神经网络预测模型在网约车需求预测中的表现优于当前主流的预测模型,能够为网约车平台高效调度车辆提供方法指导与技术支持。 展开更多
关键词 网约车需求预测 深度学习 卷积神经网络 注意力机制 双向长短期记忆
在线阅读 下载PDF
基于组合神经网络的UWB室内定位方法研究
17
作者 潘镐铖 范皓然 陈建飞 《电子设计工程》 2024年第21期1-7,共7页
由于室内环境复杂,传统的超宽带(UWB)室内定位技术仅仅采用几何算法对待测目标的位置进行解算,误差较大且不可控。为了提高物体在运动状态下的定位精度,该文提出了基于CNNLSTM组合神经网络的定位预测模型。为了提高模型预测性能,在数据... 由于室内环境复杂,传统的超宽带(UWB)室内定位技术仅仅采用几何算法对待测目标的位置进行解算,误差较大且不可控。为了提高物体在运动状态下的定位精度,该文提出了基于CNNLSTM组合神经网络的定位预测模型。为了提高模型预测性能,在数据预处理阶段利用MLP对海量的UWB信道数据进行学习,训练NLOS/LOS分类算法。剔除NLOS数据后将各基站解算的测距信息按时间顺序作为整个预测网络的输入,借助CNN层提取时间序列上表征能力强的高层特征,由LSTM层处理具有时间连续性的定位信息,并应用了自适应学习率算法加快收敛速度。通过与单一LSTM神经网络和BP神经网络的对比验证了CNN-LSTM网络模型定位精度更高,相比单一LSTM神经网络误差控制性能提升了约69%,平均精度误差控制在0.06 m左右。 展开更多
关键词 室内定位 卷积神经网络 长短时记忆网络 深度学习 自适应学习率
在线阅读 下载PDF
基于深度学习的车辆碰撞乘员伤害预测方法研究
18
作者 黄泽辉 唐洪斌 +3 位作者 王雪松 韩铎 王士彬 刘柏辰 《汽车工程师》 2024年第4期8-11,共4页
为更快捷、更精确地预测车辆碰撞事故中乘员的伤害情况,基于正面100%重叠刚性壁障实车碰撞试验数据建立了深度学习模型训练数据库,并对数据进行了预处理和特征提取,分别基于长短时记忆(LSTM)神经网络、卷积神经网络-长短时记忆(CNN-LSTM... 为更快捷、更精确地预测车辆碰撞事故中乘员的伤害情况,基于正面100%重叠刚性壁障实车碰撞试验数据建立了深度学习模型训练数据库,并对数据进行了预处理和特征提取,分别基于长短时记忆(LSTM)神经网络、卷积神经网络-长短时记忆(CNN-LSTM)神经网络、时域卷积网络(TCN)建立了深度学习模型对乘员伤害进行预测训练,验证结果表明,3种模型预测精度分别达到0.8579、0.8209和0.9674,证明了所提出方法的可行性。 展开更多
关键词 深度学习 乘员伤害预测 长短时记忆 卷积神经网络-长短时记忆神经网络 时域卷积网络
在线阅读 下载PDF
基于改进深度学习算法的乐器音色识别
19
作者 陈曙光 栗超 《安阳师范学院学报》 2024年第5期23-28,共6页
为保持乐器音色时间序列基础上实现乐器音色的准确识别,提出基于改进深度学习算法的乐器音色识别新方法。该方法首先采用基于梅尔滤波器组能量对数和梅尔频率倒谱系数的一维卷积神经网络提取乐器音色特征;其次,将乐器音色特征输入基于... 为保持乐器音色时间序列基础上实现乐器音色的准确识别,提出基于改进深度学习算法的乐器音色识别新方法。该方法首先采用基于梅尔滤波器组能量对数和梅尔频率倒谱系数的一维卷积神经网络提取乐器音色特征;其次,将乐器音色特征输入基于长短期记忆和深度神经网络的乐器音色分类器进行乐器音色识别;最后,对来自5个乐器声音数据库的乐器音色进行了仿真测试。对于5个数据库中乐器音色的识别测试结果表明,该乐器音色识别比基于卷积神经网络的乐器音色识别方法、基于卷积神经网络与深度置信网络的乐器音色识别方法分别提高了2.49%和2.02%。 展开更多
关键词 乐器音色识别 深度学习算法 长短期记忆 一维卷积神经网络
在线阅读 下载PDF
基于卷积神经网络和双向长短期记忆网络的气温预测模型
20
作者 叶剑 唐欢 +1 位作者 殷华 高振翔 《现代信息科技》 2024年第21期35-40,45,共7页
气温与环境要素之间存在非线性关系,针对传统的预测方法难以捕捉数据的内在特征和时间相关性问题,提出一种基于卷积神经网络与双向长短期记忆网络相结合的气温预测模型。基于宿迁四个国家气象观测站的逐小时观测数据,首先通过一维卷积... 气温与环境要素之间存在非线性关系,针对传统的预测方法难以捕捉数据的内在特征和时间相关性问题,提出一种基于卷积神经网络与双向长短期记忆网络相结合的气温预测模型。基于宿迁四个国家气象观测站的逐小时观测数据,首先通过一维卷积神经网络提取气象要素数据的空间特征,然后将这些特征引入双向长短期记忆网络中来全面学习并掌握气象要素的上下文信息,进而对气温进行有效预测。实验结果表明,与其他的预测方法相比,所提模型在空间特征提取和时序特征学习方面表现卓越,且其在气温预测的精度上有显著的优势。 展开更多
关键词 深度学习 卷积神经网络 双向长短期记忆网络 气温预测 对比分析
在线阅读 下载PDF
上一页 1 2 3 下一页 到第
使用帮助 返回顶部