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242篇文章
< 1 2 … 13 >
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
1
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
蜉蝣优化双通道网络在齿轮箱故障诊断中的应用
2
作者 于宁 魏沉潜 +2 位作者 田立勇 赵建军 于晓涵 《西安交通大学学报》 北大核心 2025年第5期217-228,共12页
为了有效提取齿轮箱中齿轮和滚动轴承的故障信号特征,并克服深度学习模型超参数选取依赖人工经验的局限性,提高故障诊断的准确性和稳定性,提出了一种基于蜉蝣算法(MA)优化的双通道神经网络故障诊断模型。该模型采用一维时序输入的门控... 为了有效提取齿轮箱中齿轮和滚动轴承的故障信号特征,并克服深度学习模型超参数选取依赖人工经验的局限性,提高故障诊断的准确性和稳定性,提出了一种基于蜉蝣算法(MA)优化的双通道神经网络故障诊断模型。该模型采用一维时序输入的门控循环单元(GRU)和二维图像输入的卷积神经网络(CNN)构建双通道并行架构,并引入自适应批标准化(AdaBN)算法。利用MA的全局优化能力,以CNN-GRU的诊断精度为优化目标,自适应调整模型超参数。将蜉蝣算法优化效果与粒子群算法和遗传算法进行了对比验证,以评估其在模型参数优化方面的有效性。基于东南大学齿轮箱数据集和凯斯西储大学轴承数据集的实验结果表明:该模型能够有效提取振动信号特征,其故障识别精度与稳定性均优于典型深度学习模型,并展现出较强的鲁棒性。在稳态工况下,优化后的CNN-GRU(MA-CNN-GRU)模型在各数据集上的识别精度显著提高;在噪声工况下,MA优化的CNN-GRU模型表现出优异的抗噪性;在变负载工况下,结合AdaBN算法的MA-CNN-GRU模型实现了最高的平均识别精度。所提模型能够高效、准确地检测齿轮箱故障,为机械设备的维护和稳定运行提供了重要的参考价值。 展开更多
关键词 故障诊断 齿轮箱 门控循环单元 卷积神经网络 蜉蝣算法
在线阅读 下载PDF
基于WOA-CNN-BiGRU的PEMFC性能衰退预测
3
作者 陈贵升 刘强 许杨松 《电源技术》 北大核心 2025年第4期831-840,共10页
针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影... 针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影响显著的特征,以降低计算复杂度。然后,结合CNN的特征提取能力和BiGRU在处理双向时间依赖性数据上的优势建立CNNBiGRU模型,并通过WOA优化其超参数进一步提升预测的准确性。最后,与传统预测模型进行对比,验证所建模型的优越性。实验结果表明:在训练集占比为60%时,模型在三种不同工况PEMFC老化数据集上的RMSE分别为0.0017、0.0014和0.0110,证明CNN-BiGRU模型具有较高的预测精度以及良好的泛化能力。 展开更多
关键词 PEMFC 性能衰退 鲸鱼优化算法 卷积神经网络 双向门控循环单元
在线阅读 下载PDF
基于等压能量分析与CNN-GRU-MHA的锂电池SOH估计方法
4
作者 汪晓璐 赵筛筛 张朝龙 《电气工程学报》 北大核心 2025年第3期233-241,共9页
精确有效的锂电池健康状态(State of health,SOH)估计方法是电池管理系统的研发重点。针对实测噪声导致难以准确估计锂电池SOH的问题,提出一种基于等压能量分析与卷积神经网络(Convolutional neural network,CNN)-门控循环单元(Gated re... 精确有效的锂电池健康状态(State of health,SOH)估计方法是电池管理系统的研发重点。针对实测噪声导致难以准确估计锂电池SOH的问题,提出一种基于等压能量分析与卷积神经网络(Convolutional neural network,CNN)-门控循环单元(Gated recurrent unit,GRU)-多头注意力机制(Multi-headed attention,MHA)的锂电池SOH估计方法。首先,分析恒流充电阶段电池能量与电压关系,绘制等压能量曲线;其次,提取等压能量曲线的峰值作为健康因子,表征锂电池SOH退化特性;最后,采用CNN提取健康因子深层特征,构建基于GRU-MHA方法的锂电池SOH估计模型。试验结果表明,所提方法能够有效克服实测噪声,SOH估计误差小于1%。同时,比较试验表明,所提方法具有更好的估计效果。 展开更多
