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3,559篇文章
< 1 2 … 178 >
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Hyperband-贝叶斯优化-LSTM网络的高旋尾控修正弹修正能力研究
1
作者 周杰 王良明 +2 位作者 傅健 王彦钦 郭首邑 《兵工学报》 北大核心 2025年第7期248-258,共11页
为快速准确地解算出高旋尾控修正弹的修正指令,针对其能力预测问题,提出一种基于Hyperband算法-贝叶斯优化-长短期记忆网络(Hyperband algorithm-Bayesian optimization-Long Short-Term Memory network,HBBO-LSTM)的修正能力预测模型... 为快速准确地解算出高旋尾控修正弹的修正指令,针对其能力预测问题,提出一种基于Hyperband算法-贝叶斯优化-长短期记忆网络(Hyperband algorithm-Bayesian optimization-Long Short-Term Memory network,HBBO-LSTM)的修正能力预测模型。建立高旋尾控修正弹的7自由度弹道模型,并使用龙格-库塔法进行数值仿真,生成大量样本数据;通过对数据集的分析,提出一种基于拉马努金近似公式的预处理方式,对原始数据集进行预处理,获得空间分布均匀的样本数据。构建HBBO-LSTM网络预测模型,通过训练得到模型的最佳结构参数。提出一种融合带重启机制的余弦退火衰减和指数衰减的学习率下降策略,保证训练过程的快速性和稳定性。将所述模型与长短期记忆网络模型、门控循环单元网络模型和反向传播网络模型在同一测试集下进行仿真实验,并与4自由度修正质点弹道方程数值积分法进行实验对比。研究结果表明,HBBO-LSTM网络模型的综合均方误差为0.17 m^(2),综合平均绝对误差为0.33 m,预测精度优于其他模型;且解算时间和预测精度均优于数值积分法,具有较高的可行性和参考价值。 展开更多
关键词 修正能力 弹道修正弹 尾控弹 长短期记忆网络 Hyperband算法 贝叶斯优化
在线阅读 下载PDF
基于Hyperband-CNN-BiLSTM模型的车辆油耗预测方法
2
作者 吐尔逊·买买提 孙慧 刘亚楼 《科学技术与工程》 北大核心 2025年第9期3896-3904,共9页
为了有效地预测车辆的燃油消耗,提高燃油经济性并推动节能减排,提出一种基于Hyperband-CNN-BiLSTM的机动车油耗预测方法。首先基于实际道路测试收集到的车辆运行状态数据和油耗数据,分析了影响车辆油耗的显著性因素;其次结合卷积神经网... 为了有效地预测车辆的燃油消耗,提高燃油经济性并推动节能减排,提出一种基于Hyperband-CNN-BiLSTM的机动车油耗预测方法。首先基于实际道路测试收集到的车辆运行状态数据和油耗数据,分析了影响车辆油耗的显著性因素;其次结合卷积神经网络(convolutional neural network,CNN)强大的特征提取能力和双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)在处理时序数据方面的优势,构建了基于CNN-BiLSTM的车辆油耗预测组合模型;然后,为提高模型预测准确性,通过Hyperband优化算法对组合模型进行优化,并将车辆油耗影响因素作为模型输入特征,对模型进行训练,实现对车辆油耗的建模和预测;最后,选取CNN、LSTM、BiLSTM、CNN-LSTM、CNN-BiLSTM作为对比模型,对Hyperband-CNN-BiLSTM预测模型效果进行评价。结果表明,相较于其他模型,Hyperband-CNN-BiLSTM模型的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean squared error,RMSE)最小,分别为0.05769和0.11925,R^(2)最大,为0.99176,模型预测效果最佳。 展开更多
关键词 Hyperband 油耗预测 卷积神经网络(CNN) 双向长短期记忆网络(Bilstm) 组合模型
在线阅读 下载PDF
一种基于long short-term memory的唇语识别方法 被引量：4
3
作者 马宁 田国栋 周曦 《中国科学院大学学报（中英文）》 CSCD 北大核心 2018年第1期109-117,共9页
