期刊文献+
共找到13篇文章
< 1 >
每页显示 20 50 100
Research on Short-Term Electric Load Forecasting Using IWOA CNN-BiLSTM-TPA Model
1
作者 MEI Tong-da SI Zhan-jun ZHANG Ying-xue 《印刷与数字媒体技术研究》 北大核心 2025年第1期179-187,共9页
Load forecasting is of great significance to the development of new power systems.With the advancement of smart grids,the integration and distribution of distributed renewable energy sources and power electronics devi... Load forecasting is of great significance to the development of new power systems.With the advancement of smart grids,the integration and distribution of distributed renewable energy sources and power electronics devices have made power load data increasingly complex and volatile.This places higher demands on the prediction and analysis of power loads.In order to improve the prediction accuracy of short-term power load,a CNN-BiLSTMTPA short-term power prediction model based on the Improved Whale Optimization Algorithm(IWOA)with mixed strategies was proposed.Firstly,the model combined the Convolutional Neural Network(CNN)with the Bidirectional Long Short-Term Memory Network(BiLSTM)to fully extract the spatio-temporal characteristics of the load data itself.Then,the Temporal Pattern Attention(TPA)mechanism was introduced into the CNN-BiLSTM model to automatically assign corresponding weights to the hidden states of the BiLSTM.This allowed the model to differentiate the importance of load sequences at different time intervals.At the same time,in order to solve the problem of the difficulties of selecting the parameters of the temporal model,and the poor global search ability of the whale algorithm,which is easy to fall into the local optimization,the whale algorithm(IWOA)was optimized by using the hybrid strategy of Tent chaos mapping and Levy flight strategy,so as to better search the parameters of the model.In this experiment,the real load data of a region in Zhejiang was taken as an example to analyze,and the prediction accuracy(R2)of the proposed method reached 98.83%.Compared with the prediction models such as BP,WOA-CNN-BiLSTM,SSA-CNN-BiLSTM,CNN-BiGRU-Attention,etc.,the experimental results showed that the model proposed in this study has a higher prediction accuracy. 展开更多
关键词 Whale Optimization Algorithm convolutional Neural Network long short-term memory Temporal Pattern Attention Power load forecasting
在线阅读 下载PDF
基于ConvLSTM的移动边缘计算服务器能耗模型
2
作者 李小龙 李曦 +1 位作者 杨凌峰 黄华 《应用科学学报》 CAS CSCD 北大核心 2024年第1期53-66,共14页
针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consump... 针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。 展开更多
关键词 卷积长短期记忆 能耗预测 智能功率模型 功率建模
在线阅读 下载PDF
基于ConvLSTM的中国东南沿海波浪智能预报和评估
3
作者 金阳 韩磊 +1 位作者 金梅兵 董昌明 《海洋学研究》 CSCD 北大核心 2024年第3期88-98,共11页
