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402篇文章
< 1 2 … 21 >
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
蜉蝣优化双通道网络在齿轮箱故障诊断中的应用
2
作者 于宁 魏沉潜 +2 位作者 田立勇 赵建军 于晓涵 《西安交通大学学报》 北大核心 2025年第5期217-228,共12页
为了有效提取齿轮箱中齿轮和滚动轴承的故障信号特征,并克服深度学习模型超参数选取依赖人工经验的局限性,提高故障诊断的准确性和稳定性,提出了一种基于蜉蝣算法(MA)优化的双通道神经网络故障诊断模型。该模型采用一维时序输入的门控... 为了有效提取齿轮箱中齿轮和滚动轴承的故障信号特征,并克服深度学习模型超参数选取依赖人工经验的局限性,提高故障诊断的准确性和稳定性,提出了一种基于蜉蝣算法(MA)优化的双通道神经网络故障诊断模型。该模型采用一维时序输入的门控循环单元(GRU)和二维图像输入的卷积神经网络(CNN)构建双通道并行架构,并引入自适应批标准化(AdaBN)算法。利用MA的全局优化能力,以CNN-GRU的诊断精度为优化目标,自适应调整模型超参数。将蜉蝣算法优化效果与粒子群算法和遗传算法进行了对比验证,以评估其在模型参数优化方面的有效性。基于东南大学齿轮箱数据集和凯斯西储大学轴承数据集的实验结果表明:该模型能够有效提取振动信号特征,其故障识别精度与稳定性均优于典型深度学习模型,并展现出较强的鲁棒性。在稳态工况下,优化后的CNN-GRU(MA-CNN-GRU)模型在各数据集上的识别精度显著提高;在噪声工况下,MA优化的CNN-GRU模型表现出优异的抗噪性;在变负载工况下,结合AdaBN算法的MA-CNN-GRU模型实现了最高的平均识别精度。所提模型能够高效、准确地检测齿轮箱故障,为机械设备的维护和稳定运行提供了重要的参考价值。 展开更多
关键词 故障诊断 齿轮箱 门控循环单元 卷积神经网络 蜉蝣算法
在线阅读 下载PDF
基于WOA-CNN-BiGRU的PEMFC性能衰退预测
3
作者 陈贵升 刘强 许杨松 《电源技术》 北大核心 2025年第4期831-840,共10页
针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影... 针对PEMFC性能预测领域中存在的预测精度不足和泛化能力有限的问题,提出了一种结合鲸鱼优化算法(WOA)、卷积神经网络(CNN)和双向门控循环单元(BiGRU)的PEMFC输出性能预测方法。首先,采用最大信息系数从大量数据中提取对PEMFC输出性能影响显著的特征,以降低计算复杂度。然后,结合CNN的特征提取能力和BiGRU在处理双向时间依赖性数据上的优势建立CNNBiGRU模型,并通过WOA优化其超参数进一步提升预测的准确性。最后,与传统预测模型进行对比,验证所建模型的优越性。实验结果表明:在训练集占比为60%时,模型在三种不同工况PEMFC老化数据集上的RMSE分别为0.0017、0.0014和0.0110,证明CNN-BiGRU模型具有较高的预测精度以及良好的泛化能力。 展开更多
关键词 PEMFC 性能衰退 鲸鱼优化算法 卷积神经网络 双向门控循环单元
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
4
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
基于MSCNN-BiGRU-Attention的短期电力负荷预测
5
作者 李科 潘庭龙 许德智 《中国电力》 北大核心 2025年第6期10-18,共9页
为解决电力负荷关键特征难以提取的问题,提出一种结合多尺度卷积神经网络-双向门控循环单元-注意力机制(multi-scale convolutional neural network-bi-directional gated recurrent unit-Attention,MSCNN-BiGRU-Attention)的组合模型... 为解决电力负荷关键特征难以提取的问题,提出一种结合多尺度卷积神经网络-双向门控循环单元-注意力机制(multi-scale convolutional neural network-bi-directional gated recurrent unit-Attention,MSCNN-BiGRU-Attention)的组合模型进行短期电力负荷预测。