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1,377篇文章
< 1 2 … 69 >
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：
计及铁心非线性的变压器空间动态磁场加速计算方法 被引量：1
1
作者 司马文霞 孙佳琪 +3 位作者 杨鸣 邹德旭 彭庆军 王劲松 《电工技术学报》 北大核心 2025年第5期1559-1574,共16页
快速获得变压器空间磁场动态分布是构建变压器数字孪生体的基础之一,然而现有快速计算方法难以快速、准确地获得铁心饱和工况下的磁场分布特性。因此,该文提出了计及铁心非线性的变压器空间动态磁场加速计算方法。首先,构建变压器电磁... 快速获得变压器空间磁场动态分布是构建变压器数字孪生体的基础之一,然而现有快速计算方法难以快速、准确地获得铁心饱和工况下的磁场分布特性。因此,该文提出了计及铁心非线性的变压器空间动态磁场加速计算方法。首先,构建变压器电磁场路耦合仿真模型,对关键变量进行参数化扫描,仿真获得不同非线性工况下的大量磁场数据,构建涉及铁心非线性工况的主磁通和漏磁通数据集;其次,提出融合卷积神经网络(CNN)和长短期记忆网络(LSTM)的双分支深度学习模型,训练提取磁场数据的空间和时间特征,解决主、漏磁通差异大造成的模型训练难题;最后,利用模型获得输入电压、电流与内部空间磁场分布的非线性映射关系,实现空间动态磁场的加速计算,为变压器数字孪生体的构建提供了快速获得磁场数据的方法。 展开更多
关键词 非线性 卷积神经网络 长短期记忆网络 磁场 加速计算
在线阅读 下载PDF
多因素土壤墒情预测模型DA-LSTM-soil构建 被引量：1
2
作者 车银超 郑光 +3 位作者 熊淑萍 张明天 马新明 席磊 《河南农业大学学报》 北大核心 2025年第4期698-710,共13页
【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题,构建多因素土壤墒情预测模型DA-LSTM-soil,提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入,采用LSTM网络为基本单元,构建Encoder-Decoder网... 【目的】针对土壤墒情预测时特征因素复杂、预测精度不佳的问题,构建多因素土壤墒情预测模型DA-LSTM-soil,提高土壤墒情预测精度。【方法】以包含10个特征的气象和土壤时序数据作为输入,采用LSTM网络为基本单元,构建Encoder-Decoder网络结构,分别引入特征和时间两个注意力模块。利用河南省许昌市2020—2021年冬小麦生长过程中物联网监测站的气象、土壤数据集,对DA-LSTM-soil模型进行训练和测试。同时,利用DA-LSTM-soil模型对河南省4个不同土壤类型的小麦种植区的数据集进行预测。【结果】对比试验表明,相较于LSTM、CNN-LSTM、CNN-LSTM-attention、LSTM-attention等深度学习模型,DA-LSTM-soil模型在S_(RME)、S_(ME)、A_(ME)、R^(2)评价指标更优,分别达到0.1764、0.0311、0.0466、0.9938。消融试验显示,时间注意力对模型性能的提升高于特征注意力。对时间步的试验显示,用过往3000 min的数据进行预测时,模型性能最佳;模型精度随着预测时长的增加有所下降,然而在5000 min内,决定系数R2仍保持在0.7以上。【结论】利用注意力机制,DA-LSTMsoil模型在Encoder前计算不同气象和土壤因素对墒情影响的权重,在Decoder前计算数据的时序对墒情预测的权重,双阶段注意力机制在特征提取和权重分配方面的作用显著,使模型具有更好的预测性能和泛化能力,可以为田块尺度麦田土壤墒情预测提供技术依据。 展开更多
关键词 麦田 土壤墒情预测 时序数据 长短期记忆网络 注意力机制
在线阅读 下载PDF
基于多空间维度联合方法改进的BiLSTM出水氨氮预测方法 被引量：2
3
作者 王雷 张煜 +3 位作者 赵艺琨 刘明勇 刘子航 李杰 《中国农村水利水电》 北大核心 2025年第2期17-24,共8页