相较于半理论半分析和数值模型的波浪预报方法,智能波浪预报有着精度高、计算资源需求低的优势。该文基于卷积长短期记忆网络(convolutional long short-term memory network,ConvLSTM)算法,建立了有效波高(significant wave height,SWH... 相较于半理论半分析和数值模型的波浪预报方法,智能波浪预报有着精度高、计算资源需求低的优势。该文基于卷积长短期记忆网络(convolutional long short-term memory network,ConvLSTM)算法,建立了有效波高(significant wave height,SWH)二维预报模型,以中国东南沿海2014—2022年ERA5数据进行训练,通过敏感性试验优化模型配置,并开展中国东南沿海SWH在2023年4个预报时效(6 h、12 h、18 h、24 h)下的预测性能评估。敏感性试验显示,输入时间序列长度N=4(即输入-18 h,-12 h,-6 h,0 h的SWH值)时,模型在4个预报时效下的准确性均优于其他时间序列长度;输入物理要素组合为SWH、平均波向和海面10 m风矢量时,模型在12 h、18 h和24 h预报时效下的准确性优于其他组合。通过对ConvLSTM模型训练及配置的精细调整,可以实现对中国东南沿海SWH的二维、高精度的智能预报。 展开更多
关键词 中国近海 卷积长短期记忆网络 数据驱动 海浪 有效波高 二维预报模型 短期预报 人工智能 深度学习
在线阅读 下载PDF
基于CEEMDAN-ConvLSTM组合模型的云计算负载预测方法 被引量:4
4
作者 赵鹏 周建涛 赵大明 《计算机科学》 CSCD 北大核心 2023年第S01期642-650,共9页
随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性... 随着云计算技术的快速发展,越来越多的用户选择使用云服务。负载请求与资源供应的不匹配问题日益凸显,使得用户请求无法得到及时响应,极大地影响云服务质量,实时预测负载请求,将有助于及时供应资源。针对云计算环境中的负载预测方法性能低的问题,提出了一种基于自适应噪声的完备经验模态分解和卷积长时序神经网络组合模型(CEEMDAN-ConvLSTM)的云计算负载预测方法。首先运用自适应噪声的完备经验模态(CEEMDAN)分解技术对数据序列进行分解操作,将其转换为若干个易于分析和建模的子序列;然后运用卷积长时序神经网络(ConvLSTM)预测模型对这一系列子序列进行建模预测,并采用基于多进程并行计算的研究思路,实现多序列并行预测及贝叶斯优化调参;最后将预测值综合叠加以获得整个模型的预测输出,从而实现对原始复杂序列数据进行高精度预测的目标。使用Google集群工作负载数据集进行实验验证,实验结果表明,CEEMDAN-ConvLSTM组合模型具有良好的预测效果,相比自回归差分移动平均模型(ARIMA)、长短期记忆网络(LSTM)和卷积长时序神经网络(ConvLSTM),所提模型预测均方根误差(RMSE)指标分别提升了30.9%,30.1%和22.5%。 展开更多
关键词 云计算 负载预测 卷积长时序神经网络(convlstm) 模态分解技术 贝叶斯优化
在线阅读 下载PDF
基于CNN-ATT-ConvLSTM的行人属性识别 被引量:2
5
作者 李洋 许华虎 卞敏捷 《计算机应用与软件》 北大核心 2021年第4期152-158,共7页
针对现有行人属性识别方法忽视行人属性的互相关性和空间信息导致识别性能较低的问题,将任务视为时空序列多标签图像分类问题,提出基于卷积神经网络(CNN)和卷积长短期记忆网络(ConvLSTM)并融合通道注意力机制的模型。用CNN和通道注意力... 针对现有行人属性识别方法忽视行人属性的互相关性和空间信息导致识别性能较低的问题,将任务视为时空序列多标签图像分类问题,提出基于卷积神经网络(CNN)和卷积长短期记忆网络(ConvLSTM)并融合通道注意力机制的模型。用CNN和通道注意力提取行人属性的显著性和相关性视觉特征;用ConvLSTM进一步提取视觉特征的空间信息和属性相关性;以优化序列对行人属性进行预测。在两个常用行人属性数据集PETA和RAP上进行大量实验,取得了最佳性能,证明了该方法的优越性和有效性。 展开更多
关键词 行人属性识别 卷积神经网络 卷积长短期记忆网络 注意力机制 多标签分类
在线阅读 下载PDF
融合时空特征的城市多站点PM2.5浓度预测 被引量:1
6
作者 黄琨 吴学群 +1 位作者 成飞飞 韩啸 《传感器与微系统》 CSCD 北大核心 2024年第5期149-152,157,共5页
本文提出一种融合时空特征的城市多站点PM2.5预测方法,该方法可以捕捉PM2.5在时间和空间上的相关性,通过将区域多个站点的PM2.5数据转换为一系列静态图像,将其输入到卷积长短期记忆(ConvLSTM)模型中,采用端对端的方式进行训练,预测城市... 本文提出一种融合时空特征的城市多站点PM2.5预测方法,该方法可以捕捉PM2.5在时间和空间上的相关性,通过将区域多个站点的PM2.5数据转换为一系列静态图像,将其输入到卷积长短期记忆(ConvLSTM)模型中,采用端对端的方式进行训练,预测城市未来多个站点多个时段的PM2.5浓度。以北京多个站点的PM2.5数据进行实验验证。结果表明:考虑了时空特征的ConvLSTM方法在短期预测方面优于其他4种时序方法,该方法可为PM2.5预测提供新的思路。 展开更多
关键词 时空特征 卷积长短期记忆 多站点 PM2.5浓度预测
在线阅读 下载PDF
A multi-source information fusion layer counting method for penetration fuze based on TCN-LSTM 被引量:1
7
作者 Yili Wang Changsheng Li Xiaofeng Wang 《Defence Technology(防务技术)》 SCIE EI CAS CSCD 2024年第3期463-474,共12页
When employing penetration ammunition to strike multi-story buildings,the detection methods using acceleration sensors suffer from signal aliasing,while magnetic detection methods are susceptible to interference from ... When employing penetration ammunition to strike multi-story buildings,the detection methods using acceleration sensors suffer from signal aliasing,while magnetic detection methods are susceptible to interference from ferromagnetic materials,thereby posing challenges in accurately determining the number of layers.To address this issue,this research proposes a layer counting method for penetration fuze that incorporates multi-source information