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244篇文章
< 1 2 … 13 >
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MSCNN-GRU神经网络补全测井曲线和可解释性的智能岩性识别 被引量：1
1
作者 王婷婷 王振豪 +2 位作者 赵万春 蔡萌 史晓东 《石油地球物理勘探》 北大核心 2025年第1期1-11,共11页
针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问... 针对传统岩性识别方法在处理测井曲线缺失、准确性以及模型可解释性等方面的不足,提出了一种基于MSCNN-GRU神经网络补全测井曲线和Optuna超参数优化的XGBoost模型的可解释性的岩性识别方法。首先,针对测井曲线在特定层段丢失或失真的问题,引入了基于多尺度卷积神经网络(MSCNN)与门控循环单元(GRU)神经网络相结合的曲线重构方法,为后续的岩性识别提供了准确的数据基础;其次,利用小波包自适应阈值方法对数据进行去噪和归一化处理,以减少噪声对岩性识别的影响;然后,采用Optuna框架确定XGBoost算法的超参数,建立了高效的岩性识别模型;最后,利用SHAP可解释性方法对XGBoost模型进行归因分析,揭示了不同特征对于岩性识别的贡献度,提升了模型的可解释性。结果表明,Optuna-XGBoost模型综合岩性识别准确率为79.91%,分别高于支持向量机(SVM)、朴素贝叶斯、随机森林三种神经网络模型24.89%、12.45%、6.33%。基于Optuna-XGBoost模型的SHAP可解释性的岩性识别方法具有更高的准确性和可解释性,能够更好地满足实际生产需要。 展开更多
关键词 岩性识别 多尺度卷积神经网络 门控循环单元神经网络 XGBoost 超参数优化 可解释性
在线阅读 下载PDF
基于等压能量分析与CNN-GRU-MHA的锂电池SOH估计方法
2
作者 汪晓璐 赵筛筛 张朝龙 《电气工程学报》 北大核心 2025年第3期233-241,共9页
精确有效的锂电池健康状态(State of health,SOH)估计方法是电池管理系统的研发重点。针对实测噪声导致难以准确估计锂电池SOH的问题,提出一种基于等压能量分析与卷积神经网络(Convolutional neural network,CNN)-门控循环单元(Gated re... 精确有效的锂电池健康状态(State of health,SOH)估计方法是电池管理系统的研发重点。针对实测噪声导致难以准确估计锂电池SOH的问题,提出一种基于等压能量分析与卷积神经网络(Convolutional neural network,CNN)-门控循环单元(Gated recurrent unit,GRU)-多头注意力机制(Multi-headed attention,MHA)的锂电池SOH估计方法。首先,分析恒流充电阶段电池能量与电压关系,绘制等压能量曲线;其次,提取等压能量曲线的峰值作为健康因子,表征锂电池SOH退化特性;最后,采用CNN提取健康因子深层特征,构建基于GRU-MHA方法的锂电池SOH估计模型。试验结果表明,所提方法能够有效克服实测噪声,SOH估计误差小于1%。同时,比较试验表明,所提方法具有更好的估计效果。 展开更多
关键词 锂电池 SOH估计 等压能量分析 卷积神经网络 门控循环单元
在线阅读 下载PDF
面向离散制造车间的CNN-GRU超宽带数据融合定位算法
3
作者 陈伟 郭宇 +1 位作者 田旭 王胜博 《机械设计与制造》 北大核心 2025年第7期360-364,368,共6页
针对离散制造车间各制造要素定位过程中存在非视距误差和测量系统误差的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的超宽带数据融合定位算法。首先,对采集到的超宽... 针对离散制造车间各制造要素定位过程中存在非视距误差和测量系统误差的问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的超宽带数据融合定位算法。首先,对采集到的超宽带定位数据进行格式转换,以满足CNN和GRU的输入要求;其次,使用多通道CNN提取定位数据空间上的局部重要信息,并通过两层双向GRU单元挖掘数据的时序特征,在此基础上,利用集成学习思想融合局部重要特征和时序特征,以提高数据融合的定位准确度。最后,在某航天车间进行定位实例验证,实验结果表明,相较于CNN或GRU模型,所提方法在定位精度上具有更优越的性能。 展开更多
