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523篇文章
< 1 2 … 27 >
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Modelica-LSTM双驱动的数字孪生机床热误差补偿模型构建
1
作者 孙丽 王诗灏 +3 位作者 姜锋 关咏臻 徐家淳 刘荣玺 《制造技术与机床》 北大核心 2025年第10期205-213,共9页
针对数控机床在高速、高负载运行中因热变形导致的热误差问题,提出一种基于Modelica多领域建模与长短期记忆网络(long short-term memory,LSTM)联合驱动的热误差补偿方法。通过Modelica构建机床机械、电气、热力学多物理场耦合的高保真... 针对数控机床在高速、高负载运行中因热变形导致的热误差问题,提出一种基于Modelica多领域建模与长短期记忆网络(long short-term memory,LSTM)联合驱动的热误差补偿方法。通过Modelica构建机床机械、电气、热力学多物理场耦合的高保真数字孪生模型,结合LSTM对机理模型未覆盖的非线性动态误差进行数据驱动补偿。实验以五轴数控加工中心DMG MORI DMU 50为对象,在预热、阶梯加载及扰动工况下采集温度、振动和热误差数据,验证模型性能。结果表明,Modelica-LSTM双驱动模型相较于单一Modelica机理模型,均方根误差降低51.2%,补偿后误差波动幅度减少72%,在高温及动态工况下显著提升预测精度。该方法为高精密机床热误差补偿提供了物理与数据协同驱动的有效解决方案。 展开更多
关键词 数控机床 热误差补偿 modelICA 长短期记忆网络 多领域建模 数字孪生
在线阅读 下载PDF
ConvNeXt网络及Stacked BiLSTM-Self-Attention在轴承剩余寿命预测中的应用 被引量：1
2
作者 张印文 王琳霖 +1 位作者 薛文科 梁文婕 《机电工程》 CAS 北大核心 2024年第11期1977-1985,1994,共10页
在滚动轴承剩余使用寿命预测方面,采用传统方法时存在鲁棒性差、精度低等各种问题。近些年来深度学习的发展为解决这些问题提供了新的思路。为了进一步提高对轴承寿命的预测精度,提出了一种基于ConvNeXt网络、堆叠双向长短时记忆网络(SB... 在滚动轴承剩余使用寿命预测方面,采用传统方法时存在鲁棒性差、精度低等各种问题。近些年来深度学习的发展为解决这些问题提供了新的思路。为了进一步提高对轴承寿命的预测精度,提出了一种基于ConvNeXt网络、堆叠双向长短时记忆网络(SBiLSTM)和自注意力机制(Self-Attention)的滚动轴承寿命预测方法。首先,采用连续小波变换(CWT)构造了振动信号的时频图,以更好地捕捉信号的时域和频域特征;然后,将得到的时频图输入到构建的ConvNeXt网络中,通过卷积、池化和层归一化等操作,对时频图的关键特征进行了提取;最后,将提取后的特征输入到SBiLSTM-Self-Attention模块中,进一步提取了时序信息和特征权重分配数据,利用PHM2012挑战数据集进行了验证,通过实验分析了该方法的均方根误差(RMSE)和平均绝对误差(MAE)。研究结果表明:相较于现有技术方法,该方法的平均RMSE为0.031;与其他三种方法,即卷积神经网络(CNN)、深度残差双向门控循环单元(DRN-BiGRU)和深度卷积自注意力双向门控循环单元(DCNN-Self-Attention-BiGRU)相比,其平均RMSE值分别下降了79%、74%和55%,MAE值分别下降了78%、73%和53%,说明该方法在滚动轴承剩余寿命预测中有较好的性能。 展开更多
关键词 滚动轴承 剩余寿命预测 ConvNeXt网络 堆叠双向长短时记忆网络 自注意力机制 深度学习 连续小波变换
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
3
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