关键词 锂电池 SOH估计 等压能量分析 卷积神经网络 门控循环单元
在线阅读 下载PDF
面向离散制造车间的CNN-GRU超宽带数据融合定位算法
5
作者 陈伟 郭宇 +1 位作者 田旭 王胜博 《机械设计与制造》 北大核心 2025年第7期360-364,368,共6页
针对离散制造车间各制造要素定位过程中存在非视距误差和测量系统误差的问题,提出了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)的超宽带数据融合定位算法。首先,对采集到的超宽... 针对离散制造车间各制造要素定位过程中存在非视距误差和测量系统误差的问题,提出了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)的超宽带数据融合定位算法。首先,对采集到的超宽带定位数据进行格式转换,以满足CNN和GRU的输入要求;其次,使用多通道CNN提取定位数据空间上的局部重要信息,并通过两层双向GRU单元挖掘数据的时序特征,在此基础上,利用集成学习思想融合局部重要特征和时序特征,以提高数据融合的定位准确度。最后,在某航天车间进行定位实例验证,实验结果表明,相较于CNN或GRU模型,所提方法在定位精度上具有更优越的性能。 展开更多
关键词 离散制造车间 超宽带室内定位 卷积神经网络 门控循环单元
在线阅读 下载PDF
基于MSCNN-BiGRU-Attention的短期电力负荷预测
6
作者 李科 潘庭龙 许德智 《中国电力》 北大核心 2025年第6期10-18,共9页
为解决电力负荷关键特征难以提取的问题,提出一种结合多尺度卷积神经网络-双向门控循环单元-注意力机制(multi-scale convolutional neural network-bi-directional gated recurrent unit-Attention,MSCNN-BiGRU-Attention)的组合模型... 为解决电力负荷关键特征难以提取的问题,提出一种结合多尺度卷积神经网络-双向门控循环单元-注意力机制(multi-scale convolutional neural network-bi-directional gated recurrent unit-Attention,MSCNN-BiGRU-Attention)的组合模型进行短期电力负荷预测。首先,通过Spearman相关系数分析电力负荷数据集的相关性,筛选出相关性较高的特征,构建电力负荷数据集;其次,将数据输入到多尺度卷积神经网络(multi-scale convolutional neural network,MSCNN),对电力负荷数据进行多尺度的时序提取;然后,将提取后的时序特征输入到双向门控循环单元(bi-directional gated recurrent unit,BiGRU)神经网络进行时序预测,并通过注意力(Attention)机制对时序特征进行过滤和筛选;最后,通过全连接层整合输出预测值。以澳大利亚某地区3年的多维电力负荷数据作为数据集,并设置5种对照组模型。同时选用国内南方某地区2年的多维电力负荷数据作为模型验证数据集。结果表明,相较其他模型,MSCNN-BiGRU-Attention组合模型能够取得更好的预测效果,有效解决区域级电力负荷关键特征难以提取的问题。 展开更多
关键词 电力负荷预测 多尺度卷积神经网络 双向门控循环单元 注意力机制 深度学习 Spearman相关系数
在线阅读 下载PDF
基于GASF多通道图像时序融合的高速列车横向减振器故障诊断
7
作者 李刚 秦永峰 齐金平 《振动与冲击》 北大核心 2025年第15期144-152,191,共10页
由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适... 由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适应性,提出了一种基于一维(1D)时序信号和二维(2D)格拉姆角和场(Gramian angular summation field,GASF)特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制(1D-2D-CNN-GRU-MSA)的故障诊断方法。首先,将一维的时序信号编码为二维的GASF图,再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中,其中:一路为图像输入经卷积神经网络(convolutional neural networks,CNN)提取GASF图像的特征;另一路将一维的故障波形直接输入经门控循环网络单元(gated recurrent unit,GRU)提取时序特征,通过多头自注意力机制(multi-head self-attention,MSA)将二维图像特征和一维时序特征进行特征重点强化并降维融合,最后通过Softmax层对高速列车横向减振器故障进行分类。仿真试验证明,不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。 展开更多