首先,通过Spearman相关系数分析电力负荷数据集的相关性,筛选出相关性较高的特征,构建电力负荷数据集;其次,将数据输入到多尺度卷积神经网络(multi-scale convolutional neural network,MSCNN),对电力负荷数据进行多尺度的时序提取;然后,将提取后的时序特征输入到双向门控循环单元(bi-directional gated recurrent unit,BiGRU)神经网络进行时序预测,并通过注意力(Attention)机制对时序特征进行过滤和筛选;最后,通过全连接层整合输出预测值。以澳大利亚某地区3年的多维电力负荷数据作为数据集,并设置5种对照组模型。同时选用国内南方某地区2年的多维电力负荷数据作为模型验证数据集。结果表明,相较其他模型,MSCNN-BiGRU-Attention组合模型能够取得更好的预测效果,有效解决区域级电力负荷关键特征难以提取的问题。 展开更多
关键词 电力负荷预测 多尺度卷积神经网络 双向门控循环单元 注意力机制 深度学习 Spearman相关系数
在线阅读 下载PDF
基于GASF多通道图像时序融合的高速列车横向减振器故障诊断
6
作者 李刚 秦永峰 齐金平 《振动与冲击》 北大核心 2025年第15期144-152,191,共10页
由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适... 由于高速列车在运行的过程中悬挂系统产生的振动信号是典型的复杂度高,耦合性和不确定性强的非线性信号,为弥补一维信号在故障诊断时的局限性,利用格拉姆角场(Gramian angular field,GAF)处理时间序列信号的敏感性以及对非线性信号的适应性,提出了一种基于一维(1D)时序信号和二维(2D)格拉姆角和场(Gramian angular summation field,GASF)特征融合的卷积神经网络结合门控循环单元网络融合多头自注意力机制(1D-2D-CNN-GRU-MSA)的故障诊断方法。首先,将一维的时序信号编码为二维的GASF图,再分别将一维的时序信号与二维的GASF图同时送入到两条并行的网络支路中,其中:一路为图像输入经卷积神经网络(convolutional neural networks,CNN)提取GASF图像的特征;另一路将一维的故障波形直接输入经门控循环网络单元(gated recurrent unit,GRU)提取时序特征,通过多头自注意力机制(multi-head self-attention,MSA)将二维图像特征和一维时序特征进行特征重点强化并降维融合,最后通过Softmax层对高速列车横向减振器故障进行分类。仿真试验证明,不同工况下1D-2D-CNN-GRU-MSA模型比两种主流模型进行高速列车横向减振器故障识别的准确率高。 展开更多
关键词 高速列车 格拉姆角和场(GASF) 卷积神经网络(CNN) 多头自注意力机制(MSA) 门控循环单元(GRU)
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
7
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
8
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
基于深度学习和注意力机制的漏钢预报研究 被引量：1
9
作者 吴恒 张本国 +2 位作者 余浩辰 张瑞忠 范利锋 《冶金能源》 北大核心 2025年第3期61-66,共6页
为提高漏钢预报系统准确度,分析了热电偶的单偶时间序列特征与组偶空间联动特征,采用CNN对数据进行特征提取,再将时间序列温度特征作为BIGRU输入,构建CNN-BIGRU网络,并在输出端前引入MA机制。针对CNN-BIGRU网络易陷入局部最优解问题,利... 为提高漏钢预报系统准确度,分析了热电偶的单偶时间序列特征与组偶空间联动特征,采用CNN对数据进行特征提取,再将时间序列温度特征作为BIGRU输入,构建CNN-BIGRU网络,并在输出端前引入MA机制。针对CNN-BIGRU网络易陷入局部最优解问题,利用BO算法寻找CNN-BIGRU网络最优超参数组合,建立了BO-CNN-BIGRU-MA网络模型,并将其应用到连铸漏钢预报系统。结合实际连铸生产数据,对该漏钢预报模型进行测试。结果表明,该连铸漏钢预报系统的准确率为99.5%,报出率达到100%。 展开更多
关键词 漏钢预报 卷积神经网络 双向门控循环单元网络 贝叶斯优化 多头自注意力机制
在线阅读 下载PDF
基于GRU-NN预测模型的压电作动器MPC-KAN控制方法 被引量：1
10
作者 郭辰星 李自成 徐瑞瑞 《压电与声光》 北大核心 2025年第1期157-162,171,共7页