基于改进长短期记忆网络模型的水库库区水温模拟 被引量：1
4
作者 郑铁刚 吴茂喜 +3 位作者 张迪 金瑾 林俊强 孙双科 《农业工程学报》 北大核心 2025年第3期144-153,共10页
水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中... 水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中嵌入相关分析模块自动筛选模型的特征输入,并优化输出维度,提出了一种改进的LSTM模型,并在溪洛渡水库工程开展了模型应用研究,结果表明:1)改进LSTM模型的均方根误差最大值为0.63,纳什效率系数最小值为0.96,表明模型整体性能较好,能够精准地捕捉数据中的长期依赖关系;2)基于改进LSTM模型的库区水温分布预测值和环境流体动力学模型(environmental fluid dynamics code,EFDC)模拟值随时间的量值分布及变化规律基本一致,两者的库区表层年际误差值为-1.19~1.04℃,中层年际误差值为-1.06~1.68℃,底层年际误差值为-1.28~1.07℃,年际水温最大相对误差为8.3%;3)相较于EFDC模型多天的模拟时长,改进模型的计算时间缩短至几百秒,计算效率大幅提升,实现了水温分布的快速、实时精准预测。该研究通过改进LSTM模型,实现了深水水库垂向水温的高效预测,研究结果可为分层取水设施的优化调控提供技术支撑。 展开更多
关键词 水温 模拟 改进的长短期网络记忆模型 水温分布 相关性分析 水温预测 人工智能学习
在线阅读 下载PDF
基于Vague软集的海上风电功率区间预测 被引量：2
5
作者 田书欣 朱峰 +2 位作者 杨喜军 符杨 苏向敬 《中国电机工程学报》 北大核心 2025年第4期1465-1476,I0019,共13页
海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真... 海上风电输出功率的精准预测是保障海上风电并网系统调度运行的基础。针对海上风电海洋环境高度复杂、随机时空强烈耦合的特征,提出一种基于Vague软集的海上风电输出功率的新型区间预测方法。首先,引入Vague软集概念,提出融合Vague集真隶属度和伪隶属度函数的交错式海上风电功率区间划分方法,实现风电功率数据Vague软区间化。其次,建立基于Vague-卷积神经网络(convolutional neural network,CNN)-长短期记忆神经网络(long short-term memory neural network,LSTM)的海上风电功率组合预测模型。通过类Vague软区间转换方法将双隶属度区间概率向量转化为海上风电功率复杂不确定信息下的区间预测结果。然后,从预测准确性、清晰性和兼顾性角度建立预测区间覆盖精度、预测区间宽度和预测综合水平等Vague软区间预测评估指标。最后,以我国东部某海上风电机组实际数据为算例进行验证。结果表明,所提预测模型预测结果可以兼顾预测区间的覆盖精度和清晰度,能够为海上风电不同工况下运行需求提供支撑。 展开更多
关键词 海上风电 Vague-卷积神经网络(CNN)-长短期记忆神经网络(LSTM)模型 Vague软集 软区间转换 区间预测
在线阅读 下载PDF
基于机器学习的酸性气藏地下储气库硫化氢含量预测方法 被引量：1
6
作者 冯国庆 杜勤锟 +3 位作者 周道勇 蔡家兰 程希 莫海帅 《天然气工业》 北大核心 2025年第2期159-169,共11页