关键词 离散制造车间 超宽带室内定位 卷积神经网络 门控循环单元
在线阅读 下载PDF
具有注意力机制的CNN-GRU模型在风电机组异常状态预警中的应用
4
作者 马良玉 胡景琛 +1 位作者 段晓冲 黄日灏 《南京信息工程大学学报》 北大核心 2025年第3期374-383,共10页
针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗... 针对风电机组长期在恶劣环境中工作导致故障频发的问题,提出一种具有注意力机制的卷积神经网络(CNN)及门控循环单元(GRU)的异常工况预警方法.利用快速密度峰值聚类和局部离群因子算法对风电机组数据采集与监控系统中的异常数据进行清洗,结合机理分析及极端梯度提升(XGBoost)算法对特征重要性的评估确定模型的输入输出参数,进而采用具有注意力机制的CNN-GRU模型建立风电机组正常运行工况的性能预测模型.以该预测模型为基础,利用时移滑动窗口构建风电机组状态评价指标,并结合统计学中的区间估计法确定预警阈值,最终实现机组异常工况预警.应用某风电机组真实历史故障数据进行实验,结果表明,本文所提方法能够准确地对异常状态进行提前识别和预警,有利于运维人员及时处理故障,保证机组安全稳定运行. 展开更多
关键词 风电机组 卷积神经网络 门控循环单元 注意力机制 故障预警
在线阅读 下载PDF
融合CNN-GRU和Transformer的网络入侵检测方法
5
作者 黄迎春 邢秀祺 《火力与指挥控制》 北大核心 2025年第6期21-27,共7页
随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测... 随着网络技术的快速发展及其在军事领域的广泛应用,入侵检测技术对系统安全起着重要作用。针对传统入侵检测数据集类别不平衡问题,提出一种融合卷积门控循环单元(CNN-GRU)和基于自注意力机制的神经网络模型(Transformer)的网络入侵检测方法CGT(CNN-GRU Transformer),该方法针对双向长短期记忆网络(LSTM)只考虑时序特征而忽略空间特征且参数较多的特点优化入侵检测技术,融合过-欠采样与Wasserstein生成对抗网络的数据平衡处理模型NBW(Neighbourhood-cleaning-rule borderline-SMOTE WGAN)对数据集进行平衡处理。实验结果证明,所提出的方法在NSL-KDD数据集上表现出较好的效果,有效提升了入侵检测性能。 展开更多
关键词 入侵检测 卷积门控循环单元 数据平衡处理 领域清理规则 神经网络
在线阅读 下载PDF
一种基于注意力机制的BERT-CNN-GRU检测方法 被引量：1
6
作者 郑雅洲 刘万平 黄东 《计算机工程》 北大核心 2025年第1期258-268,共11页
针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU... 针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU)提取域名深度特征。CNN使用n-gram排布的方式提取不同层次的域名信息,并采用批标准化(BN)对卷积结果进行优化。GRU能够更好地获取前后域名的组成差异,多头注意力机制在捕获域名内部的组成关系方面表现出色。将并行检测网络输出的结果进行拼接,最大限度地发挥两种网络的优势,并采用局部损失函数聚焦域名分类问题,提高分类性能。实验结果表明,该方法在二分类上达到了最优效果,在短域名多分类数据集上15分类的加权F1值达到了86.21%,比BiLSTM-Seq-Attention模型提高了0.88百分点,在UMUDGA数据集上50分类的加权F1值达到了85.51%,比BiLSTM-Seq-Attention模型提高了0.45百分点。此外,该模型对变体域名和单词域名生成算法(DGA)检测性能较好,具有处理域名数据分布不平衡的能力和更广泛的检测能力。 展开更多
关键词 恶意短域名 BERT预训练 批标准化 注意力机制 门控循环单元 并行卷积神经网络
在线阅读 下载PDF
基于多维复向特征融合与CNN-GRU的转子不平衡量识别方法
7
