期刊文献+
共找到12篇文章
< 1 >
每页显示 20 50 100
基于地基云图数据多维特征融合的光伏功率预测算法
1
作者 吐松江·卡日 吴现 +3 位作者 马小晶 雷柯松 余凯峰 司伟壮 《电力系统保护与控制》 北大核心 2025年第11期84-94,共11页
针对传统光伏功率预测算法无法获取准确云层状态信息和预测精度低等问题,提出一种基于地基云图与双流数据融合的光伏功率预测算法。首先,利用地基云图提供的精确云层状态信息,结合稠密光流法获取相邻帧图像间的时空特征与细节变化特征... 针对传统光伏功率预测算法无法获取准确云层状态信息和预测精度低等问题,提出一种基于地基云图与双流数据融合的光伏功率预测算法。首先,利用地基云图提供的精确云层状态信息,结合稠密光流法获取相邻帧图像间的时空特征与细节变化特征。其次,结合卷积神经网络(convolutional neural network,CNN)在特征提取上的优势和残差网络在模型学习中抑制信息丢失上的优势,提升预测模型对光伏功率与图像数据间长期映射关系的学习能力。此外,引入注意力机制弥补模型训练过程中关键信息利用不充分的缺陷。实验结果表明,地基云图与光流数据的加入为多云天气提供了更多时空特征。与基准模型相比,其晴天与多云情况下均方根误差(root mean squared error,RMSE)指标和平均绝对误差(mean absolute error,MAE)指标分别降低了15.50%、11.65%、4.05%与5.15%,有助于充分利用云层运动状况来实现准确可靠的光伏电站输出功率预测,提升光伏电站调度工作的及时性与准确性。 展开更多
关键词 深度学习 功率预测 地基云图 注意力机制 稠密光流算法
在线阅读 下载PDF
基于时空长短时记忆神经网络的地基云图预测算法 被引量:1
2
作者 吴现 吐松江·卡日 +3 位作者 王海龙 马小晶 李振恩 邵罗 《计算机工程》 CAS CSCD 北大核心 2024年第3期298-305,共8页
针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信... 针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信息进行多分支获取,一部分使用ST-LSTM神经网络提取不同帧之间的时空特征,另一部分将图像序列进行分解,并通过基于门控机制的记忆融合网络来获取分解后图像中的结构细节信息;最后将得到的分支特征进行组合后经过解码网络输出最终的预测视频流。在地基云图、Moving MNIST和Human 3.6M数据集上的实验结果表明,在图像预测准确率、结构细节信息保留效果以及人眼主观感受上,该预测模型均优于对比模型。与基准模型TaylorNet相比,所提模型在Moving MNIST数据集上均方误差指标和平均绝对误差指标分别降低15.7%和11.8%,在地基云图数据集上,其结构相似性指标与峰值信噪比指标分别提升1%和3.2%,且生成的视频流数据更为清晰,能够更准确地描述云层未来的运动状况,从而更可靠地预测光伏电站未来的输出功率。 展开更多
关键词 深度学习 视频预测 地基云图 麦克劳林展开 时空长短时记忆神经网络
在线阅读 下载PDF
深度学习技术在地震储层预测中的应用及挑战 被引量:6
3
作者 骆迪 王宏斌 +3 位作者 蔡峰 吴志强 孙运宝 李清 《石油地球物理勘探》 EI CSCD 北大核心 2024年第3期640-651,共12页