fusion,utilizing both the temporal convolutional network(TCN)and the long short-term memory(LSTM)recurrent network.By leveraging the strengths of these two network structures,the method extracts temporal and high-dimensional features from the multi-source physical field during the penetration process,establishing a relationship between the multi-source physical field and the distance between the fuze and the target plate.A simulation model is developed to simulate the overload and magnetic field of a projectile penetrating multiple layers of target plates,capturing the multi-source physical field signals and their patterns during the penetration process.The analysis reveals that the proposed multi-source fusion layer counting method reduces errors by 60% and 50% compared to single overload layer counting and single magnetic anomaly signal layer counting,respectively.The model's predictive performance is evaluated under various operating conditions,including different ratios of added noise to random sample positions,penetration speeds,and spacing between target plates.The maximum errors in fuze penetration time predicted by the three modes are 0.08 ms,0.12 ms,and 0.16 ms,respectively,confirming the robustness of the proposed model.Moreover,the model's predictions indicate that the fitting degree for large interlayer spacings is superior to that for small interlayer spacings due to the influence of stress waves. 展开更多
关键词 Penetration fuze Temporal convolutional network(TCN) long short-term memory(LSTM) Layer counting Multi-source fusion
在线阅读 下载PDF
基于少数据样本的滚动轴承寿命分段预测方法
8
作者 张朋 马孝育 +3 位作者 王恒迪 李畅 邓四二 邱小彪 《机电工程》 CAS 北大核心 2024年第8期1415-1422,共8页
针对少数据样本下,滚动轴承难以准确预测剩余使用寿命(RUL)的问题,提出了一种结合卷积长短期记忆网络(ConvLSTM)与对抗性判别域自适应网络(ADDA)的轴承寿命分段预测方法。首先,利用稀疏概率自注意力机制对特征集进行了筛选,提取了具有... 针对少数据样本下,滚动轴承难以准确预测剩余使用寿命(RUL)的问题,提出了一种结合卷积长短期记忆网络(ConvLSTM)与对抗性判别域自适应网络(ADDA)的轴承寿命分段预测方法。首先,利用稀疏概率自注意力机制对特征集进行了筛选,提取了具有时变性的特征集,以获取最优全局特征,确定分段点以作为ADDA模型的输入;然后,针对不同阶段的退化特点建立了相应的健康评估指标;对处于健康状态的轴承,利用ConvLSTM网络预测了轴承健康阶段的寿命,将健康阶段预测数据作为局部特征输入ADDA网络与最优特征集(全局特征),进行了对抗训练,以实现故障阶段的寿命预测,并使用全连接层输出滚动轴承的预测剩余使用寿命;最后,采用PHM2012数据集与工程试验数据分别对模型进行了验证。研究结果表明:相较于ConvLSTM模型、RNN-HI模型、CNN-LSTM模型,ConvLSTM-ADDA寿命预测方法的平均绝对误差分别降低了78.16%、53.14%、67.13%,平均得分分别提高了66.42%、92.81%、32.37%;相较于LSTM模型、CNN-LSTM模型以及Transformer模型,ConvLSTM-ADDA寿命预测方法的均方误差分别降低了80.11%、54.95%、55.94%。因此,该算法模型能够实现对较少数据样本的轴承寿命进行RUL预测的目的,且具有较高的精度。 展开更多
关键词 对抗性判别域适应网络 卷积长短期记忆网络 稀疏概率自注意力机制 少数据样本 分阶段寿命预测 剩余使用寿命
在线阅读 下载PDF
Track correlation algorithm based on CNN-LSTM for swarm targets
9
作者 CHEN Jinyang WANG Xuhua CHEN Xian 《Journal of Systems Engineering and Electronics》 SCIE CSCD 2024年第2期417-429,共13页