作者 王坚坚 廖与禾 +1 位作者 杨磊 薛久涛 《中国机械工程》 北大核心 2025年第9期1905-1915,共11页
现有的无试重不平衡量识别算法采用优化算法框架,通过大量迭代运算以逐步逼近最优解,这类策略普遍收敛速度迟缓且易陷入局部极值。为此,利用神经网络直接学习并解析不平衡振动响应与不平衡量之间的复杂映射关系,进而实现不平衡量的高精... 现有的无试重不平衡量识别算法采用优化算法框架,通过大量迭代运算以逐步逼近最优解,这类策略普遍收敛速度迟缓且易陷入局部极值。为此,利用神经网络直接学习并解析不平衡振动响应与不平衡量之间的复杂映射关系,进而实现不平衡量的高精度识别。通过转子动力学模型进行仿真,构建了带标签的足量不平衡振动数据集。针对不平衡数据的多维复向特性,设计了一种特征融合机制。核心算法层面,结合卷积神经网络(CNN)与门控循环单元(GRU)构建了CNN-GRU混合模型,其中,CNN部分负责从振动数据中提取局部空间特征,GRU负责捕捉振动数据中的时序依赖关系,通过整合空间与时间域的信息,显著增强了模型的泛化能力和识别精度。测试集数据和实验台实验的不平衡量识别结果表明,所提方法可以准确预估识别转子的不平衡量,为无试重现场动平衡提供迅速准确的指导。 展开更多
关键词 转子 无试重 不平衡量识别 卷积神经网络-门控循环单元 多维复向特征融合
在线阅读 下载PDF
基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型 被引量：1
8
作者 王运明 李明阳 +1 位作者 陈梦华 常振臣 《铁道科学与工程学报》 北大核心 2025年第5期2367-2379,共13页
牵引电机温度预测在动车组牵引电机状态评估和日常维护中具有重要作用。针对现有时序预测模型提取牵引电机时序数据的特征不充分,导致模型预测精度不高的问题,提出一种基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型,通过更深层次... 牵引电机温度预测在动车组牵引电机状态评估和日常维护中具有重要作用。针对现有时序预测模型提取牵引电机时序数据的特征不充分,导致模型预测精度不高的问题,提出一种基于MultiCNN-GRU-ITA的动车组牵引电机温度预测模型,通过更深层次地提取数据的时空特征来预测牵引电机的温度。该模型提出了多通道卷积神经网络(multi-channel convolutional neural networks, MultiCNN)的空间特征提取模块,多尺度地获取牵引电机数据的空间特征,增强特征的表征能力;设计了GRU(gated recurrent unit, GRU)堆叠的时间特征提取模块,采用门控循环单元捕捉数据的长期依赖关系,提取牵引电机数据的时间特征,更准确地预测温度的动态变化;引入改进的时序注意力机制模块(improved temporal attention,ITA),聚焦时空特征中的关键信息,进一步提升模型对重要特征的识别能力。利用动车组实际运行数据制作了数据集,并在多种预测场景下进行了实验测试。实验结果表明,在预测输出步长为5、10、15、20 min的4种场景下,MultiCNN-GRUITA模型在MAE和MSE方面均表现出明显的优势,相比于LSTM、GRU、SVR、ARIMA模型,MAE和MSE指标降低了41.03%和65.32%以上;在不同预测步长下,MultiCNN-GRU-ITA模型的温度预测曲线与实际值具有很高的拟合度,该模型能有效捕捉牵引电机的温度变化趋势,可为构建高精确性的牵引电机故障预测与健康评估系统提供模型支撑。 展开更多
关键词 牵引电机 温度预测 多通道卷积神经网络 门控循环单元 注意力机制
在线阅读 下载PDF
基于KPCA-CNN-GRU的陶瓷辊道窑温度预测
9
作者 朱俊文 杨海东 +2 位作者 徐康康 宋才荣 包昊 《传感器与微系统》 北大核心 2025年第5期12-15,19,共5页