唇动视觉信息是说话内容的重要载体。受嘴唇外观、背景信息和说话习惯等影响,即使说话者说相同的内容,唇动视觉信息也会相差很大。为解决唇语视觉信息多样性的问题,提出一种基于long short-term memory(LSTM)的新的唇语识别方法。以往... 唇动视觉信息是说话内容的重要载体。受嘴唇外观、背景信息和说话习惯等影响,即使说话者说相同的内容,唇动视觉信息也会相差很大。为解决唇语视觉信息多样性的问题,提出一种基于long short-term memory(LSTM)的新的唇语识别方法。以往大多数的方法从嘴唇外表信息入手。本方法用嘴唇关键点坐标描述嘴唇形变信息作为唇语视频的特征,它具有类内一致性和类间区分性的特点。然后利用LSTM对特征进行时序编码,它能学习具有区分性和泛化性的空间-时序特征。在公开的唇语数据集GRID、MIRACL-VC和Oulu VS上对本方法做了针对分割的单词或短语的说话者独立的唇语识别评估。在GRID和MIRACL-VC上,本方法的准确率比传统方法至少高30%;在Oulu VS上,本方法的准确率接近于最优结果。以上实验结果表明,本文提出的基于LSTM的唇语识别方法有效地解决了唇语视觉信息多样性的问题。 展开更多
关键词 唇语识别 long short-term memory 计算机视觉
在线阅读 下载PDF
基于ARIMA-LSTM的矿区地表沉降预测方法 被引量：4
4
作者 王磊 马驰骋 +1 位作者 齐俊艳 袁瑞甫 《计算机工程》 北大核心 2025年第1期98-105,共8页
煤矿开采安全问题尤其是采空区地表沉降现象会对人员安全及工程安全造成威胁,研究合适的矿区地表沉降预测方法具有很大意义。矿区地表沉降影响因素复杂,单一的深度学习模型对矿区地表沉降数据拟合效果差且现有的地表沉降预测研究多是单... 煤矿开采安全问题尤其是采空区地表沉降现象会对人员安全及工程安全造成威胁,研究合适的矿区地表沉降预测方法具有很大意义。矿区地表沉降影响因素复杂,单一的深度学习模型对矿区地表沉降数据拟合效果差且现有的地表沉降预测研究多是单独进行概率预测或考虑时序特性进行点预测,难以在考虑数据的时序特征的同时对其随机性进行定量描述。针对此问题,在对数据本身性质进行观察分析后选择差分整合移动平均自回归(ARIMA)模型进行时序特征的概率预测,结合长短时记忆(LSTM)网络模型来学习复杂的且具有长期依赖性的非线性时序特征。提出基于ARIMA-LSTM的地表沉降预测模型,利用ARIMA模型对数据的时序线性部分进行预测,并将ARIMA模型预测的残差数据辅助LSTM模型训练,在考虑时序特征的同时对数据的随机性进行描述。研究结果表明,相较于单独采用ARIMA或LSTM模型,该方法具有更高的预测精度(MSE为0.262 87,MAE为0.408 15,RMSE为0.512 71)。进一步的对比结果显示,预测结果与雷达卫星影像数据(经SBAS-INSAR处理后)趋势一致,证实了该方法的有效性。 展开更多
关键词 煤矿采空区 地表沉降预测 时序概率预测 差分整合移动平均自回归 长短时记忆网络
在线阅读 下载PDF
基于IWOA-LSTM算法的预应力钢筋混凝土梁损伤识别 被引量：5
5
作者 范旭红 章立栋 +2 位作者 杨帆 李青 郁董凯 《江苏大学学报（自然科学版）》 CAS 北大核心 2025年第1期105-112,119,共9页
为准确识别桥梁结构的损伤程度,制作了桥梁的关键构件——预应力钢筋混凝土梁,进行三点弯曲加载试验.收集了损伤破坏全过程的声发射(AE)信号,通过AE信号参数分析,将梁的损伤破坏过程划分为4个典型阶段.构建了长短时记忆神经网络(LSTM)模... 为准确识别桥梁结构的损伤程度,制作了桥梁的关键构件——预应力钢筋混凝土梁,进行三点弯曲加载试验.收集了损伤破坏全过程的声发射(AE)信号,通过AE信号参数分析,将梁的损伤破坏过程划分为4个典型阶段.构建了长短时记忆神经网络(LSTM)模型,根据经验设置LSTM模型的超参数容易导致网络陷入局部最优而影响了分类结果,提出采用Sine混沌映射和自适应权重来改进鲸鱼优化算法(WOA),对LSTM进行超参数寻优.设计了IWOA-LSTM算法模型,训练识别试验梁各损伤阶段的AE信号特征参数.定型网络结构,并识别同种工况下其他梁的AE信号.结果表明:IWOA-LSTM算法模型识别准确率均超过或接近92%,相较于普通LSTM模型,IWOA-LSTM模型识别准确率提高了约7%. 展开更多
关键词 预应力钢筋混凝土梁 声发射 损伤识别 长短时记忆神经网络 改进的鲸鱼优化算法
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
6
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
面向涡轮的PCA-POA-LSTM数据驱动建模及故障预警方法 被引量：1
7
作者 刘斌 白红艳 +3 位作者 何璐瑶 张晓北 田野 杨理践 《电子测量与仪器学报》 北大核心 2025年第1期145-155,共11页