地下储气库(以下简称储气库)中含有硫化氢等有害气体,不仅影响储气库的安全运行,还直接对环境造成严重污染,准确预测储气库采出气组分中H2S的含量具有重要意义。目前,常采用油藏数值模拟的组分模型来预测H2S含量,但其计算过程复杂且耗... 地下储气库(以下简称储气库)中含有硫化氢等有害气体,不仅影响储气库的安全运行,还直接对环境造成严重污染,准确预测储气库采出气组分中H2S的含量具有重要意义。目前,常采用油藏数值模拟的组分模型来预测H2S含量,但其计算过程复杂且耗时较长,不能方便快捷地用于储气库单井H2S的含量预测。为此,以HCX储气库为研究对象,在建立储气库的机理模型并开展数值模拟的基础上,以机理模型计算的储气库多周期H2S预测结果为样本集,应用多输出支持向量回归(MSVR)、长短期记忆网络(LSTM)、人工神经网络(ANN)3种机器学习算法建立了硫化氢含量的智能代理模型,并对3种模型预测精度进行对比分析。研究结果表明:①长短期记忆网络模型具有适中的训练时间、较好的预测精度,可将该模型作为HCX储气库的H2S预测智能代理模型;②进一步对LSTM模型的训练数据和过渡拟合问题进行优化,确定最佳训练数集1500组,最佳丢弃率为0.2,隐含层设置范围可控制在层数1~2层,节点数30~60个;③经HCX储气库的实例应用表明,建立的LSTM智能代理模型能够准确预测储气库采出气中H2S的含量。结论认为,经过优化的LSTM算法智能代理模型具有较好的外推性,该研究成果可为含H2S储气库的建设和安全高效运行提供技术支持。 展开更多
关键词 含硫储气库 数值模拟 组分模拟 硫化氢含量预测 机器学习 长短期记忆网络模型 机器学习模型优化
在线阅读 下载PDF
基于特征工程与仿生优化算法构建河流溶解氧预测模型 被引量：1
7
作者 李鹏程 苏永军 +1 位作者 王钰 贾悦 《中国农村水利水电》 北大核心 2025年第2期37-44,共8页
河流水体中溶解氧骤增或耗竭均会引发系列环境污染、物种多样性破坏等问题,准确预测河流溶解氧(DO)浓度对河流水环境治理具有重要意义。为提高模型输入特征的可解释性及模型精度,获取河流DO浓度最优预测模型,研究利用黄河流域山西境内... 河流水体中溶解氧骤增或耗竭均会引发系列环境污染、物种多样性破坏等问题,准确预测河流溶解氧(DO)浓度对河流水环境治理具有重要意义。为提高模型输入特征的可解释性及模型精度,获取河流DO浓度最优预测模型,研究利用黄河流域山西境内水质监测站点数据,以双向长短期记忆网络(BiLSTM)为基础,结合卷积神经网络模型(CNN)和注意力机制(Attention Mechanism),基于随机森林模型(RF)进行特征优选,建立RF-CNN-BiLSTM-Attention(RF-CBA)模型,进一步利用吸血水蛭优化算法(BSLO)、黑翅鸢优化算法(BKA)、白鲨优化算法(WSO)等仿生优化算法,构建了BSLO-RF-CBA、BKA-RF-CBA、WSO-RF-CBA共3种优化模型,并与深度学习中CNN-A、LSTM-A、BiLSTM-A、CBA、RF-CBA模型对比,分析得到河流溶解氧预测结果,以平均绝对误差(MAE)、均方根误差(RMSE)、均方误差(MSE)、决定系数(R2)、全绩效指标(GPI)和相对误差(MAPE)评价不同模型精度,结果表明:(1)RF模型通过对影响河流DO特征值进行排序、筛选,可消除冗余特征对水质预测模型的影响,提高预测精度。(2)利用仿生算法优化RF-CBA模型的神经元数量、学习率、正则化系数等参数,模型模拟精度进一步提升,总体上捕捉到了DO波动的时间序列特征,模型表现出强稳定性和泛化能力。(3)BSLO-RF-CBA模型模拟精度最高,对DO变化捕捉能力突出,具有更强的捕获全局依赖关系的能力,推荐用于河流溶解氧预测模型。该模型具备扩展至不同河流溶解氧等污染物浓度预测的能力,为河流水体污染预警与系统化管理提供技术支撑。 展开更多
关键词 溶解氧 双向长短期记忆网络机 特征优选 仿生优化算法 耦合模型
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
8
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ECA-TCN的数据中心磁盘故障预测 被引量：1
9
作者 张铭泉 王宝兴 《智能系统学报》 北大核心 2025年第2期389-399,共11页