辊道窑作为陶瓷生产的重要设备,辊道窑烧成带的温度直接决定陶瓷质量。辊道窑燃烧过程机理复杂,具有时变、非线性、易干扰、多变量的特点,通过引入核主成分分析(KPCA)降维算法,解决多变量和PCA非线性降维的局限,把辊道窑非线性参数映射... 辊道窑作为陶瓷生产的重要设备,辊道窑烧成带的温度直接决定陶瓷质量。辊道窑燃烧过程机理复杂,具有时变、非线性、易干扰、多变量的特点,通过引入核主成分分析(KPCA)降维算法,解决多变量和PCA非线性降维的局限,把辊道窑非线性参数映射到高维空间,再在高维空间中使用线性降维。最后,利用深度学习组合模型卷积神经网络-门控循环单元(CNN-GRU)进行预测,CNN擅长提取空间特征,GRU擅长建模序列信息。实验结果表明:KPCA使降维后参数贡献率达到91%,最终KPCA-CNN-GRU模型预测结果与其他模型相比,拟合系数R2平均提高了10%,而平均百分比误差(MAPE)最小达到了0.063%,具有较高的预测精度和泛化性。 展开更多
关键词 辊道窑温度预测 核主成分分析 卷积神经网络 门控循环单元
在线阅读 下载PDF
结合迁移学习和标签优选的半监督CNN-GRU地震数据衰减补偿
10
作者 徐升博 汪玲玲 谢琳 《地球物理学报》 北大核心 2025年第2期713-729,共17页
本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Units,GRU)组成的半监督网络,结合迁移学习和标签优选策略对地震数据进行吸收衰减补偿的方法.半监督CNN-GRU网络包含一个反演网络和... 本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Units,GRU)组成的半监督网络,结合迁移学习和标签优选策略对地震数据进行吸收衰减补偿的方法.半监督CNN-GRU网络包含一个反演网络和一个正演网络.首先用具有较复杂地层结构的典型模型数据对反演和正演网络进行预训练,然后基于迁移学习策略将衰减地震数据送入预训练好的反演网络,其输出再输入预训练好的正演网络,用反演结果相对于标签数据的损失结合正演结果相对于衰减地震数据的损失指导更新半监督CNN-GRU的网络参数.该训练方法可充分利用模型数据、标签数据和无标签地震数据对网络进行训练,较好地缓解标签训练样本不足的问题.对于测井数量极少的情况,本文给出了一种两步训练策略:第一步,使用K-Means++方法聚类优选标签位置,并在这些位置处用一种基于分子分解的传统Q校正方法制作标签数据,然后用上述迁移学习结合半监督方法训练半监督CNN-GRU网络;第二步,用测井数据生成的标签继续半监督训练网络,最后用训练好的半监督CNN-GRU网络中的反演网络从衰减地震数据预测未衰减地震数据.模型和实际数据算例结果表明,结合迁移学习和标签优选两步训练策略,在仅有一口测井数据的情况下,本文方法也能够从衰减地震数据直接反演得到较高精度的衰减补偿数据.其中,在模型算例中,衰减补偿地震数据相对于未衰减地震数据的皮尔逊相关系数(Pearson Correlation Coefficient,PCC)可达到0.9892;在实际算例中,测井处的PCC可达到0.9989,相应的正演结果的PCC可达到0.9956.此外,本文方法计算效率较高、对噪声具有良好的鲁棒性. 展开更多
关键词 深度学习 卷积神经网络 门控循环单元 半监督 迁移学习 衰减补偿
在线阅读 下载PDF
基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测 被引量：5
11
作者 岳有军 吴明沅 +1 位作者 王红君 赵辉 《南京信息工程大学学报》 CAS 北大核心 2024年第2期231-238,共8页
针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率... 针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度. 展开更多
关键词 光伏功率预测 改进麻雀搜索算法 卷积神经网络 门控循环单元 XGBoost模型
在线阅读 下载PDF
水库水位的VMD-CNN-GRU混合预测模型 被引量：2
12
作者 韩莹 王乐豪 +2 位作者 魏平慧 李占东 周文祥 《南京信息工程大学学报》 CAS 北大核心 2024年第2期239-246,共8页
水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(C... 水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求. 展开更多
关键词 水位预测 变分模态分解 门控循环单元 卷积神经网络 深度学习
在线阅读 下载PDF
基于CNN-GRU-ATT的城市暴雨积水预测研究 被引量：2
13