出水氨氮作为衡量污水处理厂水质处理工艺的重要指标之一,准确预测污水处理厂出水水质中的氨氮含量对于及时调整处理工艺,保障水环境安全有着重要的作用。提出了一种基于联合多空间维度(Multi-spatial Dimensional Cooperative Attenti... 出水氨氮作为衡量污水处理厂水质处理工艺的重要指标之一,准确预测污水处理厂出水水质中的氨氮含量对于及时调整处理工艺,保障水环境安全有着重要的作用。提出了一种基于联合多空间维度(Multi-spatial Dimensional Cooperative Attention)改进的双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的水质预测模型,首先通过皮尔逊(Pearson)系数法筛选出与出水氨氮相关性较强的总氮、污泥沉降比和温度3个指标作为模型输入,联合3个维度的强相关信息对未来6 h的出水氨氮进行预测。结果表明,MDCA-BiLSTM模型在融合残差序列后对出水氨氮的预测准确率R2为0.979,并在太平污水处理厂和文昌污水处理厂两个站点收集到的数据集上总氮、总磷和溶解氧的均方根误差分别为0.002、0.003、0.001和0.004、0.003、0.002;预测精度分别为0.959、0.947、0.971和0.962、0.951、0.983;与BiLSTM相比,均方根误差分别降低了0.007、0.007、0.007和0.017、0.006、0.005;预测精度分别提高了0.176、0.183、0.258和0.098、0.109、0.11。同时,该模型在面对未来6、12和24 h的预测步长时,仍能够达到0.956、0.933和0.917的预测精度,说明改进后的模型在预测准确性和鲁棒性方面表现出显著优势。该方法能够有效提高污水处理厂出水氨氮的及其他指标的预测准确性,可作为水资源循环和管理决策的一种有效参考手段,具有较强的实际应用价值。 展开更多
关键词 水质参数 时序预测 时序卷积网络 双向长短期记忆循环神经网络 注意力机制
在线阅读 下载PDF
基于ASFF-AAKR和CNN-BILSTM滚动轴承寿命预测 被引量：1
4
作者 张永超 刘嵩寿 +2 位作者 陈昱锡 杨海昆 陈庆光 《科学技术与工程》 北大核心 2025年第2期567-573,共7页
针对滚动轴承寿命预测精度低,构建健康指标困难的问题。提出了一种基于自适应特征融合(adaptively spatial feature fusion,ASFF)和自联想核回归模型(auto associative kernel regression,AAKR)与卷积神经网络(convolutional neural net... 针对滚动轴承寿命预测精度低,构建健康指标困难的问题。提出了一种基于自适应特征融合(adaptively spatial feature fusion,ASFF)和自联想核回归模型(auto associative kernel regression,AAKR)与卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆网络(bi-directional long-short term memory,BILSTM)的轴承剩余寿命预测模型。首先,在时域、频域和时频域提取多维特征,利用单调性和趋势性筛选敏感特征;其次利用ASFF-AAKR对敏感特征进行特征融合构建健康指标;最后,将健康指标输入到CNN和BILSTM中,实现对滚动轴承的寿命预测。结果表明:所构建的寿命预测模型优于其他模型,该方法具有更低的误差、寿命预测精度更高。 展开更多
关键词 滚动轴承 自适应特征融合 自联想核回归 卷积神经网络 双向长短期记忆网络 剩余寿命预测
在线阅读 下载PDF
基于Vague软集的海上风电功率区间预测 被引量：1
5
作者 田书欣 朱峰 +2 位作者 杨喜军 符杨 苏向敬 《中国电机工程学报》 北大核心 2025年第4期1465-1476,I0019,共13页
