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474篇文章
< 1 2 … 24 >
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：
基于深度学习LSTM-Attention模型的超短期电力负荷预测研究
1
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
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
2
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VMD-Self-attention-LSTM的水闸深基坑变形智能预测方法
3
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CNN-LSTM-Attention和自回归的混合水位预测模型 被引量：2
4
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
基于CNN-LSTM-Attention的ZPW-2000A轨道电路故障诊断方法
5
作者 杨勇 可婷 +1 位作者 胡启正 张志敏 《铁道科学与工程学报》 北大核心 2025年第5期2380-2392,共13页
轨道电路作为铁路信号的重要设备之一,易受环境、电气干扰等因素影响而发生故障,一旦发生故障将直接影响列车运行的安全性。目前,传统的轨道电路故障诊断方法在提取故障数据的全局和局部特征上仍存在局限性,而人工智能与深度学习方法的... 轨道电路作为铁路信号的重要设备之一,易受环境、电气干扰等因素影响而发生故障,一旦发生故障将直接影响列车运行的安全性。目前,传统的轨道电路故障诊断方法在提取故障数据的全局和局部特征上仍存在局限性,而人工智能与深度学习方法的兴起为解决这一问题提供了新的解决思路。鉴于此,以ZPW-2000A轨道电路为研究对象,提出一种基于CNN,LSTM和注意力机制的故障诊断方法,记作CNN-LSTM-Attention。具体来说,该方法通过CNN提取轨道电路故障的局部特征;通过LSTM挖掘时间序列数据的相关性和时间依赖关系,进一步获取全局特征;再引入注意力机制对特征赋予不同的权重,最终实现轨道电路故障的智能诊断。最后,依托信号集中监测系统,获取ZPW-2000A型轨道电路的31种典型故障模式,模拟故障曲线并生成前、中、后3个区段的时间序列数据集。在该数据集上进行实验验证。结果显示:与传统的时序数据深度模型,如Multi-LSTM、CNN-LSTM相比,CNN-LSTM-Attention可以提取时序数据的关键特征和全局特征,在测试集上的诊断性能是最佳的,准确率达到99.9%以上。而且注意力权重热力图显示模型更关注输入的中心部分,这说明本区段数据是影响故障发生的关键因素。CNN-LSTM-Attention为轨道电路故障诊断和铁路系统的安全运行提供了重要的理论和技术支撑,有一定的应用和推广价值。 展开更多
关键词 ZPW-2000A 故障诊断 深度学习 CNN lstm 注意力机制
在线阅读 下载PDF
高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型 被引量：2
6
作者 韩晓 陈昕 肇毓 《交通科技与经济》 2024年第1期17-23,共7页
为提前准确预知高速公路施工控制区交通流变化趋势,解决交通流时间序列中的长期依赖问题,文中建立了高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型。首先,将预处理后的动态交通流数据集按时间步长顺序输入到LSTM网络,对... 为提前准确预知高速公路施工控制区交通流变化趋势,解决交通流时间序列中的长期依赖问题,文中建立了高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型。首先,将预处理后的动态交通流数据集按时间步长顺序输入到LSTM网络,对交通流信息建模和学习。