关键词 高速列车 格拉姆角和场(GASF) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU)
在线阅读 下载PDF
具有注意力机制的CNN-GRU模型在风电机组异常状态预警中的应用
8
作者 马良玉 胡景琛 +1 位作者 段晓冲 黄日灏 《南京信息工程大学学报》 北大核心 2025年第3期374-383,共10页
针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗... 针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗,结合机理分析及极端梯度提升(XGBoost)算法对特征重要性的评估确定模型的输入输出参数,进而采用具有注意力机制的CNN-GRU模型建立风电机组正常运行工况的性能预测模型.以该预测模型为基础,利用时移滑动窗口构建风电机组状态评价指标,并结合统计学中的区间估计法确定预警阈值,最终实现机组异常工况预警.应用某风电机组真实历史故障数据进行实验,结果表明,本文所提方法能够准确地对异常状态进行提前识别和预警,有利于运维人员及时处理故障,保证机组安全稳定运行. 展开更多
关键词 风电机组 卷积神经网络 门控循环单元 注意力机制 故障预警
在线阅读 下载PDF
融合CNN-GRU和Transformer的网络入侵检测方法
9
作者 黄迎春 邢秀祺 《火力与指挥控制》 北大核心 2025年第6期21-27,共7页
随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测... 随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测方法CGT(CNN-GRU Transformer),该方法针对双向长短期记忆网络(LSTM)只考虑时序特征而忽略空间特征且参数较多的特点优化入侵检测技术,融合过-欠采样与Wasserstein生成对抗网络的数据平衡处理模型NBW(Neighbourhood-cleaning-rule borderline-SMOTE WGAN)对数据集进行平衡处理。实验结果证明,所提出的方法在NSL-KDD数据集上表现出较好的效果,有效提升了入侵检测性能。 展开更多
关键词 入侵检测 卷积门控循环单元 数据平衡处理 领域清理规则 神经网络
在线阅读 下载PDF
基于深度学习和注意力机制的漏钢预报研究 被引量：1
10
作者 吴恒 张本国 +2 位作者 余浩辰 张瑞忠 范利锋 《冶金能源》 北大核心 2025年第3期61-66,共6页
为提高漏钢预报系统准确度,分析了热电偶的单偶时间序列特征与组偶空间联动特征,采用CNN对数据进行特征提取,再将时间序列温度特征作为BIGRU输入,构建CNN-BIGRU网络,并在输出端前引入MA机制。针对CNN-BIGRU网络易陷入局部最优解问题,利... 为提高漏钢预报系统准确度,分析了热电偶的单偶时间序列特征与组偶空间联动特征,采用CNN对数据进行特征提取,再将时间序列温度特征作为BIGRU输入,构建CNN-BIGRU网络,并在输出端前引入MA机制。针对CNN-BIGRU网络易陷入局部最优解问题,利用BO算法寻找CNN-BIGRU网络最优超参数组合,建立了BO-CNN-BIGRU-MA网络模型,并将其应用到连铸漏钢预报系统。结合实际连铸生产数据,对该漏钢预报模型进行测试。结果表明,该连铸漏钢预报系统的准确率为99.5%,报出率达到100%。 展开更多
关键词 漏钢预报 卷积神经网络 双向门控循环单元网络 贝叶斯优化 多头自注意力机制
在线阅读 下载PDF
一种基于注意力机制的BERT-CNN-GRU检测方法 被引量：1
11
作者 郑雅洲 刘万平 黄东 《计算机工程》 北大核心 2025年第1期258-268,共11页