为了提高压电作动器(PEAs)的轨迹跟踪性能,提出了一种基于门控递归单元(GRU)神经网络(NN)预测模型的Kolmogorov-Arnold网络前馈模型预测控制(MPC-KAN)。与神经网络逆模型控制不同,该方法使用GRU-NN正向建模,并根据模型预测结果调整模型... 为了提高压电作动器(PEAs)的轨迹跟踪性能,提出了一种基于门控递归单元(GRU)神经网络(NN)预测模型的Kolmogorov-Arnold网络前馈模型预测控制(MPC-KAN)。与神经网络逆模型控制不同,该方法使用GRU-NN正向建模,并根据模型预测结果调整模型预测控制(MPC)的输出。首先,根据线性化模型选择GRU-NN的训练输入特征,并训练该网络。然后,为了提高优化效果和缩短优化时间,将麻雀搜索算法(SSA)用作MPC优化器,并建立Kolmogorov-Arnold网络(KAN)以替代SSA优化。该方法的有效性在PEAs平台上得到验证,与传统方法相比,控制精度提高了约30%。 展开更多
关键词 压电陶瓷作动器 高精度跟踪 模型预测控制 GRU网络 KAN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
11
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
基于改进双重压缩和激励与多头特征注意力机制的电-热负荷协同预测 被引量：1
12
作者 余强 韩静娴 +4 位作者 杨子梁 宋济东 杨德昌 齐海杰 于芃 《电力自动化设备》 北大核心 2025年第3期201-208,共8页
综合能源系统中负荷多样且存在耦合,为提升负荷预测精度,提出一种基于改进双重注意力机制的分组卷积神经网络-门控循环单元短期电-热负荷协同预测模型。通过改进的压缩和激励注意力为各输入通道加权,再对其进行分组卷积;利用多头特征注... 综合能源系统中负荷多样且存在耦合,为提升负荷预测精度,提出一种基于改进双重注意力机制的分组卷积神经网络-门控循环单元短期电-热负荷协同预测模型。通过改进的压缩和激励注意力为各输入通道加权,再对其进行分组卷积;利用多头特征注意力对卷积结果进行赋权,并利用输入门控循环单元模型对负荷进行预测。算例仿真结果表明,所提模型的平均绝对百分比误差均低于3%。 展开更多
关键词 综合能源系统 负荷预测 分组卷积神经网络 门控循环单元 改进的压缩和激励注意力机制 多头特征注意力机制
在线阅读 下载PDF
基于MCNN-MSA-BiGRU的轴承故障诊断
13
作者 王雪纯 李想 杨随先 《科学技术与工程》 北大核心 2025年第11期4534-4542,共9页
针对传统故障诊断模型对特征提取不全面,单一模型稳定性和泛化性差的问题,提出了一种基于多头自注意力机制的多尺度卷积神经网络和双向门控循环单元模型,从空间和时序层面实现特征提取。该模型采用原始一维振动信号作为输入,使用不同尺... 针对传统故障诊断模型对特征提取不全面,单一模型稳定性和泛化性差的问题,提出了一种基于多头自注意力机制的多尺度卷积神经网络和双向门控循环单元模型,从空间和时序层面实现特征提取。该模型采用原始一维振动信号作为输入,使用不同尺寸卷积核的卷积网络捕获多尺度信息。引入多头自注意力机制,根据输入的不同部分动态调整输出权值,忽略冗杂信息并对所提取特征进行加权融合,将融合后的特征输入至BiGRU(bidirectional gated recurrent units)网络,通过双向信息融合机制,对来自过去和未来两个方向的信息进行挖掘,捕捉输入序列不同部分间的依赖关系。最后,通过Softmax分类实现轴承故障诊断。在3种轴承数据集上进行实验验证,结果表明,所提模型性能指标表现优异,具有良好的泛化性和可行性。 展开更多
关键词 故障诊断 卷积神经网络 双向门控循环单元 注意力机制 轴承
在线阅读 下载PDF
Transformer融合CNN-SRU的工业控制网络入侵检测方法 被引量：3
14
作者 史长鑫 宗学军 +2 位作者 何戡 连莲 孙逸菲 《重庆理工大学学报(自然科学)》 北大核心 2025年第3期85-92,共8页