随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-tem... 随着数据中心规模的不断扩大,磁盘故障对数据中心的运行稳定性产生越来越大的影响。当前预测方法在面对大规模、高维度和长序列的磁盘运行数据时仍存在不足。本文提出了一种高效通道注意力时间卷积网络(efficient channel attention-temporal convolutional network,ECA-TCN)模型,通过结合传统卷积神经网络一维卷积的优势,融入扩张卷积和残差结构,并引入注意力机制,该模型能够提高磁盘故障预测的准确性和稳定性。在实验中,将ECA-TCN模型与其他经典深度学习方法进行了比较,实验结果表明,ECA-TCN模型在磁盘故障预测任务上具有较高的准确性和稳定性。 展开更多
关键词 磁盘故障预测 长短时记忆网络 循环神经网络 扩张卷积 高效通道注意力机制 神经网络模型 时间序列预测 深度学习优化
在线阅读 下载PDF
滚动轴承的退化特征信息融合与剩余寿命预测 被引量：1
10
作者 张建宇 王留震 +1 位作者 肖勇 马雅楠 《中国机械工程》 北大核心 2025年第7期1553-1561,共9页
针对滚动轴承剩余寿命预测的需求,提出一种基于稀疏自编码器(SAE)和双向长短期记忆网络(BiLSTM)的预测模型。以滚动轴承全寿命振动数据为研究对象,通过构建反双曲变换的状态退化指标和频域谐波退化因子形成退化指标集,并利用SAE特征融... 针对滚动轴承剩余寿命预测的需求,提出一种基于稀疏自编码器(SAE)和双向长短期记忆网络(BiLSTM)的预测模型。以滚动轴承全寿命振动数据为研究对象,通过构建反双曲变换的状态退化指标和频域谐波退化因子形成退化指标集,并利用SAE特征融合提取关键特征,消除冗余信息。同时,结合BiLSTM模型捕捉时序特征,实现全周期寿命预测。实验结果表明,所提模型优于支持向量回归、极限学习机、卷积神经网络等模型,预测误差更小,泛化能力更强。 展开更多
关键词 稀疏自编码器特征融合 双向长短期记忆网络预测模型 滚动轴承 反双曲特征指标 频域谐波退化因子
在线阅读 下载PDF
基于CoAtNet-LSTM模型的多传感器信息融合刀具磨损预测
11
作者 李亚 尚轩丞 +1 位作者 王海瑞 朱贵富 《计量学报》 北大核心 2025年第10期1433-1445,共13页
基于长短时记忆网络(LSTM)与CoAtNet网络,提出了一种刀具磨损预测CoAtNet-LSTM模型。在时域、频域、时频域中提取传感器信号特征,并通过孤立森林算法进行信号特征异常值处理,再将其输入预测模型中获得刀具磨损预测值并通过Hyperband算... 基于长短时记忆网络(LSTM)与CoAtNet网络,提出了一种刀具磨损预测CoAtNet-LSTM模型。在时域、频域、时频域中提取传感器信号特征,并通过孤立森林算法进行信号特征异常值处理,再将其输入预测模型中获得刀具磨损预测值并通过Hyperband算法优化模型超参数。应用PHM2010数控铣床刀具数据集验证训练模型的预测精度。实验结果表明,该模型的决定系数相较于原CoAtNet和LSTM网络模型平均提升了12.73%、16.44%。 展开更多
关键词 几何量计量 刀具磨损 CoAtNet-LSTM模型 长短期时间记忆网络 Hyperband算法 孤立森林算法
在线阅读 下载PDF
气动软体机械臂的视觉定位运动控制
12
作者 张禹 张政 +3 位作者 赵文川 彭龄慧 王宁 孙赫阳 《液压与气动》 北大核心 2025年第7期116-124,共9页
气动软体机械臂因其非线性强、多变量耦合复杂以及状态实时观测困难,给动态控制带来显著挑战。针对上述问题,提出一种融合视觉定位与神经网络建模的软体机械臂实时运动控制方法。该方法利用YOLOv8目标检测和半全局立体匹配算法构建视觉... 气动软体机械臂因其非线性强、多变量耦合复杂以及状态实时观测困难,给动态控制带来显著挑战。针对上述问题,提出一种融合视觉定位与神经网络建模的软体机械臂实时运动控制方法。该方法利用YOLOv8目标检测和半全局立体匹配算法构建视觉系统,并生成时序数据集;进一步通过长短期记忆网络模型捕捉软体机械臂动态响应规律,实现气腔压强与末端位置之间的映射建模。结果表明,与基于离散数据训练的神经网络模型相比,长短期记忆网络模型在三路气压预测中的平均绝对误差从约1.65 kPa显著降至0.44 kPa。进一步的实验结果显示,对于所提出的控制方法,软体机械臂末端在三个轴方向上平均绝对误差分别为1.503、1.506、2.825 mm,有效验证了基于视觉定位的时序神经网络控制方法在软体机械臂中的动态追踪能力。 展开更多