然后,引入BiGRU和Attention机制以更好地捕捉上下文信息和提供更具针对性的权重分配。最后,将构建的LSTM-BiGRU-Attention模型与其他模型进行交通流预测对比,评估模型性能。实验以G35济广高速公路某施工控制区交通运行情况为案例进行研究,结果显示该模型的平均绝对误差MAE为1.91,均方根误差RMSE为2.83,决定系数R^(2)为0.79,平均绝对百分数误差MAPE为3.23。对比其他模型,LSTM-BiGRU-Attention模型的4个评估指标均有所下降,说明该模型可为高速公路施工控制区提供更加精准的预测。 展开更多
关键词 交通管理与控制 交通流预测 lstm-BiGRU-attention模型 动态交通流 实验对比
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
7
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Attention-LSTM时序模型的机械钻速预测方法
8
作者 王彬 徐英卓 +1 位作者 刘烨 李燕 《西安石油大学学报（自然科学版）》 CAS 北大核心 2024年第5期85-95,共11页
针对石油天然气开采成本优化的需求,聚焦钻井作业中提速的关键技术,即机械钻速的预测。传统预测方法通常只考虑瞬时工程参数对机械钻速的影响,而未充分考虑钻井作业的时序性以及机械钻速在时间序列上的相关性。提出一种结合时序特征的... 针对石油天然气开采成本优化的需求,聚焦钻井作业中提速的关键技术,即机械钻速的预测。传统预测方法通常只考虑瞬时工程参数对机械钻速的影响,而未充分考虑钻井作业的时序性以及机械钻速在时间序列上的相关性。提出一种结合时序特征的机械钻速预测模型,该模型基于Attention-LSTM架构。通过Attention机制,模型有效捕捉了工程参数与机械钻速之间的相关性,并利用LSTM网络提取参数的时序特征,增强了模型对时间依赖性的捕捉能力。实验结果证实,所提模型相较于传统深度神经网络在预测精度上有显著提升。添加的Attention机制进一步提升了模型的解释性、训练效率及预测准确性。采用实际油田钻井数据对提出的方法进行了验证,并与现有几种机械钻速预测模型进行了对比分析,证明了本文方法在准确性、可靠性及解释性方面的优势。 展开更多
关键词 机械钻速 预测模型 时序性 attention-lstm
在线阅读 下载PDF
基于CNN-LSTM-Attention模型的沁河流域径流模拟及未来多情景预测
9
作者 张书齐 左其亭 +2 位作者 臧超 张乐开 巴音吉 《水资源与水工程学报》 CSCD 北大核心 2024年第5期73-81,共9页
为提升深度学习模型对变化环境下流域的径流模拟精度,以沁河流域为例,构建了基于卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(Attention)的CNN-LSTM-Attention耦合模型,加入多种优化算法,结合第六次国际耦合模式比较计划CMIP... 为提升深度学习模型对变化环境下流域的径流模拟精度,以沁河流域为例,构建了基于卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(Attention)的CNN-LSTM-Attention耦合模型,加入多种优化算法,结合第六次国际耦合模式比较计划CMIP6中的BCC-CSM2-MR气候模式并考虑多种情景,应用于流域的径流模拟和预测,同时比较了多种深度学习模型的模拟精度。结果表明:CNN-LSTM-Attention模型在沁河流域表现出了较好的径流模拟效果,模拟精度均优于其他深度学习模型,纳什效率系数(NSE)为0.883,均方根误差(RMSE)为2.317,平均绝对误差(MAE)为1.098;不同气候变化情景下,沁河流域在2025—2050年的年径流量均呈现缓慢衰减趋势且波动程度较大,尤其在SSP1-2.6情景下,径流量衰减和波动程度突出。研究可为深度学习模型在人水关系智能化计算模拟领域的应用提供新思路,并为流域后续的水资源开发利用和管理提供科学参考价值。 展开更多