针对工业控制网络入侵检测的现有方法只关注网络流量的局部特征或全局特征,以及网络流量数据分布不平衡导致入侵检测模型准确率低的问题,提出一种Transformer融合卷积神经网络-简单循环单元(CNN-SRU)的工业控制网络入侵检测方法。采用... 针对工业控制网络入侵检测的现有方法只关注网络流量的局部特征或全局特征,以及网络流量数据分布不平衡导致入侵检测模型准确率低的问题,提出一种Transformer融合卷积神经网络-简单循环单元(CNN-SRU)的工业控制网络入侵检测方法。采用自适应合成采样方法(ADASYN)和高斯混合模型(GMM)对少数类样本进行过采样,达到样本平衡。通过CNN-SRU捕获网络流量数据的时空局部特征,Transformer编码器部分捕捉全局联系进行深层次特征提取。在NSL_KDD数据集上进行实验,模型的总体准确率达到99.61%,高于对比的神经网络模型。在密西西比州立大学天然气管道控制系统数据集和本实验室油气集输全流程工业攻防靶场上进行实验,总体准确率分别达到98.58%和96.89%,证明了所提方法在工业控制网络入侵检测中的科学性与可行性。 展开更多
关键词 工业控制网络 入侵检测 TRANSFORMER 卷积神经网络 简单循环单元
在线阅读 下载PDF
基于语义分类的物联网固件中第三方组件识别
15
作者 马峰 于丹 +2 位作者 杨玉丽 马垚 陈永乐 《计算机工程与设计》 北大核心 2025年第1期274-281,共8页
为扩大物联网固件中第三方组件识别范围,从软件供应链层面研究物联网固件安全,提出一种基于语义短文本分类的第三方组件识别方法。通过固件解压提取内部第三方组件和模拟组件运行的方式获取组件语义输出数据,利用Skip-gram将语义输出转... 为扩大物联网固件中第三方组件识别范围,从软件供应链层面研究物联网固件安全,提出一种基于语义短文本分类的第三方组件识别方法。通过固件解压提取内部第三方组件和模拟组件运行的方式获取组件语义输出数据,利用Skip-gram将语义输出转化为词嵌入表示,通过卷积神经网络和双向门控循环单元分别提取语义信息局部特征和全局特征,经过多头注意力机制区分关键语义特征,输入到Softmax分类器中实现可用于识别组件的语义信息分类。通过在10个流行的物联网生产商发布的5453个固件上进行实验,验证了该方法可有效识别第三方组件。 展开更多
关键词 物联网 软件供应链 固件安全 短文本分类 卷积神经网络 双向门控循环单元 多头注意力
在线阅读 下载PDF
ECG-QGAN:基于量子生成对抗网络的心电图生成式信息系统
16
作者 瞿治国 陈韦龙 +2 位作者 孙乐 刘文杰 张彦春 《计算机研究与发展》 北大核心 2025年第7期1622-1638,共17页
据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,E... 据统计,我国心血管疾病患病人数约达3.3亿,每年因为心血管疾病死亡的人数占总死亡人数的40%.在这种背景下,心脏病辅助诊断系统的发展显得尤为重要,但其开发受限于缺乏不含患者隐私信息和由医疗专家标注的大量心电图(electrocardiogram,ECG)临床数据.作为一门新兴学科,量子计算可通过利用量子叠加和纠缠特性,能够探索更大、更复杂的状态空间,进而有利于生成同临床数据一样的高质量和多样化的ECG数据.为此,提出了一种基于量子生成对抗网络(QGAN)的ECG生成式信息系统,简称ECG-QGAN.其中QGAN由量子双向门控循环单元(quantum bidirectional gated recurrent unit,QBiGRU)和量子卷积神经网络(quantum convolutional neural network,QCNN)组成.该系统利用量子的纠缠特性提高生成能力,以生成与现有临床数据一致的ECG数据,从而可以保留心脏病患者的心跳特征.该系统的生成器和判别器分别采用QBiGRU和QCNN,并应用了基于矩阵乘积状态(matrix product state,MPS)和树形张量网络(tree tensor network,TTN)所设计的变分量子电路(variational quantum circuit,VQC),可以使该系统在较少的量子资源下更高效地捕捉ECG数据信息,生成合格的ECG数据.此外,该系统应用了量子Dropout技术,以避免训练过程中出现过拟合问题.最后,实验结果表明,与其他生成ECG数据的模型相比,ECG-QGAN生成的ECG数据具有更高的平均分类准确率.同时它在量子位数量和电路深度方面对当前噪声较大的中尺度量子(noise intermediate scale quantum,NISQ)计算机是友好的. 展开更多
关键词 生成式信息系统 心电图 量子生成对抗网络 量子双向门控循环单元 量子卷积神经网络
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
17
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
基于改进CNN-GRU模型的滚动轴承多故障诊断模型