海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真... 海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真隶属度和伪隶属度函数的交错式海上风电功率区间划分方法,实现风电功率数据Vague软区间化。其次,建立基于Vague-卷积神经网络(convolutional neural network,CNN)-长短期记忆神经网络(long short-term memory neural network,LSTM)的海上风电功率组合预测模型。通过类Vague软区间转换方法将双隶属度区间概率向量转化为海上风电功率复杂不确定信息下的区间预测结果。然后,从预测准确性、清晰性和兼顾性角度建立预测区间覆盖精度、预测区间宽度和预测综合水平等Vague软区间预测评估指标。最后,以我国东部某海上风电机组实际数据为算例进行验证。结果表明,所提预测模型预测结果可以兼顾预测区间的覆盖精度和清晰度,能够为海上风电不同工况下运行需求提供支撑。 展开更多
关键词 海上风电 Vague-卷积神经网络(CNN)-长短期记忆神经网络(LSTM)模型 Vague软集 软区间转换 区间预测
在线阅读 下载PDF
基于ECA-TCN的数据中心磁盘故障预测 被引量：1
6
作者 张铭泉 王宝兴 《智能系统学报》 北大核心 2025年第2期389-399,共11页
随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-tem... 随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-temporal convolutional network,ECA-TCN)模型,通过结合传统卷积神经网络一维卷积的优势,融入扩张卷积和残差结构,并引入注意力机制,该模型能够提高磁盘故障预测的准确性和稳定性。在实验中,将ECA-TCN模型与其他经典深度学习方法进行了比较,实验结果表明,ECA-TCN模型在磁盘故障预测任务上具有较高的准确性和稳定性。 展开更多
关键词 磁盘故障预测 长短时记忆网络 循环神经网络 扩张卷积 高效通道注意力机制 神经网络模型 时间序列预测 深度学习优化
在线阅读 下载PDF
基于3种时间序列模型的北京市每日花粉浓度预测
7
作者 张鑫 杨华 +1 位作者 董玲玲 张宏远 《北京林业大学学报》 北大核心 2025年第6期90-100,共11页
【目的】分析花粉高峰期持续时间和浓度峰值,构建北京市每日花粉浓度的最优预测模型,为科学预测未来每日花粉浓度提供数据支持。【方法】采用多重插补法处理2015—2020年北京市每日花粉浓度时间序列中的缺失数据,2015—2019年数据用于建... 【目的】分析花粉高峰期持续时间和浓度峰值,构建北京市每日花粉浓度的最优预测模型,为科学预测未来每日花粉浓度提供数据支持。【方法】采用多重插补法处理2015—2020年北京市每日花粉浓度时间序列中的缺失数据,2015—2019年数据用于建立SARIMA、LSTM和Prophet 3种时间序列模型,预测未来一年(2020年,共计182 d)的花粉浓度变化。【结果】(1)随机森林法、贝叶斯线性回归法、观测值中随机取样法和加权预测均值匹配法4种多重插补法中,随机森林法的第3个插补数据集P值最小(P=0.002),为最优插补数据集。(2)2015—2020年每日平均花粉浓度数据显示,春季高峰期集中在3—6月,4月初达到峰值(792粒/(103 mm^(2)));秋季高峰期集中在8月至9月末,在9月初达到峰值(449粒/(103 mm^(2)))。2015—2019年花粉浓度总体呈逐年下降趋势,2020年呈现阶跃式上升;其中,2015年高峰期持续时间最长(春季107 d,秋季65 d),2018年最短(春季60 d,秋季46 d);2020年花粉浓度峰值达到最高水平,而2019年花粉浓度峰值最低。(3)3种时间序列模型中,LSTM模型对北京市每日花粉浓度时间序列的描述和预测效果最佳。当LSTM模型的时间步长(look_back)为60时,模型预测效果最佳,RMSE、MAE均为最小,R^(2)=0.78。相比之下,Prophet模型效果较差,无法灵敏捕捉浓度峰值,预测值存在负数情况,预测效果不佳。SARIMA模型拟合效果尚可,但预测效果不理想,预测值存在为负的情况。【结论】与SARIMA和Prophet模型相比,LSTM模型更适用于北京市每日花粉浓度时间序列模型的建立与长期预测。未来研究应完善花粉浓度数据,优化模型性能,以更准确地预测花粉高峰期的起止时间、持续时间及高峰浓度,为过敏性疾病的防控提供更可靠的依据。 展开更多
