为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测...为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。展开更多
信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络...信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络(recurrent neural network,RNN)算法,提出一种全新STAT3抑制剂的设计方法,并且通过分子模拟研究对该方法进行效果评价。本文的研究路线如下:使用RNN算法构建STAT3抑制剂生成模型,使其能生成全新抑制剂;基于机器学习算法,建立STAT3抑制剂的分子分类预测模型;对分类为STAT3抑制剂的分子进行基于分子对接的层级虚拟筛选,选出最终在高精度筛选(extra precision,XP)中得分最高的3个分子作为潜在抑制剂进行下一步研究;对潜在抑制剂进行结合自由能计算以及吸收、分配、代谢、排泄和毒性(absorption distribution metabolism excretion toxicity,ADMET)的预测并在后续利用独立梯度模型(independent gradient model,IGM)分析,进一步探究其成药性。本文的研究结果表明,利用上述方法可以有效生成出有良好成药性的全新STAT3潜在抑制剂,为后续STAT3药物研发提供经验和参考。展开更多
文摘为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。
文摘信号转导子和转录激活因子3(signal transducer and activator of transcription3,STAT3)在多种癌干细胞中存在异常表达,其与细胞的癌变具有强相关性。因此,设计和研究新的STAT3抑制剂是攻克癌症的重要且有效策略。本文基于循环神经网络(recurrent neural network,RNN)算法,提出一种全新STAT3抑制剂的设计方法,并且通过分子模拟研究对该方法进行效果评价。本文的研究路线如下:使用RNN算法构建STAT3抑制剂生成模型,使其能生成全新抑制剂;基于机器学习算法,建立STAT3抑制剂的分子分类预测模型;对分类为STAT3抑制剂的分子进行基于分子对接的层级虚拟筛选,选出最终在高精度筛选(extra precision,XP)中得分最高的3个分子作为潜在抑制剂进行下一步研究;对潜在抑制剂进行结合自由能计算以及吸收、分配、代谢、排泄和毒性(absorption distribution metabolism excretion toxicity,ADMET)的预测并在后续利用独立梯度模型(independent gradient model,IGM)分析,进一步探究其成药性。本文的研究结果表明,利用上述方法可以有效生成出有良好成药性的全新STAT3潜在抑制剂,为后续STAT3药物研发提供经验和参考。