针对传统LSTM数据驱动模型存在输入参数规模过大导致运算负担过大、超参数选择不当和涡轮系统故障发生频率、运维成本高的问题,提出一种基于PCA-POA-LSTM的涡轮数据驱动建模方法,并结合滑动窗口法实现了涡轮故障预警。首先,应用PCA降维... 针对传统LSTM数据驱动模型存在输入参数规模过大导致运算负担过大、超参数选择不当和涡轮系统故障发生频率、运维成本高的问题,提出一种基于PCA-POA-LSTM的涡轮数据驱动建模方法,并结合滑动窗口法实现了涡轮故障预警。首先,应用PCA降维技术,减少输入数据维度;其次,采用POA参数寻优方法选出最优超参数组合;然后,利用LSTM算法预测涡轮的输出参数;最后,在PCA-POA-LSTM涡轮数据驱动模型预测结果的基础上,结合滑动窗口法对涡轮故障进行预警,通过窗口内标准差定义报警阈值,攻克了涡轮故障预警的难题。结果表明,以PCA-POA-LSTM为基础的涡轮数据驱动建模实现了较高的精确度,平均绝对百分比误差均在0.396以下,平均绝对误差均在0.809以下,平均方根误差均在1.387以下。并且故障预警方法,至少可提前173个监测点发出故障预警信号,实现了对涡轮故障预警的目的,为未来开展涡轮健康管理提供了理论依据和技术支持。 展开更多
关键词 涡轮 鹈鹕优化算法 长短期记忆网络 主成分分析 数据驱动
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
8
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SSA-LSTM-Attention的日光温室环境预测模型 被引量：1
9
作者 孟繁佳 许瑞峰 +3 位作者 赵维娟 宋文臻 高艺璇 李莉 《农业工程学报》 北大核心 2025年第11期256-263,共8页
建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育,针对温室小气候具有时序性、非线性和强耦合等特点,该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mechani... 建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育,针对温室小气候具有时序性、非线性和强耦合等特点,该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mechanism)的日光温室环境预测模型。首先,通过温室物联网数据采集系统获取温室内外环境数据;其次,使用皮尔逊相关性分析法筛选出强相关性因子;最后,构建环境特征时间序列矩阵输入模型进行温室环境预测。对日光温室的室内温度、室内湿度、光照强度和土壤湿度4种环境因子的预测,SSA-LSTM-Attention模型的平均拟合指数达到了97.9%。相较于反向传播神经网络(back propagation neural network,BP)、门控循环单元(gate recurrent unit,GRU)、长短期记忆神经网络(long short term memory,LSTM)和LSTM-Attention(long short-term memory-attention mechanism)模型,分别提高8.1、4.1、3.5、3.0个百分点;平均绝对百分比误差为2.6%,分别降低6.5、3.2、2.8、2.5个百分点。试验结果表明,通过利用SSA自动优化LSTM-Attention模型的超参数,提高了模型预测精度,为日光温室环境超前调控提供了有效的数据支持。 展开更多
关键词 日光温室 麻雀搜索算法 长短期记忆网络 注意力机制 环境预测模型
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 被引量：1
10
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Bi‑LSTM和时序注意力的异常心音检测 被引量：1
11
作者 卢官明 蔡亚宁 +3 位作者 卢峻禾 戚继荣 王洋 赵宇航 《南京邮电大学学报(自然科学版)》 北大核心 2025年第1期12-20,共9页