The rapid development of unmanned aerial vehicle(UAV) swarm, a new type of aerial threat target, has brought great pressure to the air defense early warning system. At present, most of the track correlation algorithms... The rapid development of unmanned aerial vehicle(UAV) swarm, a new type of aerial threat target, has brought great pressure to the air defense early warning system. At present, most of the track correlation algorithms only use part of the target location, speed, and other information for correlation.In this paper, the artificial neural network method is used to establish the corresponding intelligent track correlation model and method according to the characteristics of swarm targets.Precisely, a route correlation method based on convolutional neural networks (CNN) and long short-term memory (LSTM)Neural network is designed. In this model, the CNN is used to extract the formation characteristics of UAV swarm and the spatial position characteristics of single UAV track in the formation,while the LSTM is used to extract the time characteristics of UAV swarm. Experimental results show that compared with the traditional algorithms, the algorithm based on CNN-LSTM neural network can make full use of multiple feature information of the target, and has better robustness and accuracy for swarm targets. 展开更多
关键词 track correlation correlation accuracy rate swarm target convolutional neural network(CNN) long short-term memory(LSTM)neural network
在线阅读 下载PDF
基于注意力卷积长短时记忆模型的城市出租车流量预测
10
作者 周新民 金江涛 +2 位作者 鲍娜娜 袁涛 崔烨 《中国安全科学学报》 CAS CSCD 北大核心 2024年第7期153-162,共10页
为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效... 为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。 展开更多
关键词 注意力卷积长短时记忆残差网络(ACLR)模型 交通流量预测 城市出租车 时空特征 残差结构
在线阅读 下载PDF
基于时间注意力机制和EfficientNet的视频暴力行为检测 被引量:4
11
作者 蔡兴泉 封丁惟 +2 位作者 王通 孙辰 孙海燕 《计算机应用》 CSCD 北大核心 2022年第11期3564-3572,共9页
针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用... 针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用轻量化EfficientNet提取前景图中的帧级空间暴力特征,并利用卷积长短时记忆网络(ConvLSTM)进一步提取视频序列的全局时空特征;接着,结合时间注意力机制,计算得到视频级特征表示;最后将视频级特征表示映射到分类空间,并利用Softmax分类器进行视频暴力行为分类并输出检测结果,实现视频的暴力行为检测。实验结果表明,该方法能够减少模型参数量,降低计算复杂度,在有限的资源下提高暴力行为检测准确率,提升模型的综合性能。 展开更多
关键词 暴力行为检测 时间注意力机制 卷积长短时记忆网络 EfficientNet模型
在线阅读 下载PDF
基于WCGAN的出租车需求热点预测 被引量:1
12
作者 王博伟 邓君 吕斌 《计算机工程与应用》 CSCD 北大核心 2023年第12期293-300,共8页
出租车空驶影响交通资源分配,同时影响出租车司机收益,准确的出租车需求热点预测可以有效地指导出租车驾驶员对寻客路线进行优化,针对该问题提出了基于条件生成对抗网络的出租车需求热点预测方法。该方法在Wasserstein条件生成对抗网络(... 出租车空驶影响交通资源分配,同时影响出租车司机收益,准确的出租车需求热点预测可以有效地指导出租车驾驶员对寻客路线进行优化,针对该问题提出了基于条件生成对抗网络的出租车需求热点预测方法。该方法在Wasserstein条件生成对抗网络(WCGAN)的基础上,利用生成器中的卷积长短时记忆神经网络(ConvLSTM)捕捉时间序列的长期依赖关系,分别利用时间判别器和空间判别器提取乘客历史需求分布时空特性。利用兰州市出租车轨迹数据,将提出的方法与长短时记忆神经网络(LSTM)算法、时空残差网络(ST-ResNet)和BP神经网络(BPNN)三种算法进行对比,平均绝对误差分别降低了17.3%、8.4%和10.3%。 展开更多
关键词 需求热点预测 生成对抗网络 卷积长短时记忆神经网络(convlstm)
在线阅读 下载PDF
基于3D多尺度卷积的非接触心率估计模型
13
作者 潘天宝 程宁 刘金江 《传感器与微系统》 CSCD 北大核心 2023年第7期43-47,共5页
为了在真实环境下实现更准确的非接触式心率(HR)估计,提出一种远程光电容积描记术(rPPG)和HR信号恢复任务的端到端时空卷积神经网络(CNN)模型。模型使用3D多尺度卷积注意力获取多尺度特征并融合上下文信息。其次引入自注意力卷积长短期... 为了在真实环境下实现更准确的非接触式心率(HR)估计,提出一种远程光电容积描记术(rPPG)和HR信号恢复任务的端到端时空卷积神经网络(CNN)模型。模型使用3D多尺度卷积注意力获取多尺度特征并融合上下文信息。其次引入自注意力卷积长短期记忆(SA-ConvLSTM)提取具有全局依赖和局部依赖的时间空间特征。最后,根据rPPG和HR信号的强关联性,使用多任务学习方法来提高模型性能。在公开的UBFC-rPPG和COHFACE数据集上进行实验测试,结果表明:提出的网络模型在非接触式HR提取中具有更好鲁棒性。 展开更多
关键词 非接触心率提取 3D多尺度卷积注意力 自注意力卷积长短期记忆 多任务学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部