作者 胡昊 陈军朋 +3 位作者 李擎 马鑫 徐鹏 刘明潇 《华北水利水电大学学报（自然科学版）》 北大核心 2024年第4期27-35,共9页
多发频发的极端暴雨事件导致很多城市普遍面临严重内涝问题。能否准确高效地预测城市积水点的水位变化,是城市内涝防治的重要组成部分。为有效提升城市暴雨积水预测的精度和效率,建立了一种基于卷积神经网络(CNN)-门控循环单元(GRU)-注... 多发频发的极端暴雨事件导致很多城市普遍面临严重内涝问题。能否准确高效地预测城市积水点的水位变化,是城市内涝防治的重要组成部分。为有效提升城市暴雨积水预测的精度和效率,建立了一种基于卷积神经网络(CNN)-门控循环单元(GRU)-注意力机制(ATT)的城市暴雨积水预测模型。首先利用CNN与GRU提取水位数据的局部空间特征和深层时间特征,然后引入ATT加强对降雨序列中关键信息的记忆,从而完成城市积水点的水位预测。利用开封市某积水点的实测水位对模型进行了验证,并与以往的CNN-GRU、ATT-CNN-LSTM以及CNN-LSTM模型进行了对比分析。结果表明,CNN-GRU-ATT模型的损失函数在epoch=20处即达到收敛,损失函数值最终稳定在0.0002左右,收敛效果较好。此外,与其他3种模型相比,CNN-GRU-ATT模型的预测精度评价指标表现均为最优,且模型仍能保持较高的运算效率。其中均方根误差为1.39%,平均绝对百分比误差为4.32%,决定系数为0.9954。这表明CNN-GRU-ATT模型能够准确、高效地预测出积水点的水位变化情况,可为暴雨内涝预警和制定防汛排涝方案提供有效的科学依据。 展开更多
关键词 城市暴雨 积水预测 卷积神经网络 门控循环单元 注意力机制
在线阅读 下载PDF
基于CNN-GRU-AE的蓝莓货架期预测模型研究 被引量：4
14
作者 张润泽 冯国红 +4 位作者 付晟宏 王宏恩 高珊 朱玉杰 刘中深 《食品科学》 EI CAS CSCD 北大核心 2024年第13期229-238,共10页
为探究贮藏于不同温度条件下蓝莓的品质变化及货架期,以‘自由’蓝莓为研究对象,测定其在0、4、25℃条件下的颜色参数、质量损失率、腐败率、质地参数等共计21个品质指标。通过5种具有自带特征选择功能的机器学习算法,筛选出7个影响货... 为探究贮藏于不同温度条件下蓝莓的品质变化及货架期,以‘自由’蓝莓为研究对象,测定其在0、4、25℃条件下的颜色参数、质量损失率、腐败率、质地参数等共计21个品质指标。通过5种具有自带特征选择功能的机器学习算法,筛选出7个影响货架期的关键特征作为模型的输入变量,构建基于注意力(attention,AE)机制的卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)的蓝莓货架期预测模型。结果表明,与原始GRU相比,CNN-GRU-AE模型的平均绝对误差、均方误差和平均绝对百分比误差分别降低了75.83%、91.46%、61.58%,决定系数增加了2.25%。说明添加注意力机制并与CNN结合后的GRU模型显著提高了货架期的预测精度。本研究可为蓝莓在不同贮藏温度条件下的货架期制定提供理论支持,并为剩余货架期的预测提供技术帮助。 展开更多
关键词 蓝莓 货架期预测 卷积神经网络 门控循环单元 注意力机制
在线阅读 下载PDF
基于CNN-GRU模型的中欧班列运到时限预测 被引量：1
15
作者 张永祥 谷丽婷 +3 位作者 郭经纬 闫旭 冯涛 钟庆伟 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2024年第10期3989-4001,共13页
随着经济贸易的全球化发展,中欧班列已经成为重要的国际货运方式。由于中欧班列的运到时限受诸多因素影响,现有模型难以充分捕捉运输时间数据的复杂特征关系,因而无法准确预测列车运到时限,影响中欧班列的调度及沿线运力的安排。提出一... 随着经济贸易的全球化发展,中欧班列已经成为重要的国际货运方式。由于中欧班列的运到时限受诸多因素影响,现有模型难以充分捕捉运输时间数据的复杂特征关系,因而无法准确预测列车运到时限,影响中欧班列的调度及沿线运力的安排。提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的中欧班列运到时限预测方法,该方法能有效捕捉运到时间序列的空间及时间特征,从而提高预测精度。