异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能,提出了一种基于双向长短时记忆网络(Bi⁃directional Long Short⁃Term Memory,Bi⁃LSTM)和时序注意力的异常心音检测算法。首先对心音片段进行分帧... 异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能,提出了一种基于双向长短时记忆网络(Bi⁃directional Long Short⁃Term Memory,Bi⁃LSTM)和时序注意力的异常心音检测算法。首先对心音片段进行分帧处理,使用平均幅度差函数(Average Magnitude Difference Function,AMDF)和短时过零率(Short⁃Time Zero⁃Crossing Rate,STZCR)提取每帧心音信号的初始特征;然后将它们拼接后作为Bi⁃LSTM的输入,并引入时序注意力机制,挖掘特征的长期依赖关系,提取心音信号的上下文时域特征;最后通过Softmax分类器,实现正常/异常心音的分类。在PhysioNet/CinC Challenge 2016提供的心音公共数据集上对所提出的算法使用10折交叉验证法进行了评估,其准确度、灵敏度、特异性、精度和F1评分分别为0.9579、0.9364、0.9642、0.8838和0.9093,优于已有的其他算法。实验结果表明,该算法在无需进行心音分段的基础上就能有效实现异常心音检测,在心血管疾病的临床辅助诊断中具有潜在的应用前景。 展开更多
关键词 心音分类 平均幅度差函数 短时过零率 双向长短时记忆网络 时序注意力机制
在线阅读 下载PDF
基于Bi-LSTM和改进残差学习的风电功率超短期预测方法 被引量：2
12
作者 王进峰 吴盛威 +1 位作者 花广如 吴自高 《华北电力大学学报(自然科学版)》 北大核心 2025年第1期56-65,共10页
现有的方法在以风电功率时间序列拟合功率曲线时,难以表达风电功率数据所包含的趋势性和周期性等时间信息而出现性能退化问题,从而导致预测精度下降。为了解决性能退化问题从而提高风电功率时间序列预测的精度,提出了基于双向长短时记忆... 现有的方法在以风电功率时间序列拟合功率曲线时,难以表达风电功率数据所包含的趋势性和周期性等时间信息而出现性能退化问题,从而导致预测精度下降。为了解决性能退化问题从而提高风电功率时间序列预测的精度,提出了基于双向长短时记忆(Bi-LSTM)和改进残差学习的风电功率预测方法。方法由两个部分组成,第一部分是以Bi-LSTM为主的多残差块上,结合稠密残差块网络(DenseNet)与多级残差网络(MRN)的残差连接方式,并且在残差连接上使用一维卷积神经网络(1D CNN)来提取风电功率值中时序的非线性特征部分。第二部分是Bi-LSTM与全连接层(Dense)组成的解码器,将多残差块提取到的功率值时序非线性特征映射为预测结果。方法在实际运行的风电功率数据上进行实验,并与常见的残差网络方法和时间序列预测方法进行对比。方法相比于其他模型方法有着更高的预测精度以及更好的泛化能力。 展开更多
关键词 深度学习 残差网络 风电功率预测 双向长短时记忆 一维卷积神经网络
在线阅读 下载PDF
基于BP-DCKF-LSTM的锂离子电池SOC估计 被引量：1
13
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
基于GCN-LSTM的多交叉口信号灯控制 被引量：1
14
作者 徐东伟 朱宏俊 +2 位作者 郭海锋 周晓刚 汤立新 《高技术通讯》 北大核心 2025年第5期472-479,共8页
强化学习(reinforcement learning,RL)由于其解决高度动态环境中复杂决策问题的能力,成为信号灯控制中一种具有前景的解决方案。大多数基于强化学习的方法独立生成智能体的动作,它们可能导致交叉口的动作冲突、道路资源浪费。因此,本文... 强化学习(reinforcement learning,RL)由于其解决高度动态环境中复杂决策问题的能力,成为信号灯控制中一种具有前景的解决方案。大多数基于强化学习的方法独立生成智能体的动作,它们可能导致交叉口的动作冲突、道路资源浪费。因此,本文提出了基于图卷积网络和长短期记忆(graph convolution network-long short-term memory,GCNLSTM)的多交叉口信号灯控制方法。首先,基于二进制权重网络对多交叉口进行构图。其次,通过图卷积网络聚合周围交叉口的空间状态信息,利用长短期记忆(long short-term memory,LSTM)获得交叉口的历史状态信息。最后,通过基于竞争网络框架的Q值网络进行动作的选择,实现对交叉口相位的控制。实验结果表明,与其他强化学习方法相比,本文方法在多交叉口的信号灯控制中能够减少交叉口的队列长度,并使道路网络中的车辆获得更少的等待时间。 展开更多
关键词 智能交通系统 交通信号灯控制 多智能体强化学习 长短期记忆 图卷积网络
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
15