传统地震储层预测技术已无法满足储层精细评价的需求,深度学习具有强大的特征提取和高维数据处理能力,近年来广泛应用于地震储层预测并取得了较好的效果。为此,本文深入讨论深度学习技术在地震储层预测中的应用、进展及它在实际工作中... 传统地震储层预测技术已无法满足储层精细评价的需求,深度学习具有强大的特征提取和高维数据处理能力,近年来广泛应用于地震储层预测并取得了较好的效果。为此,本文深入讨论深度学习技术在地震储层预测中的应用、进展及它在实际工作中面临的挑战,并提出未来的发展方向。主要认识有:(1)在烃类定性检测方面,深度学习技术有助于综合利用多属性地震数据去提高效率和预测结果的准确率;在定量预测方面,深度学习技术可以更精准地逼近地震数据与目标之间复杂的非线性关系,实现储层的精细定量评价。(2)深度学习技术的应用面临的挑战主要是标签数据不足和样本不均衡等容易导致模型过拟合,泛化能力差;模型复杂,计算成本高;模型的“黑匣子”特征使预测结果缺乏物理可解释性;缺乏定性预测模型的评价标准和高精度的不确定性量化算法。(3)未来的研究方向应致力于克服数据可用性的不足和深度学习的局限性等,构建地球物理知识图谱,实现多源数据与知识的有效融合、共享,将深度学习与反馈强化学习等其他机器学习算法相结合,为油气勘探和开发提供更可靠的技术支撑。 展开更多
关键词 地震储层预测 深度学习 地震反演 地震烃类检测 有监督学习 无监督学习
在线阅读 下载PDF
基于ISABO-IBiLSTM模型的刀具磨损预测方法
4
作者 曾浩 曹华军 董俭雄 《中国机械工程》 EI CAS CSCD 北大核心 2024年第11期1995-2006,共12页
针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而导致预测精度不高的问题,提出了一种将改进的减法优化器(SABO)算法和改进的双向长短时记忆(BiLSTM)网络相结合的刀具磨损状态预测模型(ISABO-IBiLSTM模型)。首先,采用截... 针对现有的刀具磨损预测方法因为缺少优化算法及网络结构不完善而导致预测精度不高的问题,提出了一种将改进的减法优化器(SABO)算法和改进的双向长短时记忆(BiLSTM)网络相结合的刀具磨损状态预测模型(ISABO-IBiLSTM模型)。首先,采用截断法、Hampel滤波法、改进的完全自适应噪声集合经验模态分解(ICEEMDAN)-改进的小波阈值降噪法对加速度振动信号与力信号数据进行预处理。然后,提取预处理后的信号数据的时域、频域、时频域特征,并通过斯皮尔曼和最大互信息相关系数筛选特征,构建模型的输入。最后,利用改进的SABO算法对改进后的BiLSTM网络进行参数寻优,基于所得到的优化参数训练网络实现磨损预测。实验数据分析结果表明,所提出的ISABO-IBiLSTM模型对刀具磨损量的预测精度为98.49%~98.83%,较BiLSTM模型、改进的BiLSTM模型、改进的卷积神经网络(ICNN)-BiLSTM模型有了较大的提高。 展开更多
关键词 刀具磨损预测 减法优化器算法 双向长短时记忆网络 信号处理 深度学习
在线阅读 下载PDF
融合相似性原理的涡轮叶型流场预测方法研究 被引量:3
5
作者 郭振东 成辉 +4 位作者 陈云 蒋首民 宋立明 李军 丰镇平 《力学学报》 EI CAS CSCD 北大核心 2023年第11期2647-2660,共14页
计算流体力学(CFD)方法是涡轮叶片等设计阶段性能评估的重要手段.然而,基于CFD的数值仿真方法通常比较耗时,难以满足涡轮叶型设计阶段快速迭代的需求.为实现快速性能评估并克服纯数据驱动预测模型泛化能力不足的问题,受到物理增强的机... 计算流体力学(CFD)方法是涡轮叶片等设计阶段性能评估的重要手段.然而,基于CFD的数值仿真方法通常比较耗时,难以满足涡轮叶型设计阶段快速迭代的需求.为实现快速性能评估并克服纯数据驱动预测模型泛化能力不足的问题,受到物理增强的机器学习思路的启发,将相似性原理与深度学习模型相结合,提出了一种泛化能力强的涡轮叶型流场预测新方法.