所提方法首先利用小波变换技术对中欧班列运到时限历史数据进行降噪处理,再经过最大−最小归一化、多粒度扫描窗及数据划分后,通过一维CNN模块提取输入时间序列的空间特征,GRU模块提取序列的时间特征,最后输出中欧班列运到时限的预测值。在实验部分进行了模型的参数调优、小波变换去噪效果分析及模型对比。结果显示,经小波变换去噪处理后,CNN-GRU模型的均方根误差(RMSE)和平均绝对误差(MAE)分别降低了34.18%和26.77%;模型的RMSE和MAE比单一模型中预测效果表现最好的随机森林(RF)分别降低了17.28%和21.67%,比组合模型CNN-LSTM分别降低了5.68%和15.70%。本文所构建的CNN-GRU模型对于小样本复杂数据的预测性能较高,且模型训练参数较少,轻量化程度较高,可解释性较强。基于该模型的中欧班列运到时限预测方法提高了运到时限预测的准确性,能够为缓解中欧班列路网运力不足等现状提供较为可靠的技术支持。 展开更多
关键词 铁路运输 中欧班列 列车运到时限预测 cnn-gru 小波变换
在线阅读 下载PDF
基于混沌云量子蝙蝠CNN-GRU大坝变形智能预报方法研究 被引量：6
16
作者 陈以浩 李明伟 +2 位作者 安小刚 王宇田 徐瑞喆 《哈尔滨工程大学学报》 EI CAS CSCD 北大核心 2024年第1期110-118,共9页
针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元... 针对大坝变形影响因素复杂、精准预报难度较大问题,为了提高在大坝安全管理过程中大坝变形的预报精度,本文从大坝变形非线性动力系统时间序列的强非线性出发,引入深度卷积神经网络,对大坝变形及其空间影响特性进行挖掘,引入门控循环单元,对大坝变形的时域特性进行挖掘,构建应用于大坝变形预报的深度卷积神经网络-门控循环单元大坝变形组合深度学习网络;同时,为了获取深度卷积神经网络-门控循环单元组合网络的最佳超参,引入了混沌云量子蝙蝠算法,建立了基于混沌云量子蝙蝠算法算法的深度卷积神经网络-门控循环单元组合网络超参优选方法;最后,提出了深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法大坝变形组合深度学习智能预报方法。基于实测数据开展预报研究,对比结果表明:与对比模型相比,提出的深度卷积神经网络-门控循环单元-混沌云量子蝙蝠算法预报方法取得了更精确的预报结果,混沌云量子蝙蝠算法算法用于超参优选获得了更佳的超参组合。 展开更多
关键词 大坝变形预测 卷积神经网络 门控循环单元 蝙蝠算法 量子力学 混沌理论 非线性动力系统模拟与预测 深度学习
在线阅读 下载PDF
基于CNN-GRU-SSA组合模型的PM_(2.5)浓度预测 被引量：3
17
作者 林买金 张露露 +4 位作者 唐友兵 孟春阳 张茗斐 万梓康 谢劭峰 《科学技术与工程》 北大核心 2024年第31期13269-13276,共8页
为了解决门控循环单元(gated recurrent unit,GRU)超参数选取困难的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)、门控循环单元和麻雀搜索算法(sparrow search algorithm,SSA)的组合模型(CNN-GRU-SSA)。首先利用... 为了解决门控循环单元(gated recurrent unit,GRU)超参数选取困难的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)、门控循环单元和麻雀搜索算法(sparrow search algorithm,SSA)的组合模型(CNN-GRU-SSA)。首先利用CNN对输入的多维数据集进行特征提取;然后将CNN提取到的特征输入GRU模型;最后使用SSA算法优化GRU模型的超参数,并将其应用于PM_(2.5)浓度预测。选取西部城市成都与东部城市杭州作为研究区域,使用2021年12月1日—2022年2月13日的大气污染物、气象因素、边界层高度(boundary layer height,BLH)以及大气可降水量(precipitable water vapor,PWV)的小时数据进行建模,分别预测两市2022年2月14日—2月28日PM_(2.5)浓度变化。实验结果表明,CNN-GRU-SSA模型预测精度与其他模型相比有明显提高,其中成都的预测值最接近实际值。 展开更多
