针对目前氢燃料重卡在行驶过程中,动力电池工况复杂、外表面温度变化难以预测、滞后时间长等问题,以氢燃料重卡锂离子动力电池外表面温度为研究对象,提出一种类交叉熵损失函数和自适应矩估计(adaptive moment estimation,Adam)优化的改...针对目前氢燃料重卡在行驶过程中,动力电池工况复杂、外表面温度变化难以预测、滞后时间长等问题,以氢燃料重卡锂离子动力电池外表面温度为研究对象,提出一种类交叉熵损失函数和自适应矩估计(adaptive moment estimation,Adam)优化的改进型门控循环单元神经网络(gate recurrent unit,GRU),建立锂离子动力电池表面温度预测模型。该模型利用GRU神经网络的特殊门机制和全局处理能力,得到锂离子电池表面温度和电池充放电电流、电压、充放电时间、历史温度、当前温度以及环境温度之间的非线性关系。采用4个精度评价函数对预测模型进行评价:经过5种环境温度下的模拟工况实验,验证该模型的准确性。结果表明,基于GRU的电池温度预测模型的误差相对于反向传播(back propagation,BP)神经网络模型和循环神经网络模型(recurrent neural network,RNN)来说较小,说明GRU的锂离子电池温度预测模型具有更高的精度。该文为磷酸铁锂电池表面温度的精准预测提出了一种新的方法。展开更多
为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,...为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。展开更多
现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and...现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。展开更多
文摘为了对学生异常行为的早期感知及校园行为时序建模,提出一种异常行为敏感的学生行为时序建模及心理健康预测(student behavioral temporal modeling sensitive to abnormal behavior for mental health prediction, SBTM-SABMHP)方法,利用移动设备收集的加速器、声音传感器及移动热点(wireless fidelity, WI-FI)等多种行为感知数据,构建异质信息网络,对学生当前行为模式进行建模。同时,为实现对学生历史行为时序数据的建模,建立了基于注意力机制的异常行为敏感的门控模块,有效融合学生长短期行为,并对学生行为时序建模,实现心理健康预测。在公共数据集StudentLife上对所提出的模型进行了对比分析实验。实验结果表明,与多种学生心理健康预测基线方法相比,该方法在4个评价指标上都取得了最佳性能,证明了该模型在学生心理健康预测任务上的有效性。
文摘现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。