针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU... 针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU)提取域名深度特征。CNN使用n-gram排布的方式提取不同层次的域名信息,并采用批标准化(BN)对卷积结果进行优化。GRU能够更好地获取前后域名的组成差异,多头注意力机制在捕获域名内部的组成关系方面表现出色。将并行检测网络输出的结果进行拼接,最大限度地发挥两种网络的优势,并采用局部损失函数聚焦域名分类问题,提高分类性能。实验结果表明,该方法在二分类上达到了最优效果,在短域名多分类数据集上15分类的加权F1值达到了86.21%,比BiLSTM-Seq-Attention模型提高了0.88百分点,在UMUDGA数据集上50分类的加权F1值达到了85.51%,比BiLSTM-Seq-Attention模型提高了0.45百分点。此外,该模型对变体域名和单词域名生成算法(DGA)检测性能较好,具有处理域名数据分布不平衡的能力和更广泛的检测能力。 展开更多
关键词 恶意短域名 BERT预训练 批标准化 注意力机制 门控循环单元 并行卷积神经网络
在线阅读 下载PDF
基于MCNN-MSA-BiGRU的轴承故障诊断
12
作者 王雪纯 李想 杨随先 《科学技术与工程》 北大核心 2025年第11期4534-4542,共9页
针对传统故障诊断模型对特征提取不全面,单一模型稳定性和泛化性差的问题,提出了一种基于多头自注意力机制的多尺度卷积神经网络和双向门控循环单元模型,从空间和时序层面实现特征提取。该模型采用原始一维振动信号作为输入,使用不同尺... 针对传统故障诊断模型对特征提取不全面,单一模型稳定性和泛化性差的问题,提出了一种基于多头自注意力机制的多尺度卷积神经网络和双向门控循环单元模型,从空间和时序层面实现特征提取。该模型采用原始一维振动信号作为输入,使用不同尺寸卷积核的卷积网络捕获多尺度信息。引入多头自注意力机制,根据输入的不同部分动态调整输出权值,忽略冗杂信息并对所提取特征进行加权融合,将融合后的特征输入至BiGRU(bidirectional gated recurrent units)网络,通过双向信息融合机制,对来自过去和未来两个方向的信息进行挖掘,捕捉输入序列不同部分间的依赖关系。最后,通过Softmax分类实现轴承故障诊断。在3种轴承数据集上进行实验验证,结果表明,所提模型性能指标表现优异,具有良好的泛化性和可行性。 展开更多
关键词 故障诊断 卷积神经网络 双向门控循环单元 注意力机制 轴承
在线阅读 下载PDF
基于语义分类的物联网固件中第三方组件识别
13
作者 马峰 于丹 +2 位作者 杨玉丽 马垚 陈永乐 《计算机工程与设计》 北大核心 2025年第1期274-281,共8页
为扩大物联网固件中第三方组件识别范围,从软件供应链层面研究物联网固件安全,提出一种基于语义短文本分类的第三方组件识别方法。通过固件解压提取内部第三方组件和模拟组件运行的方式获取组件语义输出数据,利用Skip-gram将语义输出转... 为扩大物联网固件中第三方组件识别范围,从软件供应链层面研究物联网固件安全,提出一种基于语义短文本分类的第三方组件识别方法。通过固件解压提取内部第三方组件和模拟组件运行的方式获取组件语义输出数据,利用Skip-gram将语义输出转化为词嵌入表示,通过卷积神经网络和双向门控循环单元分别提取语义信息局部特征和全局特征,经过多头注意力机制区分关键语义特征,输入到Softmax分类器中实现可用于识别组件的语义信息分类。通过在10个流行的物联网生产商发布的5453个固件上进行实验,验证了该方法可有效识别第三方组件。 展开更多
关键词 物联网 软件供应链 固件安全 短文本分类 卷积神经网络 双向门控循环单元 多头注意力
在线阅读 下载PDF
ECG-QGAN:基于量子生成对抗网络的心电图生成式信息系统
14
作者 瞿治国 陈韦龙 +2 位作者 孙乐 刘文杰 张彦春 《计算机研究与发展》 北大核心 2025年第7期1622-1638,共17页
据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,E... 据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,ECG)临床数据.作为一门新兴学科,量子计算可通过利用量子叠加和纠缠特性,能够探索更大、更复杂的状态空间,进而有利于生成同临床数据一样的高质量和多样化的ECG数据.为此,提出了一种基于量子生成对抗网络(QGAN)的ECG生成式信息系统,简称ECG-QGAN.其中QGAN由量子双向门控循环单元(quantum bidirectional gated recurrent unit,QBiGRU)和量子卷积神经网络(quantum convolutional neural network,QCNN)组成.