关键词 多重插补法 花粉浓度 长短期记忆神经网络 长期预测
在线阅读 下载PDF
降水空间信息的处理策略对径流预测的影响
8
作者 高玉芳 何川 +1 位作者 彭涛 高勇 《水科学进展》 北大核心 2025年第1期143-154,共12页
降水空间信息的精确提取对径流预测的精度至关重要。本文以赣江流域为研究对象,基于长短期记忆网络(Long Short-Term Memory,LSTM)模型,设计原始图像、小波分解、统计特征、面平均值、区域划分5种降水空间信息提取方案,研究降水空间信... 降水空间信息的精确提取对径流预测的精度至关重要。本文以赣江流域为研究对象,基于长短期记忆网络(Long Short-Term Memory,LSTM)模型,设计原始图像、小波分解、统计特征、面平均值、区域划分5种降水空间信息提取方案,研究降水空间信息不同处理策略对基于LSTM模型的径流预测性能的影响。结果表明:相较于直接使用原始图像的方案,综合运用小波分解和统计特征提取的处理方法测试期纳什效率系数分别提升了11.5%和17.9%,同时也增强了模型的稳定性和解释性;不同的区域划分方法能结合土地利用、土壤类型等下垫面因素,反映降水响应的空间差异性,展现了对各流量等级的适应能力,相较于以流域平均值作为输入的方式,能明显提高捕捉高流量和低流量特征的能力。研究表明在基于LSTM模型的降雨—径流预测模型中引入降水空间信息,可以有效改善预测效果。 展开更多
关键词 径流预测 长短期记忆网络 卷积神经网络 小波变换
在线阅读 下载PDF
基于负载预测的节能型泵控单元稳压控制研究
9
作者 王飞 郝钰杰 +3 位作者 赵慧兵 刘克毅 陈革新 艾超 《液压与气动》 北大核心 2025年第7期53-66,共14页
针对泵控单元静态精度不高和动态性能受限的问题,为提高泵控单元的压力控制能力,提出了一种基于负载预测前馈补偿的模糊PID稳压控制方法。首先,建立了泵控单元中伺服电机和定量泵的数学模型;其次,设计了基于长短期记忆神经网络的负载预... 针对泵控单元静态精度不高和动态性能受限的问题,为提高泵控单元的压力控制能力,提出了一种基于负载预测前馈补偿的模糊PID稳压控制方法。首先,建立了泵控单元中伺服电机和定量泵的数学模型;其次,设计了基于长短期记忆神经网络的负载预测算法,进行了模型的训练,优化了模型的超参数设置,计算了评价指标,进行了仿真验证;然后,对基于负载预测前馈补偿的模糊PID控制方法进行仿真分析;最后,开展试验研究,验证了该控制方法的效果。结果表明,评价指标印证了负载预测模型具有较高的预测精度;在负载预测结果作为前馈信号输入补偿的前提下,与传统PID控制器相比,模糊PID控制器在两种信号响应下的输出压力和期望压力之间的误差分别减小了72.2%和71.1%,实现了泵控单元的高精度稳压控制。 展开更多
关键词 泵控单元 负载预测 前馈补偿 模糊PID 稳压控制 长短期记忆神经网络
在线阅读 下载PDF
煤矿井下供水管道泄漏孔径识别与定位
10
作者 杜京义 陈镇 +3 位作者 张嘉伟 李晨 高瑞 王鹏 《科学技术与工程》 北大核心 2025年第8期3296-3303,共8页
为快速识别煤矿井下泄漏点的位置及泄漏孔径,利用供水管道泄漏时产生的压力及流量信号,提出一种泄漏孔径识别与定位模型。首先利用模态能量熵和遗传算法结合包络熵对变分模态分解(variational mode decomposition,VMD)进行参数优化,再使... 为快速识别煤矿井下泄漏点的位置及泄漏孔径,利用供水管道泄漏时产生的压力及流量信号,提出一种泄漏孔径识别与定位模型。首先利用模态能量熵和遗传算法结合包络熵对变分模态分解(variational mode decomposition,VMD)进行参数优化,再使用VMD对压力信号进行降噪处理;采用卷积神经网络(convolutional neural networks,CNN)提取压力及流量信号的深层特征序列,长短时记忆网络(long short-term memory,LSTM)提取深层特征序列的时序特征,进行泄漏孔径识别与定位。