以涡轮叶片表面等熵马赫数分布预测为例,提出采用相似性原理对叶型几何变量和气动参数进行归一化,进而在归一化参数空间构建训练样本集与深度学习预测模型,由此建立统一的流场预测模型,对几何尺寸、边界条件差异较大的叶型气动性能进行评估.在完成模型训练后,对归一化条件下不同工况/不同形状叶型的流场、真实环境下不同工况/不同尺寸叶型的流场以及GE-E3低压涡轮不同截面叶型的流场进行预测,结果表明预测结果的分布曲线与CFD评估结果吻合良好,平均相对误差在1.0%左右,由此验证了所提出的融合相似性原理的流场预测模型的精度与泛化能力. 展开更多
关键词 深度学习流场预测 物理增强的机器学习 相似性原理 数据驱动模型 气动分析
在线阅读 下载PDF
一种股票市场的深度学习复合预测模型 被引量:11
6
作者 张永安 颜斌斌 《计算机科学》 CSCD 北大核心 2020年第11期255-267,共13页
深度学习能够从大量原始数据中提取高级抽象特征而不依赖于先验知识,对于金融市场预测具有潜在的吸引力。基于"分解—重构—综合"的思想,提出了一种全新的深度学习预测方法论,并在此基础上构建了一种股票市场单步向前的深度... 深度学习能够从大量原始数据中提取高级抽象特征而不依赖于先验知识,对于金融市场预测具有潜在的吸引力。基于"分解—重构—综合"的思想,提出了一种全新的深度学习预测方法论,并在此基础上构建了一种股票市场单步向前的深度学习复合预测模型——CEEMD-LSTM。在此模型中,序列平稳化分解模块的CEEMD能将时间序列中不同尺度的波动或趋势逐级分解出来,产生一系列不同特征尺度的本征模态函数(Intrinsic Mode Function,IMF);采用深度学习中适合处理时间序列的长短期记忆网络(Long-Short Term Memory,LSTM)分别对每个IMF与趋势项提取高级、深度特征,并预测下一交易日收盘价的收益率;最后,综合各个IMF分量以及趋势项的预测值,得到最终的预测值。基于3类不同发达程度股票市场的股票指数的实证结果表明,此模型在预测的两个维度即预测误差与预测命中率上均要优于其他参照模型。 展开更多
关键词 深度学习 深度学习预测方法论 股票市场预测 长短期记忆网络 互补集成经验模态分解
在线阅读 下载PDF
LBSN中利用深度学习的POI推荐方法 被引量:3
7
作者 刘旸 吴安波 李慧斌 《计算机工程与设计》 北大核心 2022年第10期2926-2934,共9页
提出一种基于位置的社交网络(LBSN)中利用深度学习的POI推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征... 提出一种基于位置的社交网络(LBSN)中利用深度学习的POI推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征,使用谱聚类划分用户群体。利用谱嵌入增强的神经网络深度挖掘用户与POI之间的非线性关联,实现POI的高质量推荐。实验结果表明,所提方法性能优于对比方法,推荐准确率超过90%。 展开更多
关键词 POI推荐 基于位置的社交网络 深度学习 偏好增强谱聚类算法 UP2Vec模型 谱嵌入增强的神经网络 偏好预测
在线阅读 下载PDF
基于宽度&深度学习的基站网络流量预测方法 被引量:11
8
作者 陈浩杰 黄锦 +2 位作者 左兴权 韩静 张百胜 《郑州大学学报(工学版)》 CAS 北大核心 2022年第1期7-13,共7页