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MIC-PCA-LSTM模型的垃圾焚烧炉NO_(x)排放浓度预测 被引量：1
16
作者 姚顺春 李龙千 +5 位作者 刘文 李峥辉 周安鹂 李文静 陈姜宏 卢志民 《华南理工大学学报(自然科学版)》 北大核心 2025年第7期1-10,共10页
垃圾焚烧过程选择性催化还原(SCR)脱硝系统出口NO_(x)排放浓度的准确预测对提高数据质量和喷氨控制水平具有重要意义。垃圾焚烧过程存在显著的非线性、多变量耦合和时间序列特性,给NO_(x)排放浓度的精准预测带来了巨大挑战。针对此问题... 垃圾焚烧过程选择性催化还原(SCR)脱硝系统出口NO_(x)排放浓度的准确预测对提高数据质量和喷氨控制水平具有重要意义。垃圾焚烧过程存在显著的非线性、多变量耦合和时间序列特性,给NO_(x)排放浓度的精准预测带来了巨大挑战。针对此问题,该文将最大信息系数(MIC)、主成分分析(PCA)和长短期记忆(LSTM)神经网络相结合,提出了一种SCR脱硝系统出口NO_(x)排放浓度预测模型。首先,采用MIC方法计算各变量间的最大归一化互信息值,选择和NO_(x)排放浓度相关性较大的特征变量,再结合最大冗余原则剔除冗余变量。随后,基于PCA方法获得各主成分方差的累计贡献率,提取主成分特征,得到最优输入特征变量集。最后,利用LSTM神经网络建立SCR出口NO_(x)排放浓度预测模型。结果表明,相比反向传播神经网络模型和支持向量机模型,该文提出的模型具有最优的预测精度和泛化能力,其测试集平均绝对百分比误差为6.33%,均方根误差为4.71 mg/m^(3),决定系数为0.90。研究结果为实现垃圾焚烧过程SCR脱硝系统的喷氨智能控制提供了理论基础。 展开更多
关键词 垃圾焚烧 选择性催化还原 排放浓度预测 最大信息系数 主成分分析 长短期记忆神经网络
在线阅读 下载PDF
基于优化VMD和BiLSTM的短期负荷预测 被引量：3
17
作者 谢国民 陆子俊 《电力系统及其自动化学报》 北大核心 2025年第4期30-39,共10页
针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集... 针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集成预测模型。首先,对原始电力负荷数据进行变分模态分解,降低数据复杂度,在变分模态分解中,引入白鲸算法对分解层数和惩罚因子寻优,优化分解效果。其次,采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法,增加原始沙猫群优化算法的种群多样性,提升收敛精度和全局搜索能力,并用改进后的算法对BiLSTM中的超参数进行优化。然后,结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型,将分解后的各分量输入模型预测。最后将各预测值叠加,得到最终预测结果。实验结果表明,本文建立的组合模型预测精度高,稳定性强。 展开更多
关键词 电力负荷预测 变分模态分解 双向长短期记忆网络 改进沙猫群优化算法 集成学习算法
在线阅读 下载PDF
基于LSTM的舰载靶机适发窗口预报方法研究
18
作者 戴勇 马智勇 +6 位作者 刘海瑞 刘浩 章雨驰 俞梦冉 李鹏 钱征华 李彤韡 《南京航空航天大学学报(自然科学版)》 北大核心 2025年第5期976-983,共8页
为提高舰载靶机发射过程中船舶运动姿态的预测精度,使用基于长短期记忆(Long short-term memory,LSTM)网络的船舶姿态预测方法。针对长时预测导致的误差累计问题,提出了改进窗口滑动法,通过对每次预测结果进行变分模态分解(Variational ... 为提高舰载靶机发射过程中船舶运动姿态的预测精度,使用基于长短期记忆(Long short-term memory,LSTM)网络的船舶姿态预测方法。针对长时预测导致的误差累计问题,提出了改进窗口滑动法,通过对每次预测结果进行变分模态分解(Variational mode decomposition,VMD)滤波,消除累积误差引起的预测结果振荡。通过有限元仿真及自主设计的船模实验平台开展波浪水池试验,采集横摇、纵摇、垂荡等关键姿态参数的时序数据。实验设置涵盖1级至5级典型海况条件。实验结果表明,该模型在升沉位移、横摇角及纵摇角预测中,均方误差(Mean squared error,MSE)最大降幅可达99.4%,MAPE降低至2.11%,验证了其工程应用的有效性。研究成果可为舰载靶机发射引导系统提供高精度的船舶运动态势预判,对提升着舰安全性具有重要工程价值。 展开更多