实验结果表明:经过参数优化的变分模态分解,相较卡尔曼滤波、均值滤波、低通滤波在均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、信噪比(signal to noise ratio,SNR)、归一化互相关系数(normalized cross correlation,NCC)上均有提高,表明其能够有效降低噪声成分,保留有效信号;CNN-LSTM相较LSTM,在泄漏点定位中,MAE降低了65.97%,平均绝对百分比误差(mean absolute percentage error,MAPE)降低了61.22%,RMSE降低了59.11%。在泄漏孔径识别中,MAE降低了12.04%,MAPE降低了22.45%,RMSE降低了3.29%,证明CNN-LSTM可以充分利用管道压力及流量信号的空间及时间特征进行泄漏位置及孔径的识别,其检测效果相较LSTM更加准确和稳定。 展开更多
关键词 变分模态分解(VMD) 卷积神经网络(CNN) 长短时记忆网络(LSTM) 模态能量熵 遗传算法(GA) 包络熵
在线阅读 下载PDF
基于CNN-BiLSTM-Attention的特高压三端混合直流输电线路故障区域判别研究
11
作者 陈仕龙 宋国雄 +3 位作者 邓健 毕贵红 杨毅 李国辉 《电机与控制学报》 北大核心 2025年第7期132-141,共10页
针对现有混合三端直流输电系统线路故障定位难度大、准确率低以及阀值整定繁杂的问题,提出一种基于CNN-BiLSTM-Attention的故障区域判别方法。首先,分析LCC侧、T区、MMC2侧的故障区域特征,指出不同区域的故障特征具有各自的独特性。然后... 针对现有混合三端直流输电系统线路故障定位难度大、准确率低以及阀值整定繁杂的问题,提出一种基于CNN-BiLSTM-Attention的故障区域判别方法。首先,分析LCC侧、T区、MMC2侧的故障区域特征,指出不同区域的故障特征具有各自的独特性。然后,采集T区左右4个保护装置故障时刻的暂态电流、电压数据得到功率突变量数据,通过卷积神经网络(CNN)提取局部特征,利用双向长短期记忆网络(BiLSTM)学习更为丰富的故障特征,使模型更好地理解和利用所提取的故障特征,并利用注意力机制(AM)对所提取的故障特征信息进行加权,筛选有助于故障区域判别的故障特征从而提高模型性能。最后,通过仿真验证所提方法能够迅速且精确地识别故障区域,既保证了较高的准确度,又具备良好的过渡电阻适应性和抗噪声干扰能力。 展开更多
关键词 三端混合柔性直流 暂态功率 卷积神经网络 双向长短期记忆网络 注意力机制 故障区域判别
在线阅读 下载PDF
深度学习和分布式光纤传感在基坑变形监测和预测中的应用
12
作者 樊成 彭彦力 +2 位作者 赵杰 程树凯 樊一江 《河南科技大学学报(自然科学版)》 北大核心 2025年第3期79-90,共12页
随着中国城市化程度的不断增加,对深基坑变形进行监测与预测变得愈发必要。提出一种以时序监测数据为输入的卷积神经网络-长短期记忆神经网络-自注意力机制(CNN-LSTM-SAM)组合神经网络模型。针对大连东港商务区某内支撑深基坑工程,结合... 随着中国城市化程度的不断增加,对深基坑变形进行监测与预测变得愈发必要。提出一种以时序监测数据为输入的卷积神经网络-长短期记忆神经网络-自注意力机制(CNN-LSTM-SAM)组合神经网络模型。针对大连东港商务区某内支撑深基坑工程,结合分布式光纤传感(DFOS)技术,利用CNN-LSTM-SAM模型对桩顶水平位移进行预测,将得到的变形预测值与反向传播神经网络(BP)、长短期记忆神经网络(LSTM)和卷积神经网络-长短期记忆神经网络(CNN-LSTM)模型的预测结果进行对比分析。结果表明:CNN-LSTM-SAM模型相比其他3种模型具有更高的准确性。再选取其他监测点的监测数据进行训练及预测,从而更深入地验证模型的预测效果,证明了CNN-LSTM-SAM模型的适用性和鲁棒性。研究成果可为类似深基坑工程设计和施工提供参考。 展开更多
关键词 卷积神经网络 长短期记忆神经网络 自注意力机制 变形预测 分布式光纤
在线阅读 下载PDF
基于BiLSTM-AM-ResNet组合模型的山西焦煤价格预测
13
作者 樊园杰 睢祎平 张磊 《中国煤炭》 北大核心 2025年第3期42-51,共10页