针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(... 针对无线网络流量长期预测问题,提出一种基于宽度&深度学习的基站网络流量预测方法。首先,利用S-H-ESD算法和数据平滑方法对网络流量数据进行预处理,以降低噪声数据对预测的影响;然后,将网络流量作为宽度&深度模型的深度部分(神经网络)的输入,将无线资源控制(RRC)连接数和物理资源块(PRB)利用率作为模型的宽度部分(线性模型)输入,通过结合深度部分和宽度部分来预测网络流量。所提方法为所有基站的网络流量建立一个预测模型,预测结果的均方根对数误差(RMSLE)为0.985,明显优于传统的季节性差分自回归滑动平均模型(RMSLE为2.095)和长短期记忆网络模型(RMSLE为3.281)。实验结果表明:宽度&深度模型通过结合线性模型的记忆能力和深度模型的泛化能力,能够更好地解决无线网络流量的长期预测问题。 展开更多
关键词 宽度&深度模型 深度学习 基站网络流量 流量预测 时间序列预测 神经网络
在线阅读 下载PDF
基于无标签视频数据的深度预测学习方法综述 被引量:5
9
作者 潘敏婷 王韫博 +3 位作者 朱祥明 高思宇 龙明盛 杨小康 《电子学报》 EI CAS CSCD 北大核心 2022年第4期869-886,共18页
基于视频数据的深度预测学习(以下简称“深度预测学习”)属于深度学习、计算机视觉和强化学习的交叉融合研究方向,是气象预报、自动驾驶、机器人视觉控制等场景下智能预测与决策系统的关键组成部分,在近年来成为机器学习的热点研究领域... 基于视频数据的深度预测学习(以下简称“深度预测学习”)属于深度学习、计算机视觉和强化学习的交叉融合研究方向,是气象预报、自动驾驶、机器人视觉控制等场景下智能预测与决策系统的关键组成部分,在近年来成为机器学习的热点研究领域.深度预测学习遵从自监督学习范式,从无标签的视频数据中挖掘自身的监督信息,学习其潜在的时空模式表达.本文对基于深度学习的视频预测现有研究成果进行了详细综述.首先,归纳了深度预测学习的研究范畴和交叉应用领域.其次,总结了视频预测研究中常用的数据集和评价指标.而后,从基于观测空间的视频预测、基于状态空间的视频预测、有模型的视觉决策三个角度,分类对比了当前主流的深度预测学习模型.最后,本文分析了深度预测学习领域的热点问题,并对研究趋势进行了展望. 展开更多
关键词 深度学习 自监督学习 计算机视觉 视频预测 有模型的视觉决策
在线阅读 下载PDF
基于EG-SSMA-DELM的数控铣床刀具RUL预测研究 被引量:5
10
作者 张天骁 谷艳玲 安文杰 《机电工程》 CAS 北大核心 2023年第9期1464-1470,共7页
在工件的加工过程中,刀具失效会造成工件报废和关键部件损坏等问题,为此,提出了一种基于精英反向学习与黄金正弦优化黏菌算法结合深度极限学习机(EG-SSMA-DELM)的刀具磨损剩余寿命预测模型。首先,在黏菌算法(SMA)中,采用精英反向学习(EO... 在工件的加工过程中,刀具失效会造成工件报废和关键部件损坏等问题,为此,提出了一种基于精英反向学习与黄金正弦优化黏菌算法结合深度极限学习机(EG-SSMA-DELM)的刀具磨损剩余寿命预测模型。首先,在黏菌算法(SMA)中,采用精英反向学习(EOBL)与黄金正弦(GSA)算法优化初始黏菌种群,提高了初始种群的多样性,改进了初始SMA搜索个体位置的更新方式,提高了算法的收敛速度与全局搜索能力,得到了最优参数;然后,利用改进的SMA算法,对深度极限学习机(DELM)中编码器的偏置与输入权重进行了联合优化,定义了不同数量的隐藏层神经元,利用ReLU激活函数对DELM的参数进行了理想排列;最后,根据最优参数,将投影特征输入DELM中进行了训练和预测,从而对刀具进行了剩余使用寿命预测。研究结果表明:相比于经典的深度极限学习机方法,EG-SSMA-DELM方法的均方根误差(RMSE)平均下降了19.60%,预测精度提高了16.00%;与其他深度学习算法相比,该算法模型具有更好的可行性、单调性和更强的鲁棒性。该算法模型对实际工程刀具磨损剩余寿命研究有一定的应用价值。 展开更多