关键词 PM_(2.5) 麻雀搜索算法 卷积神经网络 门控循环单元 PWV
在线阅读 下载PDF
基于CNN-GRU深度学习的模块化多电平矩阵变换器故障诊断 被引量：1
18
作者 朱晋 程启明 程尹曼 《南方电网技术》 CSCD 北大核心 2024年第11期13-22,共10页
模块化多电平矩阵变换器(modular multilevel matrix converter,M3C)是一种用于海上风力发电的低频电力传输AC-AC变换器。为了提高M3C工作的可靠性和稳定性,对其子模块中IGBT(insulated gate bipolar transistor)的开路故障需要有高效... 模块化多电平矩阵变换器(modular multilevel matrix converter,M3C)是一种用于海上风力发电的低频电力传输AC-AC变换器。为了提高M3C工作的可靠性和稳定性,对其子模块中IGBT(insulated gate bipolar transistor)的开路故障需要有高效准确的诊断方法,为此提出了基于卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated loop unit,GRU)相结合的深度学习故障诊断方法。在对M3C子模块运行工况分析基础上对原始故障数据进行小波包分析,并通过时序图像转换将其中高频分量转化为二维故障图片作为深度学习的训练及验证数据集,经过CNN对高维数据的特征提取,再通过GRU对数据进行优化训练,实现了对M3C故障类别的诊断识别。所提方法相比传统方法具有更加准确、快速的故障诊断能力。 展开更多
关键词 模块化多电平矩阵变换器 小波包分析 卷积神经网络 门控循环单元 故障诊断
在线阅读 下载PDF
基于CNN-GRU并联网络的海上风电支撑结构损伤识别
19
作者 李行健 刁延松 +1 位作者 吕建达 侯敬儒 《振动与冲击》 EI CSCD 北大核心 2024年第20期229-237,共9页
利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU... 利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU)神经网络并联网络的结构损伤识别新方法。首先,对响应信号进行广义S变换(generalized S-transform,GST)得到其时频图像。然后,分别利用CNN和GRU从时频图像和响应信号中提取时频域特征和时序特征,并将时频域特征和时序特征拼接后输入全连接层和Softmax分类器中进行结构损伤识别。位移激励下的海上风电支撑结构模型试验数据验证结果表明,该方法仅需要一个测点的响应信号,与其他同类方法相比具有更高的识别准确率和效率。 展开更多
关键词 卷积神经网络-门控循环单元(cnn-gru)并联网络 结构损伤识别 深度学习 海上风电支撑结构 广义S变换(GST)
在线阅读 下载PDF
小样本下基于CNN-GRU网络的弹丸落点预测
20
作者 王现磊 陈铎 +1 位作者 薛景元 王义江 《火力与指挥控制》 CSCD 北大核心 2024年第7期64-69,共6页
为充分挖掘弹丸径向速度在时空上的规律,提高弹丸落点预测精度,提出了一种基于卷积神经网络结合门控循环单元的弹丸落点预测方法。分别利用卷积神经网络(CNN)和门控循环单元(GRU)网络对弹丸的径向速度在时间和空间上的强相关性特征进行... 为充分挖掘弹丸径向速度在时空上的规律,提高弹丸落点预测精度,提出了一种基于卷积神经网络结合门控循环单元的弹丸落点预测方法。分别利用卷积神经网络(CNN)和门控循环单元(GRU)网络对弹丸的径向速度在时间和空间上的强相关性特征进行提取,学习弹丸高度复杂的非线性飞行轨迹,构建弹丸落点预测模型。通过某型炮弹径向速度数据作为训练集和测试集进行弹丸落点预测,并与MLP、LSTM和CNN-LSTM时序预测方法进行比较。实验结果表明,CNN-GRU预测模型能够有效提取径向速度序列中的时空间信息,学习出弹丸相对雷达的位置,相比其他模型具有预测精度高、收敛速度快且稳定性好的优势。 展开更多
关键词 径向速度 落点预测 卷积神经网络 门控循环单元
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 … 13 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