煤炭作为我国重要的基础能源,其价格的波动会直接影响国民经济发展与能源市场稳定,因此对煤炭价格进行预测具有重要意义。针对我国煤炭价格受政策与供求关系影响大、多呈现非线性的变化趋势,且目前存在的煤价预测方法存在滞后性大等问题... 煤炭作为我国重要的基础能源,其价格的波动会直接影响国民经济发展与能源市场稳定,因此对煤炭价格进行预测具有重要意义。针对我国煤炭价格受政策与供求关系影响大、多呈现非线性的变化趋势,且目前存在的煤价预测方法存在滞后性大等问题,以山西焦煤价格为研究对象,分析影响煤炭价格的多种因素,并利用先进的人工智能机器学习算法来解决煤价预测问题。综合双向长短期记忆网络、注意力机制和残差神经网络的优势,构建双向长短期残差神经网络(BiLSTM-AM-ResNet)进行山西焦煤价格预测实验。采集2012-2023年的山西焦煤价格周度数据作为实验数据,对其进行空缺值处理和归一化处理,绘制相关系数热图并确定模型输入特征类型,进而简化模型并提高预测准确率与预测速度。通过模型预测实验得出,经BiLSTM-AM-ResNet模型预测的山西焦煤价格与实际煤价的发展趋势有着较高的线性拟合性,且预测结果与真实煤价在数值上非常接近,预测准确率达到了95.08%。 展开更多
关键词 焦煤价格预测 长短期记忆网络 注意力机制 残差神经网络 相关性分析
在线阅读 下载PDF
基于BP-DCKF-LSTM的锂离子电池SOC估计
14
作者 张宇 李维嘉 吴铁洲 《电源技术》 北大核心 2025年第1期155-166,共12页
电池荷电状态(SOC)的准确估计是电池管理系统(BMS)的核心功能之一。为了提高锂电池SOC估算精度,提出了一种将反向传播神经网络(BP)、双容积卡尔曼滤波(DCKF)和长短期记忆神经网络(LSTM)相结合的SOC估计方法。针对多温度条件下传统多项... 电池荷电状态(SOC)的准确估计是电池管理系统(BMS)的核心功能之一。为了提高锂电池SOC估算精度,提出了一种将反向传播神经网络(BP)、双容积卡尔曼滤波(DCKF)和长短期记忆神经网络(LSTM)相结合的SOC估计方法。针对多温度条件下传统多项式拟合法在拟合开路电压(OCV)与SOC时效果较差的问题,提出了一种基于BP神经网络的拟合方法,通过验证表明该方法能有效提高拟合精度。针对单独使用模型法或数据驱动法估计SOC各自存在的优缺点,提出了一种将DCKF与LSTM相结合的估计方法,在提高估计精度的同时,可以减少参数调节时间和训练成本。实验验证表明,BP-DCKF-LSTM算法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于0.5%和0.4%,具有较高的SOC估算精度和鲁棒性。 展开更多
关键词 荷电状态 反向传播神经网络 双容积卡尔曼滤波 长短期记忆神经网络
在线阅读 下载PDF
考虑风速空间异质性的LSTM-AM雾天能见度预测模型
15
作者 王小建 林智婕 +4 位作者 马飞 苏彤 白元旦 郭庆元 黄凯 《气候与环境研究》 北大核心 2025年第4期439-449,共11页
针对现有方法在雾天能见度预测时对风速空间异质性考虑不足导致预测准确性和稳定性不高的问题,构建了考虑风速空间异质性的长短期记忆神经网络—注意力机制(LSTM-AM)雾天能见度预测模型。利用半变异函数对风速不同空间位置的变化特征进... 针对现有方法在雾天能见度预测时对风速空间异质性考虑不足导致预测准确性和稳定性不高的问题,构建了考虑风速空间异质性的长短期记忆神经网络—注意力机制(LSTM-AM)雾天能见度预测模型。利用半变异函数对风速不同空间位置的变化特征进行量化,融合邻近点空间分布及风速差异信息,采用风向夹角和变异值对风速空间异质性特征进行加权,实现对风速空间异质性的有效提取;利用AM机制能加强对关键信息关注的优势对LSTM方法进行改进,以有效捕捉和反映关键时刻气象因子对雾天能见度的影响,增强模型对重要时序信息关注的能力和模型预测的准确性,实现风速空间异质性下对雾天能见度的预测。研究结果表明,本文模型相关系数提升10%~20%,均方根误差下降25%~40%,平均绝对误差下降26.3%~39.1%,具有较高的雾天能见度预测精度。 展开更多
关键词 空间异质性 半变异函数 长短期记忆神经网络 注意力机制 雾天能见度
在线阅读 下载PDF
基于ADS-B多特征迁移学习的GNSS干扰检测方法
16
作者 陈敏 李昊宇 +1 位作者 何炜琨 吴仁彪 《信号处理》 北大核心 2025年第7期1241-1254,共14页