关键词 剩余使用寿命 刀具寿命预测 精英反向学习 黄金正弦算法 黏菌算法 深度极限学习机
在线阅读 下载PDF
基于生成对抗网络模型的热带和亚热带海洋中尺度涡预报研究
11
作者 刘爽 经志友 詹海刚 《热带海洋学报》 CAS CSCD 北大核心 2022年第5期1-16,共16页
中尺度涡蕴含海洋超过90%的动能,显著影响海洋物质能量循环。对中尺度涡的预报是目前物理海洋学研究的热点和难点。文章基于卫星高度计观测的近30年海表面高度异常数据(sea level anomaly,SLA),采用基于博弈思想的生成对抗网络方法(gene... 中尺度涡蕴含海洋超过90%的动能,显著影响海洋物质能量循环。对中尺度涡的预报是目前物理海洋学研究的热点和难点。文章基于卫星高度计观测的近30年海表面高度异常数据(sea level anomaly,SLA),采用基于博弈思想的生成对抗网络方法(generative adversarial networks,GAN),构建了中尺度涡预报模型,进行了28天预报,并采用独立样本分析了预报涡旋的空间分布、时间分布、能量强度等特征参数,探讨影响预报结果准确性和时效性的主要因素。结果表明,半径为100~200km的涡旋在15天左右的预报时长仍能保持较好的准确性及时效性,误差在20%以内。该区域的平均涡动能约为0.875m^(2)·s^(-2),其预报的均方根误差(root mean square error,RMSE)普遍介于0.02~0.04m^(2)·s^(-2)。且涡旋预报结果受异常天气影响较小,在正常天气条件和台风娜基莉条件下具有相似的预报能力。这些结果对进一步理解并应用生成对抗网络这一新方法预报海洋中尺度涡提供了参考。 展开更多
关键词 生成对抗网络 中尺度涡预报 海表面高度异常 深度学习方法
在线阅读 下载PDF
基于注意力机制的RNA碱基关联图预测方法
12
作者 曹一航 黄强 《生物化学与生物物理进展》 SCIE CAS CSCD 北大核心 2023年第3期657-667,共11页
目的长链非编码RNA在遗传、代谢和基因表达调控等方面发挥着重要作用。然而,传统的实验方法解析RNA的三级结构耗时长、费用高且操作要求高。此外,通过计算方法来预测RNA的三级结构在近十年来无突破性进展。因此,需要提出新的预测算法来... 目的长链非编码RNA在遗传、代谢和基因表达调控等方面发挥着重要作用。然而,传统的实验方法解析RNA的三级结构耗时长、费用高且操作要求高。此外,通过计算方法来预测RNA的三级结构在近十年来无突破性进展。因此,需要提出新的预测算法来准确的预测RNA的三级结构。所以,本文发展可以用于提高RNA三级结构预测准确性的碱基关联图预测方法。方法为了利用RNA理化特征信息,本文应用多层全卷积神经网络和循环神经网络的深度学习算法来预测RNA碱基间的接触概率,并通过注意力机制处理RNA序列中碱基间相互依赖的特征。结果通过多层神经网络与注意力机制结合,本文方法能够有效得到RNA特征值中局部和全局的信息,提高了模型的鲁棒性和泛化能力。检验计算表明,所提出模型对序列长度L的4种标准(L/10、L/5、L/2、L)碱基关联图的预测准确率分别达到0.84、0.82、0.82和0.75。结论基于注意力机制的深度学习预测算法能够提高RNA碱基关联图预测的准确率,从而帮助RNA三级结构的预测。 展开更多
关键词 深度学习 RNA碱基关联图 结构预测 注意力机制
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部