该系统利用量子的纠缠特性提高生成能力,以生成与现有临床数据一致的ECG数据,从而可以保留心脏病患者的心跳特征.该系统的生成器和判别器分别采用QBiGRU和QCNN,并应用了基于矩阵乘积状态(matrix product state,MPS)和树形张量网络(tree tensor network,TTN)所设计的变分量子电路(variational quantum circuit,VQC),可以使该系统在较少的量子资源下更高效地捕捉ECG数据信息,生成合格的ECG数据.此外,该系统应用了量子Dropout技术,以避免训练过程中出现过拟合问题.最后,实验结果表明,与其他生成ECG数据的模型相比,ECG-QGAN生成的ECG数据具有更高的平均分类准确率.同时它在量子位数量和电路深度方面对当前噪声较大的中尺度量子(noise intermediate scale quantum,NISQ)计算机是友好的. 展开更多
关键词 生成式信息系统 心电图 量子生成对抗网络 量子双向门控循环单元 量子卷积神经网络
在线阅读 下载PDF
Transformer融合CNN-SRU的工业控制网络入侵检测方法 被引量：1
15
作者 史长鑫 宗学军 +2 位作者 何戡 连莲 孙逸菲 《重庆理工大学学报(自然科学)》 北大核心 2025年第3期85-92,共8页
针对工业控制网络入侵检测的现有方法只关注网络流量的局部特征或全局特征,以及网络流量数据分布不平衡导致入侵检测模型准确率低的问题,提出一种Transformer融合卷积神经网络-简单循环单元(CNN-SRU)的工业控制网络入侵检测方法。采用... 针对工业控制网络入侵检测的现有方法只关注网络流量的局部特征或全局特征,以及网络流量数据分布不平衡导致入侵检测模型准确率低的问题,提出一种Transformer融合卷积神经网络-简单循环单元(CNN-SRU)的工业控制网络入侵检测方法。采用自适应合成采样方法(ADASYN)和高斯混合模型(GMM)对少数类样本进行过采样,达到样本平衡。通过CNN-SRU捕获网络流量数据的时空局部特征,Transformer编码器部分捕捉全局联系进行深层次特征提取。在NSL_KDD数据集上进行实验,模型的总体准确率达到99.61%,高于对比的神经网络模型。在密西西比州立大学天然气管道控制系统数据集和本实验室油气集输全流程工业攻防靶场上进行实验,总体准确率分别达到98.58%和96.89%,证明了所提方法在工业控制网络入侵检测中的科学性与可行性。 展开更多
关键词 工业控制网络 入侵检测 TRANSFORMER 卷积神经网络 简单循环单元
在线阅读 下载PDF
注意力机制与混合模型融合的短期交通流预测 被引量：1
16
作者 周文学 赵丽雅 《重庆理工大学学报(自然科学)》 北大核心 2025年第1期213-218,共6页
为及时、准确地预测交通流,解决精度低、高维特征缺失等问题,建立CNN-GRU-ATT模型来对英国高速公路交通数据进行预测。模型中的卷积层用来提取特征,GRU层用于描述时间趋势,注意力层用于聚焦关键信息。输入多个路段的短期交通流信息,考... 为及时、准确地预测交通流,解决精度低、高维特征缺失等问题,建立CNN-GRU-ATT模型来对英国高速公路交通数据进行预测。模型中的卷积层用来提取特征,GRU层用于描述时间趋势,注意力层用于聚焦关键信息。输入多个路段的短期交通流信息,考虑多路段之间的相互关联以及气象因素的影响。实验发现:该模型与支持向量回归(SVR)、长短期记忆网络(LSTM)、门控循环网络(GRU)、CNN-GRU、GRU-ATT模型相比,模型精度更高,拟合优度达到了96.89%,MAPE最高降低了21.55%;将多路段与单路段数据分别进行输入,发现前者能够更好地进行预测,MAPE降低了7.56%。添加气象因素后模型精度有所提高,拟合优度达到了97.06%。 展开更多
关键词 注意力机制 多路段输入 卷积神经网络 门控循环网络
在线阅读 下载PDF
基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型 被引量：1
17
作者 王运明 李明阳 +1 位作者 陈梦华 常振臣 《铁道科学与工程学报》 北大核心 2025年第5期2367-2379,共13页