关键词 径流模拟及预测 深度学习模型 CNN-lstm-attention 气候变化 沁河流域
在线阅读 下载PDF
融合PMV物理方程和Attention-LSTM神经网络的铁路客站旅客舒适度模型研究 被引量：1
10
作者 刘小燕 邵长虹 +4 位作者 李瑞 李超 陈瑞凤 徐春婕 梁博 《中国铁路》 北大核心 2024年第5期16-24,共9页
铁路客站的舒适度直接关系着旅客的出行体验和满意度。选取聊城西站作为研究对象,采用PMV物理方程、Attention-LSTM神经网络模型以及PMV&Attention-LSTM融合模型3种方法,针对旅客舒适度开展综合评估与分析。在模型构建过程中,运用... 铁路客站的舒适度直接关系着旅客的出行体验和满意度。选取聊城西站作为研究对象,采用PMV物理方程、Attention-LSTM神经网络模型以及PMV&Attention-LSTM融合模型3种方法,针对旅客舒适度开展综合评估与分析。在模型构建过程中,运用了标准化处理、数据集划分、网格搜索交叉验证等技术寻找最佳超参数,并记录了训练过程中的损失函数和均方误差。在模型预测中,充分考虑了温度、湿度、风速、空气质量、二氧化碳、光照、噪声等环境因素对旅客舒适度的影响。对比3种预测方法,结果显示,融合模型在考虑多维环境数据时可更准确地反映舒适度水平,表明该模型更适应铁路客站的复杂环境条件,可为提高候车厅舒适性提供更为可靠的参考依据。 展开更多
关键词 铁路客站 旅客舒适度 PMV attention-lstm神经网络 融合模型 聊城西站
在线阅读 下载PDF
基于LSTM+Attention模型的区域用电负荷增长预测方法
11
作者 罗晓冬 辜小琢 +4 位作者 方煜 杜萍 陈丽娟 王滢桦 卢海明 《制冷与空调（四川）》 2024年第6期776-781,790,共7页
在制冷、空调系统中,用电量受外界温度、建筑保温及室内人员活动等多种因素影响,形成复杂的用电依赖网络。若仅关注用电负荷增长值而忽视这些依赖关系,将显著增大预测负荷的损失。因此,提出基于LSTM+Attention模型的区域用电负荷增长预... 在制冷、空调系统中,用电量受外界温度、建筑保温及室内人员活动等多种因素影响,形成复杂的用电依赖网络。若仅关注用电负荷增长值而忽视这些依赖关系,将显著增大预测负荷的损失。因此,提出基于LSTM+Attention模型的区域用电负荷增长预测方法。拟合分析区域的历史用电负荷数据,结合用电依赖性残差值的计算,分析用电负荷增长的周期性特征,引入LSTM+Attention模型识别用电负荷的影响因子特征,通过缩放线性回归方程,得到预测区域用电负荷增长值结果。实验结果表明:所提方法应用后得出的预测结果,表现出的预测负荷损失较小,预测准确度较高,满足了区域供电的电力调度决策需求。 展开更多
关键词 区域用电 用电负荷 用电负荷增长 负荷增长预测 lstm+attention模型 预测方法
在线阅读 下载PDF
基于调和分析及VMD-LSTM混合模型的甬江河口水位预报方法
12
作者 陈永平 韩韬 +3 位作者 邱超 甘敏 谭亚 王瑾琪 《河海大学学报(自然科学版)》 北大核心 2025年第2期1-10,共10页
为解决甬江感潮河段潮位预报总体精度偏低的问题,构建了一种基于经典调和分析(T_TIDE)、变分模态分解(VMD)和长短时记忆神经网络(LSTM)的混合模型(VMD-LSTM混合模型)。VMD-LSTM混合模型采用T_TIDE程序包对甬江河口逐时水位数据进行回报... 为解决甬江感潮河段潮位预报总体精度偏低的问题,构建了一种基于经典调和分析(T_TIDE)、变分模态分解(VMD)和长短时记忆神经网络(LSTM)的混合模型(VMD-LSTM混合模型)。VMD-LSTM混合模型采用T_TIDE程序包对甬江河口逐时水位数据进行回报(即潮位),用实测水位减去潮位得到相应余水位,并采用VMD模型将余水位分解为13个本征模函数(IMF),依次对应D0~D12潮族,采用LSTM模型分别训练余水位的各个IMF分量和潮位并分别向后预报12~48h,各个IMF分量和潮位的预报值之和即为河口水位的预测值。结果表明:VMD模型可对甬江河口余水位中D0~D12潮族波动进行完全分离;VMD-LSTM混合模型12、24、36、48h短期水位预报的均方根误差(RMSE)比LSTM模型最多分别降低了0.15、0.13、0.16、0.16m;VMD-LSTM混合模型在D0、D2潮族频带的误差修正最明显,相比LSTM模型,可分别将D0、D2潮族的谱峰预报误差最多降低0.05、0.04m·d^(0.5)。 展开更多