全球导航卫星系统(Global Navigation Satellite System,GNSS)是现代航空系统的重要基础,其极易受到射频干扰,这可能导致航班备降、复飞或进近中止等情形,对航空安全造成严重影响。广播式自动相关监视(Automatic Dependent Surveillance... 全球导航卫星系统(Global Navigation Satellite System,GNSS)是现代航空系统的重要基础,其极易受到射频干扰,这可能导致航班备降、复飞或进近中止等情形,对航空安全造成严重影响。广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)依赖于GNSS获取飞机位置信息,当GNSS受到射频干扰时,ADS-B的可用性也会受到影响。基于ADS-B数据来进行GNSS干扰检测成为一种可行的解决方案。针对现有基于ADS-B数据的GNSS干扰检测模型存在无法兼容多个ADS-B版本,难以适应我国国情的问题,以GNSS干扰事件中的ADS-B数据为研究对象,分析其在干扰条件下的特点,包括航迹波动和导航质量指标的变化特性。引入滑动窗口技术,动态计算统计特征并扩展特征维度,以更全面准确地反映干扰影响;提出了一种结合长短期记忆网络自编码器(Long Short-Term Memory-AutoEncoder,LSTM-AE)与领域对抗神经网络(Domain Adversarial Neural Network,DANN)的GNSS干扰检测方法。该方法通过LSTM-AE提取不同版本ADS-B的特征,并将其映射到同一个特征空间,提供一致的特征表示;采用DANN网络实现对DO-260A/B版本ADS-B数据(源域)中GNSS干扰的检测,并借助DANN的迁移学习能力,使其适应于DO-260版本的ADS-B数据(目标域),从而实现跨版本的高效检测。实验结果表明,所提出的LSTM-AE-DANN模型在DO-260、DO-260A/B版本的ADS-B数据集上均表现出优秀的检测性能和更强的适用性,适合我国国情,具有显著的实用价值。 展开更多
关键词 全球导航卫星系统干扰检测 广播式自动相关监视 长短期记忆自编码器 领域对抗神经网络 迁移学习 航空安全
在线阅读 下载PDF
基于LSTM-FC模型的充电站短期运行状态预测
17
作者 毕军 王嘉宁 王永兴 《华南理工大学学报(自然科学版)》 北大核心 2025年第2期58-67,共10页
公共充电站可用充电桩数量预测对于制定智能充电推荐策略和减少用户的充电排队时间具有重要意义。现阶段充电站运行状态研究通常集中于充电负荷预测,对于站内充电桩占用情况的研究较少,同时缺乏实际数据支撑。为此,基于充电站实际运行数... 公共充电站可用充电桩数量预测对于制定智能充电推荐策略和减少用户的充电排队时间具有重要意义。现阶段充电站运行状态研究通常集中于充电负荷预测,对于站内充电桩占用情况的研究较少,同时缺乏实际数据支撑。为此,基于充电站实际运行数据,提出一种基于长短时记忆(LSTM)网络与全连接(FC)网络结合的充电站内可用充电桩预测模型,有效结合了历史充电状态序列和相关特征。首先,将兰州市某充电站的订单数据转化为可用充电桩数量,并进行数据预处理;其次,提出了基于LSTM-FC的充电站运行状态预测模型;最后,将输入步长、隐藏层神经元数量和输出步长3种参数进行单独测试。为验证LSTM-FC模型的预测效果,将该模型与原始LSTM网络、BP神经网络模型和支持向量回归(SVR)模型进行对比。结果表明:LSTM-FC模型的平均绝对百分比误差分别降低了0.247、1.161和2.204个百分点,具有较高的预测精度。 展开更多
关键词 LSTM神经网络 全连接网络 电动汽车 充电站运行状态
在线阅读 下载PDF
基于信号序列优化的蜂群状态精准识别机器听觉模型
18
作者 叶大鹏 陈林杰 +4 位作者 张林通 张雯清 魏增辉 黄少康 瞿芳芳 《福建农林大学学报(自然科学版)》 北大核心 2025年第2期268-278,共11页