牵引电机温度预测在动车组牵引电机状态评估和日常维护中具有重要作用。针对现有时序预测模型提取牵引电机时序数据的特征不充分,导致模型预测精度不高的问题,提出一种基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型,通过更深层次... 牵引电机温度预测在动车组牵引电机状态评估和日常维护中具有重要作用。针对现有时序预测模型提取牵引电机时序数据的特征不充分,导致模型预测精度不高的问题,提出一种基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型,通过更深层次地提取数据的时空特征来预测牵引电机的温度。该模型提出了多通道卷积神经网络(multi-channel convolutional neural networks, MultiCNN)的空间特征提取模块,多尺度地获取牵引电机数据的空间特征,增强特征的表征能力;设计了GRU(gated recurrent unit, GRU)堆叠的时间特征提取模块,采用门控循环单元捕捉数据的长期依赖关系,提取牵引电机数据的时间特征,更准确地预测温度的动态变化;引入改进的时序注意力机制模块(improved temporal attention,ITA),聚焦时空特征中的关键信息,进一步提升模型对重要特征的识别能力。利用动车组实际运行数据制作了数据集,并在多种预测场景下进行了实验测试。实验结果表明,在预测输出步长为5、10、15、20 min的4种场景下,MultiCNN-GRUITA模型在MAE和MSE方面均表现出明显的优势,相比于LSTM、GRU、SVR、ARIMA模型,MAE和MSE指标降低了41.03%和65.32%以上;在不同预测步长下,MultiCNN-GRU-ITA模型的温度预测曲线与实际值具有很高的拟合度,该模型能有效捕捉牵引电机的温度变化趋势,可为构建高精确性的牵引电机故障预测与健康评估系统提供模型支撑。 展开更多
关键词 牵引电机 温度预测 多通道卷积神经网络 门控循环单元 注意力机制
在线阅读 下载PDF
基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型
18
作者 张光昊 张新燕 王朋凯 《现代电力》 北大核心 2025年第2期201-208,共8页
风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预... 风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入,首先利用皮尔逊相关性分析筛选特征,然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系,接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征,最后引入注意力机制(attentional mechanisms,AM)分配权重,实现风电功率短期预测。以某风电场实测数据为例进行算例分析,实验结果表明,该文方法在单步及多步预测中相比其他方法有更好的预测精度。 展开更多
关键词 风电功率预测 混合深度神经网络 图卷积神经网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
基于KPCA-CNN-GRU的陶瓷辊道窑温度预测
19
作者 朱俊文 杨海东 +2 位作者 徐康康 宋才荣 包昊 《传感器与微系统》 北大核心 2025年第5期12-15,19,共5页
辊道窑作为陶瓷生产的重要设备,辊道窑烧成带的温度直接决定陶瓷质量。辊道窑燃烧过程机理复杂,具有时变、非线性、易干扰、多变量的特点,通过引入核主成分分析(KPCA)降维算法,解决多变量和PCA非线性降维的局限,把辊道窑非线性参数映射... 辊道窑作为陶瓷生产的重要设备,辊道窑烧成带的温度直接决定陶瓷质量。辊道窑燃烧过程机理复杂,具有时变、非线性、易干扰、多变量的特点,通过引入核主成分分析(KPCA)降维算法,解决多变量和PCA非线性降维的局限,把辊道窑非线性参数映射到高维空间,再在高维空间中使用线性降维。最后,利用深度学习组合模型卷积神经网络-门控循环单元(CNN-GRU)进行预测,CNN擅长提取空间特征,GRU擅长建模序列信息。实验结果表明:KPCA使降维后参数贡献率达到91%,最终KPCA-CNN-GRU模型预测结果与其他模型相比,拟合系数R2平均提高了10%,而平均百分比误差(MAPE)最小达到了0.063%,具有较高的预测精度和泛化性。 展开更多
关键词 辊道窑温度预测 核主成分分析 卷积神经网络 门控循环单元
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
20
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
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 … 13 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