18
作者 张雄 渠伟瀅 +2 位作者 王文强 董乐聪 万书亭 《机电工程》 北大核心 2025年第10期1931-1939,共9页
针对多种工况和故障共存引起的滚动轴承故障,采用传统的基于卷积神经网络的故障诊断模型进行诊断时,存在提取特征不丰富、容易丢失故障敏感信息、计算复杂和准确性低的问题,为此,提出了一种二维卷积神经网络(2D-CNN)与门控循环单元(GRU... 针对多种工况和故障共存引起的滚动轴承故障,采用传统的基于卷积神经网络的故障诊断模型进行诊断时,存在提取特征不丰富、容易丢失故障敏感信息、计算复杂和准确性低的问题,为此,提出了一种二维卷积神经网络(2D-CNN)与门控循环单元(GRU)相结合的滚动轴承多故障诊断模型(2D-CNN-GRU),并采用XJTU-SY和QPZZ-II两个公开轴承数据集,对其有效性进行了验证。首先,采用2D-CNN作为空间特征提取器,获取了信号的多种局部和全局特征,并将GRU层作为信号时序信息特征提取器;然后,对模型的特征提取过程进行了可视化处理;最后,将所选择的有效信号输入2D-CNN-GRU模型中,完成了数据分类,进而完成了轴承故障诊断。研究结果表明:利用XJTU-SY实验数据和QPZZ-II实验数据,验证了该方法在多种工作条件下对多种轴承故障共存的情况具有优秀的分类效果,准确率达到了95%以上。与传统轴承故障诊断方法相比,2D-CNN-GRU模型具有更高的准确性和一定的实际应用价值。 展开更多
关键词 滚动轴承 多故障诊断 二维卷积神经网络 门控循环单元 特征提取 数据预处理
在线阅读 下载PDF
基于图卷积神经网络−双向门控循环单元及注意力机制的风电功率短期预测模型
19
作者 张光昊 张新燕 王朋凯 《现代电力》 北大核心 2025年第2期201-208,共8页
风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预... 风电功率的准确预测对电力系统的稳定运行意义重大,针对传统组合模型难以充分挖掘变量间潜在依赖性,导致在高维度、大量数据下风电功率预测精度偏低的问题。该文提出一种图卷积神经网络–双向门控循环单元及注意力机制的短期风电功率预测模型。该模型以数值天气预报数据(numerical weather prediction,NWP)和风电功率历史数据作为输入,首先利用皮尔逊相关性分析筛选特征,然后借助残差连接的图卷积神经网络(graph convolutional neural network,GCN)和图学习层挖掘空间特征关系,接着采用双向门控循环单元(bidirectional gated recurrent unit,BiGRU)挖掘历史数据的时序特征,最后引入注意力机制(attentional mechanisms,AM)分配权重,实现风电功率短期预测。以某风电场实测数据为例进行算例分析,实验结果表明,该文方法在单步及多步预测中相比其他方法有更好的预测精度。 展开更多
关键词 风电功率预测 混合深度神经网络 图卷积神经网络 双向门控循环单元 注意力机制
在线阅读 下载PDF
注意力机制与混合模型融合的短期交通流预测 被引量：1
20
作者 周文学 赵丽雅 《重庆理工大学学报(自然科学)》 北大核心 2025年第1期213-218,共6页
为及时、准确地预测交通流,解决精度低、高维特征缺失等问题,建立CNN-GRU-ATT模型来对英国高速公路交通数据进行预测。模型中的卷积层用来提取特征,GRU层用于描述时间趋势,注意力层用于聚焦关键信息。输入多个路段的短期交通流信息,考... 为及时、准确地预测交通流,解决精度低、高维特征缺失等问题,建立CNN-GRU-ATT模型来对英国高速公路交通数据进行预测。模型中的卷积层用来提取特征,GRU层用于描述时间趋势,注意力层用于聚焦关键信息。输入多个路段的短期交通流信息,考虑多路段之间的相互关联以及气象因素的影响。实验发现:该模型与支持向量回归(SVR)、长短期记忆网络(LSTM)、门控循环网络(GRU)、CNN-GRU、GRU-ATT模型相比,模型精度更高,拟合优度达到了96.89%,MAPE最高降低了21.55%;将多路段与单路段数据分别进行输入,发现前者能够更好地进行预测,MAPE降低了7.56%。添加气象因素后模型精度有所提高,拟合优度达到了97.06%。 展开更多
关键词 注意力机制 多路段输入 卷积神经网络 门控循环网络
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 … 21 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