关键词 甬江口 河口潮汐 变分模态分解 lstm模型 调和分析 水位预报
在线阅读 下载PDF
不同情景下LSTM及其变体模型的洪水模拟研究
13
作者 孟涵 姚成 +4 位作者 郑爱民 杨丰源 李京兵 石卓 张锦堂 《中国农村水利水电》 北大核心 2025年第2期114-120,128,共8页
长短期记忆网络(LSTM)模型能够有效地模拟降雨-径流间的非线性响应,在洪水模拟及预报中的应用日趋广泛。为了提高模型在不同应用场景下的适用性和模拟精度,基于LSTM模型及其5个变体模型,以皖南山区舒家流域1986-2000年30场洪水的降雨径... 长短期记忆网络(LSTM)模型能够有效地模拟降雨-径流间的非线性响应,在洪水模拟及预报中的应用日趋广泛。为了提高模型在不同应用场景下的适用性和模拟精度,基于LSTM模型及其5个变体模型,以皖南山区舒家流域1986-2000年30场洪水的降雨径流时间序列开展实例研究,探讨了包括不同损失函数、不同预见期以及不同训练规模等多种情景下,LSTM及其变体模型的洪水模拟效果;并开展了LSTM模型及其变体模型与极端梯度上升(XGBoost)模型的集合模拟研究。结果表明:(1)4种损失函数都能较好地实现舒家流域出口断面的洪水过程模拟,模拟精度:相对均方根误差(RSR)>纳什效率系数(NSE)>均方误差(MSE)>克林-古普塔效率系数(KGE),其中RSR在LSTM及其变体模型下测试集各场次的纳什效率系数(NSE)均能达到0.7以上。(2)随着预见期的延长,模型在处理长时间序列时面临信息遗忘或误差累积等问题,采用LSTM及其变体模型进行洪水模拟的精度总体呈下降趋势;相同的预见期情景下,随着训练规模的增加,模型模拟精度先上升达到最佳后趋于稳定。(3)LSTM模型及其变体模型与XGBoost模型进行模型集合,降低了单一模型的模拟偏差,使得整体预测更具准确性和可靠性;并且通过引入残差模拟,弥补了单一模型未能捕捉到的复式洪水的特征,进一步提高了复式洪水的模拟精度。 展开更多
关键词 lstm模型 XGBoost 模型集合 洪水模拟 舒家流域
在线阅读 下载PDF
基于NeuralProphet-LSTM模型的碳价预测研究
14
作者 蔡远航 冯建新 +3 位作者 王艳青 李婉君 丁元明 胡越 《全球能源互联网》 北大核心 2025年第2期239-249,共11页
随着人类活动的不断扩展,温室气体的排放量也在持续增长,加剧了碳环境容量的稀缺程度,提高了对碳排放权进行定价的强烈需求。碳市场交易价格作为发挥碳市场功能的核心要素,关乎碳市场的稳定运行和碳减排效率。碳市场交易价格的准确预测... 随着人类活动的不断扩展,温室气体的排放量也在持续增长,加剧了碳环境容量的稀缺程度,提高了对碳排放权进行定价的强烈需求。碳市场交易价格作为发挥碳市场功能的核心要素,关乎碳市场的稳定运行和碳减排效率。碳市场交易价格的准确预测对有效开展碳资产投资和寻求最低碳减排成本具有重要的意义。为此,提出一种基于NeuralProphet-LSTM(long short-term memory,长短期记忆)模型的新型碳价格预测方法:首先使用NeuralProphet对碳价序列进行趋势、季节性效应、事件和节假日效应以及自回归效应的模块分解并初步预测;之后使用其预测结果计算残差放入LSTM中进行更深层次的信息挖掘;最后将LSTM对残差的预测通过组件加法与NeuralProphet预测结果组合,完成碳价序列信息的融合。针对欧盟碳市场和中国湖北碳市场进行预测,结果显示该模型的预测性能超过了其他模型,展现出较高的应用价值。 展开更多
关键词 碳价预测 人工智能 混合模型 NeuralProphet lstm
在线阅读 下载PDF