关键词 软体机械臂 长短期记忆网络 双目视觉 建模与控制
在线阅读 下载PDF
融合数据增强的互花米草入侵关联要素实体识别方法
13
作者 李忠伟 张文丰 +1 位作者 李永 李明轩 《计算机工程与设计》 北大核心 2025年第2期603-609,共7页
为解决互花米草入侵领域的训练数据匮乏,存在实体特征提取不准确的问题,提出一种融合数据增强的互花米草入侵关联要素识别深度学习模型。将训练数据采用同类实体随机交叉互换的方法进行数据增强,利用BERT预训练获得互花米草入侵关联要... 为解决互花米草入侵领域的训练数据匮乏,存在实体特征提取不准确的问题,提出一种融合数据增强的互花米草入侵关联要素识别深度学习模型。将训练数据采用同类实体随机交叉互换的方法进行数据增强,利用BERT预训练获得互花米草入侵关联要素的上下文信息;使用BiLSTM进一步提取特征,利用CRF得到实体的标签约束。通过对比不同模型在自建数据集上的精确率、召回率和F1分数,验证了该模型在互花米草入侵领域实体识别的有效性。 展开更多
关键词 命名实体识别 互花米草入侵 深度学习 数据增强 预训练模型 双向长短期记忆网络 条件随机场
在线阅读 下载PDF
基于奇异谱分析和双向LSTM的多元负荷同时预测
14
作者 刘永福 张天颖 +1 位作者 霍殿阳 张立梅 《科学技术与工程》 北大核心 2025年第19期8099-8107,共9页
开展多元负荷的准确预测对提高新能源消纳、实现节能减排、确保电网安全可靠运行具有重要意义。为了提高多元负荷同时预测的精度,构建了奇异谱分析与双向长短期记忆网络相结合的多元负荷同时预测模型。首先,利用皮尔逊相关系数进行耦合... 开展多元负荷的准确预测对提高新能源消纳、实现节能减排、确保电网安全可靠运行具有重要意义。为了提高多元负荷同时预测的精度,构建了奇异谱分析与双向长短期记忆网络相结合的多元负荷同时预测模型。首先,利用皮尔逊相关系数进行耦合特征提取,以识别多元负荷数据中的内在关联和依赖关系;其次,使用奇异谱分析进行特征提取,以便更全面地捕捉多元负荷数据的动态特性,降低预测难度。最后,针对所提模型引入多任务学习,利用多个负荷预测任务之间的共享信息,相互辅助进行预测,提升预测精度。实验分别通过多区域多元负荷和柔性负荷及风光发电数据进行仿真分析,结果表明,在多区域中电、热、冷负荷预测平均绝对百分比误差平均提高0.41%,均方根误差平均提高0.02 MW。 展开更多
关键词 多元负荷同时预测 奇异谱分析 双向长短期记忆网络 多任务学习模型 皮尔逊相关系数
在线阅读 下载PDF
基于KOA-BiLSTM的矿井淋水井筒风温预测模型及可解释性分析
15
作者 秦跃平 唐飞 +3 位作者 王海蓉 王鹏 郭铭彦 王世斌 《中国安全科学学报》 北大核心 2025年第7期40-47,共8页
为提高矿井淋水井筒风温预测的准确性、稳定性及模型的可解释性,首先,通过皮尔逊相关性系数分析特征变量;其次,采用开普勒优化算法(KOA)优化双向长短期记忆网络(BiLSTM)模型,建立基于KOA-BiLSTM的矿井淋水井筒风温预测模型;然后,在相同... 为提高矿井淋水井筒风温预测的准确性、稳定性及模型的可解释性,首先,通过皮尔逊相关性系数分析特征变量;其次,采用开普勒优化算法(KOA)优化双向长短期记忆网络(BiLSTM)模型,建立基于KOA-BiLSTM的矿井淋水井筒风温预测模型;然后,在相同样本条件下,与反向传播(BP)、随机森林(RF)、最小二乘增强(LSBoost)和支持向量机(SVM)算法进行综合对比;最后,利用沙普利可加性特征解释算法(SHAP)进行可解释性分析及实例验证。研究结果表明:KOA-BiLSTM模型的绝对误差范围为-1.24~0.5℃,比优化前模型的预测精度提高3.98%;与另外4个模型相比,该模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方误差(MSE)等均为最佳,表明该模型具有最优的预测效果和泛化能力;SHAP分析表明:井口风流温度对预测结果影响最大,而地面压力影响最小;KOA-BiLSTM模型实例验证的绝对误差范围为-0.49~0.38℃,预测精度可满足实际工作需要。 展开更多