【目的】通过基于信号序列优化机器听觉模型的研究,为蜂群健康与活动状态的监测提供依据。【方法】在蜂箱内设置音频传感器,以非侵入性和无干扰性的方式持续记录6类蜂群音频,针对传统的音频分类方法中未考虑时序信息和分类准确度不高等... 【目的】通过基于信号序列优化机器听觉模型的研究,为蜂群健康与活动状态的监测提供依据。【方法】在蜂箱内设置音频传感器,以非侵入性和无干扰性的方式持续记录6类蜂群音频,针对传统的音频分类方法中未考虑时序信息和分类准确度不高等问题,提出一种基于双向长短期记忆(bidirectional long short-term memory, BiLSTM)网络优化的多分类模型。基于梅尔频率倒谱系数提取音频特征,并构建以BiLSTM为基准的蜂群状态分类模型;引入卷积神经网络(convolutional neural network, CNN)和自注意力机制(self-attention mechanism, SA)对BiLSTM的输入和输出进行优化;构建优化的CNN-BiLSTM-SA模型用于6类蜂群状态的精准识别。【结果】与CNN和BiLSTM模型相比,CNN-BiLSTM-SA模型的分类准确率最高,训练集和验证集准确率均大于0.990 0,测试集准确率为0.988 6,交叉验证平均准确率为0.981 5。【结论】CNN-BiLSTM-SA模型为蜂箱内蜂群状态精准识别提供了有效技术支持,有助于未来智能养蜂和音频传感监控的发展。 展开更多
关键词 蜂群状态 机器听觉 双向长短期记忆 卷积神经网络 自注意力机制
在线阅读 下载PDF
CNN-DLSTM结合迁移学习的小样本轴承故障诊断方法
19
作者 仇芝 徐泽瑜 +2 位作者 陈涛 石明江 韦明辉 《机械科学与技术》 北大核心 2025年第2期288-297,共10页
针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习... 针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习的故障诊断方法。该诊断方法基于电机振动数据,利用CNN提取故障特征;将特征作为DLSTM的输入,进一步学习、编码从CNN中学习的特征序列信息,捕获高级特征用于故障分类;首先用充足的西储轴承数据对该故障诊断模型进行预训练,再利用迁移学习放松训练数据和测试数据可不必独立同分布的能力,使用自制实验平台的小样本数据微调预训练模型。最后用迁移学习后的模型,对跨工况、跨型号、跨故障的故障轴承数据进行模拟实验。结果表明,所提出的方法与其他方法相比鲁棒性强,训练速度更快,能够更精确的诊断故障,平均诊断精度达到99%以上。 展开更多
关键词 小样本数据集故障诊断 卷积神经网络 长短期记忆网络 迁移学习
在线阅读 下载PDF
基于IPOA-MSCNN-BiLSTM-Attention模型的刀具磨损状态识别
20
作者 杨焕峥 崔业梅 +1 位作者 薛洪惠 徐玲 《组合机床与自动化加工技术》 北大核心 2025年第7期158-163,共6页
刀具状态监测直接影响产品加工质量,为了提高刀具磨损状态识别的准确性,构建了IPOA-MSCNN-BiLSTM-Attention模型。首先,采用多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(BiLSTM)来学习数据的时空特征;其次,引入注意力机制(Attention... 刀具状态监测直接影响产品加工质量,为了提高刀具磨损状态识别的准确性,构建了IPOA-MSCNN-BiLSTM-Attention模型。首先,采用多尺度卷积神经网络(MSCNN)和双向长短时记忆网络(BiLSTM)来学习数据的时空特征;其次,引入注意力机制(Attention)以增强对关键信息的关注度;再次,提出了一种改进的鹈鹕优化算法(IPOA),用于优化模型多尺度卷积神经网络的参数。该算法结合自适应惯性权重因子、柯西变异和麻雀警戒机制策略,在CEC2005至CEC2022的众多函数性能测试中综合表现优于传统POA等5种算法;最后,在工业控制计算机(IPC)上运行了模型。结果表明,该模型在刀具磨损状态识别方面表现出较高的识别精度,可提高加工安全与生产效率。 展开更多
关键词 刀具磨损 状态监测 改进的鹈鹕优化算法 多尺度卷积神经网络 双向长短时记忆网络
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 … 69 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