关键词 船舶 长短期记忆网络 姿态预测 靶机发射
在线阅读 下载PDF
基于二次分解、LSTM-ELM和误差修正的空气质量指数预测模型 被引量：1
19
作者 周建国 秦远 周路明 《安全与环境学报》 北大核心 2025年第1期322-334,共13页
精准预测空气质量指数(Air Quality Index,AQI)对于制定有效的空气污染治理策略至关重要。为了进一步提升AQI的预测精度,提出了一种新的预测模型,并结合了二次分解(Secondary Decomposition,SD)、优化算法、双尺度预测和误差修正的方法... 精准预测空气质量指数(Air Quality Index,AQI)对于制定有效的空气污染治理策略至关重要。为了进一步提升AQI的预测精度,提出了一种新的预测模型,并结合了二次分解(Secondary Decomposition,SD)、优化算法、双尺度预测和误差修正的方法。首先,采用改良的自适应白噪声完全集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)和样本熵(Sample Entropy,SE)对原始AQI序列进行分解并重构,获得高频、中频和低频3个频率分量。其次,利用经过北方苍鹰算法(Northern Goshawk Optimization,NGO)优化的变分模态分解(Variational Mode Decomposition,VMD)对高频分量进行二次分解,进一步降低其复杂度。再次,引入向量加权平均算法(Weighed Mean of Vectors Algorithm,INFO)对长短期记忆网络(Long Short-Term Memory,LSTM)和极限学习机(Extreme Learning Machine,ELM)的关键参数进行优化,同时利用INFO-LSTM预测高频分量分解后的子序列,进而利用INFO-ELM分别预测中、低频分量,并将所得预测结果进行线性叠加。最后,利用NGO-VMD和INFO-ELM对误差序列进行分解和预测,并对初次预测结果进行修正,得到最终的AQI预测值。研究选取北京、上海和成都3个典型城市为例进行实证分析,并对比了7个对照试验,发现基于二次分解、LSTM-ELM和误差修正的模型具有最高的预测精度。该模型可为治理空气污染提供理论和技术上的帮助。 展开更多
关键词 环境工程学 空气质量指数预测 二次分解 长短期记忆网络 极限学习机 向量加权平均算法 误差修正模型
在线阅读 下载PDF
基于聚类EEMD-PCA-LSTM与误差补偿的光热电站短期太阳直接法向辐射预测 被引量：1
20
作者 张晓英 常正云 +1 位作者 罗童 张兴平 《电气工程学报》 北大核心 2025年第2期345-353,共9页
太阳直接法向辐射(Direct normal irradiance,DNI)的变化影响光热发电的可靠性和效率。以西北某光热电站为研究对象,提出一种聚类、集合经验模态分解(Ensemble empirical mode decomposition,EEMD)、主成分分析(Principal component ana... 太阳直接法向辐射(Direct normal irradiance,DNI)的变化影响光热发电的可靠性和效率。以西北某光热电站为研究对象,提出一种聚类、集合经验模态分解(Ensemble empirical mode decomposition,EEMD)、主成分分析(Principal component analysis,PCA)和长短期记忆(Long short-term memory,LSTM)神经网络与误差补偿的光热电站短期DNI预测模型。首先,充分考虑影响DNI的环境因素,研究气象参数与DNI间的关系,利用近邻传播(Affinitypropagation,AP)聚类算法得到同一天气下的典型日,利用EEMD将原始DNI序列进行分解得到各子模态,降低序列的非平稳性;其次,利用PCA得到关键影响因子,使原始序列相关性和冗余性降低,减少模型输入维度;然后,利用LSTM网络对各分解子模态建模预测得到初始预测DNI序列,将其与真实序列作差,得到两者间的误差序列,重新建立LSTM网络对误差序列进行预测,即误差补偿;最后,将初始预测DNI与误差序列求和,得到最终的预测模型,实现对光热电站短期DNI的预测。预测结果表明,该预测模型效果较好,预测精度达94%。 展开更多
关键词 直接法向辐射 光热发电 集合经验模态分解 主成分分析 长短期记忆神经网络 误差补偿
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 … 178 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