基于LSTM的油泥模型侧窗区域风噪主动噪声控制
15
作者 黄丽那 王登峰 +3 位作者 曹晓琳 贺杨 黄禀通 张小朋 《汽车工程》 北大核心 2025年第1期168-177,共10页
汽车在高速公路上行驶时,有必要降低侧窗区域的风噪声。汽车风噪的低频噪声控制可通过主动噪声控制(active noise control,ANC)实现,因此本文提出一种汽车风噪的主动噪声控制方法(active wind noise cancellation, AWNC),并针对侧窗区... 汽车在高速公路上行驶时,有必要降低侧窗区域的风噪声。汽车风噪的低频噪声控制可通过主动噪声控制(active noise control,ANC)实现,因此本文提出一种汽车风噪的主动噪声控制方法(active wind noise cancellation, AWNC),并针对侧窗区域的输入信号选取合适的参考信号:侧窗振动信号作为参考信号在100~500 Hz频段内与目标噪声的相干性较好。以风洞试验中整车全尺寸油泥模型为研究对象,通过长短期记忆方法(long shortterm memory,LSTM)优化选取风噪声的参考信号,再利用FxLMS算法对优选后的参考信号进行AWNC仿真并完成硬件在环试验验证。结果表明:经过优选的参考信号不仅数量减少节约成本,且优选后的参考信号将风噪峰值频段降低了5~15 dB。 展开更多
关键词 参考信号优选 lstm AWNC 油泥模型 风洞试验
在线阅读 下载PDF
基于CNN-LSTM-attention模型航迹预测研究 被引量：6
16
作者 孔建国 李亚彬 +2 位作者 张时雨 陈超 梁海军 《航空计算技术》 2023年第1期1-5,共5页
以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航... 以航迹预测方法作为切入点,重庆-广州航路航空器记录的ADS-B数据作为研究内容,提出了一种融合注意力机制的长时序航迹预测方法(CNN-LSTM-attention)。研究运用一维卷积神经网络对航迹数据多维特征进行提取,并将经纬度、高度、速度、航向等的多维特征向量构造成时序形式作为LSTM网络输入,通过赋予LSTM网络隐含层的权重占比并区别不同时序点隐藏层信息对未来航迹预测的影响程度来达到优化预测模型的作用。构建好的CNN-LSTM-attention模型采用Adam优化算法进行训练,LSTM和CNN-LSTM作为实验对比模型,将决定系数R^(2)作为模型评价标准来衡量航迹预测模型的准确性。实验结果表明加入注意力机制的神经网络预测模型CNN+LSTM+attention(卷积神经网络-长短期记忆网络-注意力机制)的方法相较于其他两种,其预测精确性更高。 展开更多
关键词 航迹预测 CNN-lstm-attention模型 注意力机制 ADS-B航迹数据 神经网络
在线阅读 下载PDF
改进LSTM框架下基于动作识别的技战术分析模型
17
作者 李宁 任文 赵智军 《信息技术》 2025年第4期83-88,共6页
为了能更好地识别并分析运动员的动作和技战术,文中提出了一种基于3D CNN的多层双向LSTM动作识别分析模型。该模型通过三维卷积神经网络来提取运动特征,采用双向多层LSTM代替传统的单层LSTM来处理时序信息,同时还引入了空间-时间注意力... 为了能更好地识别并分析运动员的动作和技战术,文中提出了一种基于3D CNN的多层双向LSTM动作识别分析模型。该模型通过三维卷积神经网络来提取运动特征,采用双向多层LSTM代替传统的单层LSTM来处理时序信息,同时还引入了空间-时间注意力机制,并使用SGD优化器更新模型的权重以减小损失函数。对比同类型的单层LSTM模型和SVM模型,所提模型的F1分数指标分别提升了17%和6.1%,mAP精确度指标提升了2.7%和6.6%,MAE误差降低了49%和44%。经验证,该模型具有较高的可靠性,能够用于运动技战术分析。 展开更多
关键词 动作识别 3D CNN 双向lstm 空间-时间注意力机制
在线阅读 下载PDF
基于ARIMA-LSTM组合模型的短途运输货物量预测研究
18
作者 刘梦聪 郭协潮 王伟任 《现代信息科技》 2025年第9期43-47,52,共6页
短途运输作为现代城市物流体系的重要组成部分,其货量变化直接影响运力调度与整体运营效率。针对货量数据中存在的剧烈波动与非线性特性,文章设计了一种结合自回归滑动平均模型(ARIMA)与长短期记忆神经网络(LSTM)的复合预测框架。通过... 短途运输作为现代城市物流体系的重要组成部分,其货量变化直接影响运力调度与整体运营效率。针对货量数据中存在的剧烈波动与非线性特性,文章设计了一种结合自回归滑动平均模型(ARIMA)与长短期记忆神经网络(LSTM)的复合预测框架。通过对历史货量数据的时间序列特性进行分析,先进行平稳性检验并建立初步趋势模型,采用ARIMA模型捕捉线性动态特征,再利用LSTM网络对建模残差中的复杂非线性结构进行学习与修正。基于真实物流线路数据的实验验证表明,该组合预测模型在趋势拟合与误差控制方面均优于传统单模型,能够为短途运输环节中的资源配置与调度决策提供更加精准的数据支撑。 展开更多
关键词 ARIMA lstm 货物量预测 短途运输 时间序列 组合模型
在线阅读 下载PDF
基于EMD-E-LSTM模型的气体浓度预测模型设计
19
作者 龙玉江 姜超颖 +1 位作者 甘润东 吴建蓉 《电子设计工程》 2025年第2期12-17,共6页
为了完成检测、维修等重要工作,针对变压器油中溶解气体浓度变化趋势预测的问题,文中将经验模态分解(Empirical Mode Decomposition,EMD)方法、编码器(Encoder)模块和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合,提出一种... 为了完成检测、维修等重要工作,针对变压器油中溶解气体浓度变化趋势预测的问题,文中将经验模态分解(Empirical Mode Decomposition,EMD)方法、编码器(Encoder)模块和长短时记忆(Long Short-Term Memory,LSTM)神经网络相结合,提出一种新颖的EMD-E-LSTM网络预测模型来实现油中溶解气体浓度的预测。对110 kV变压器油中溶解C2H6气体浓度预测算例结果表明,相较于E-LSTM预测方法、EMD-LSTM预测方法,所提EMD-E-LSTM网络预测结果的平均绝对百分比误差分别降低了22.23%和5.50%、均方根误差分别下降了18.18%和44.02%,而最大相对误差介于两者之间。所提方法对于其他溶解气体的预测精度也有不同程度的提高,展现出良好的应用前景。 展开更多
关键词 变压器 经验模态分解 注意力机制 循环神经网络 长短时记忆神经网络
在线阅读 下载PDF
基于CNN-LSTM-CBAM模型的地震前兆重力异常检测研究
20
作者 邢乾龙 刘庆杰 《现代信息科技》 2025年第8期41-45,共5页
研究提出了一种基于CNN-LSTM-CBAM模型的地震前兆重力数据异常检测方法。地震前兆重力数据的异常检测对于提高地震预测的及时性至关重要。使用CNN提取重力数据的空间特征,利用LSTM捕捉时间序列中的长期依赖关系,引入CBAM注意力机制,增... 研究提出了一种基于CNN-LSTM-CBAM模型的地震前兆重力数据异常检测方法。地震前兆重力数据的异常检测对于提高地震预测的及时性至关重要。使用CNN提取重力数据的空间特征,利用LSTM捕捉时间序列中的长期依赖关系,引入CBAM注意力机制,增强模型对重要特征的关注能力,进而提升异常检测的性能。与AutoEncoder、CNN、LSTM、CNN-LSTM异常检测方法进行实验对比,文章所提模型在MAE、MSE、RMSE和R~2等指标上显著优于其他模型。该模型有效识别潜在的异常数据,为地震风险管理与预警提供了可靠基础,研究为地震前兆数据分析提供了新思路。 展开更多
关键词 地震前兆异常 重力数据 时间序列 lstm 注意力机制
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 … 24 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