关键词 开普勒优化算法(KOA)-双向长短期记忆网络(BiLSTM)模型 淋水井筒 风温预测模型 可解释性分析 皮尔逊相关性
在线阅读 下载PDF
突发公共卫生事件下感染人数与需求预测
16
作者 王付宇 叶惠芬 李艳 《安全与环境学报》 北大核心 2025年第10期3913-3922,共10页
当突发公共卫生事件发生后,由于其传播规律不明确和供需信息不对称等问题使得医疗物资的保障问题突显。研究通过预测突发公共卫生事件的发展情况,为建立应急医疗物资需求预测模型以确保稳定的物资保障提供重要基础。研究提出了易感者-... 当突发公共卫生事件发生后,由于其传播规律不明确和供需信息不对称等问题使得医疗物资的保障问题突显。研究通过预测突发公共卫生事件的发展情况,为建立应急医疗物资需求预测模型以确保稳定的物资保障提供重要基础。研究提出了易感者-暴露者-感染者-康复者-死亡者(Susceptible-Exposed-Infectious-Recovered-Death,SEIRD)模型和遗传算法(Genetic Algorithm,GA)改进的长短期记忆(Long Short-Term Memory,LSTM)神经网络相结合的SEIRD-GA-LSTM模型,实现了对疫情多阶段、多尺度的预测。实例分析结果显示:基于SEIRD-GA-LSTM的组合预测方法准确率较高,验证了模型的有效性和稳健性。 展开更多
关键词 公共安全 多阶段预测 易感者-暴露者-感染者-康复者-死亡者模型 遗传算法改进的长短期记忆网络 组合预测方法
在线阅读 下载PDF
基于数字孪生的水泵水轮机实时监测系统
17
作者 李琪飞 李润涛 +1 位作者 辛路 陈祥玉 《流体机械》 北大核心 2025年第5期102-109,共8页
针对抽水蓄能机组运行过程中数字化、智能化水平不足,以及现有仿真软件计算耗时较长、无法满足数字孪生系统实时性需求等问题,提出了一种基于数字孪生技术的解决方案,旨在提升对水泵水轮机的监控预测能力。采用本征正交分解降阶方法建... 针对抽水蓄能机组运行过程中数字化、智能化水平不足,以及现有仿真软件计算耗时较长、无法满足数字孪生系统实时性需求等问题,提出了一种基于数字孪生技术的解决方案,旨在提升对水泵水轮机的监控预测能力。采用本征正交分解降阶方法建立降阶模型,并通过FMI协议将其集成至系统中,结合Open3D点云实现了可视化交互,整个过程仅耗时728.6 ms;同时,基于长短期记忆网络算法开发了压力脉动预测模型,用于运行状况的提前预测,且预测的准确性大于96%;此外,通过Unity3D平台开发完整的数字孪生系统,并验证了其有效性和可行性。研究可为抽水蓄能机组的数字化、智能化提供一种全新的解决方案,对水力发电行业的智能化升级和现代化转型具有重要意义。 展开更多
关键词 水泵水轮机 数字孪生 降阶模型 长短期记忆网络 监控预测
在线阅读 下载PDF
炉排式垃圾焚烧炉燃烧过程动态建模方法研究
18
作者 赵征 周孜钰 +2 位作者 卢叶 魏强 许洪滨 《中国电机工程学报》 北大核心 2025年第11期4360-4371,I0020,共13页
为对垃圾焚烧炉控制优化提供有效帮助,该文提出一种炉排式垃圾焚烧炉燃烧过程动态建模方法。首先,根据控制目标确定模型输出变量;然后,根据焚烧炉运行机理进行输入变量初选,计算反映燃烧状态的火焰图像特征及垃圾料层厚度作为模型输入... 为对垃圾焚烧炉控制优化提供有效帮助,该文提出一种炉排式垃圾焚烧炉燃烧过程动态建模方法。首先,根据控制目标确定模型输出变量;然后,根据焚烧炉运行机理进行输入变量初选,计算反映燃烧状态的火焰图像特征及垃圾料层厚度作为模型输入关键变量;之后,改进WesselN符号转移熵算法,完成进一步输入参数降维并找到变量之间的延迟时间;最后,利用多元宇宙优化算法对卷积神经网络-双向长短期记忆网络模型进行超参数优化,建立焚烧炉多输入多输出动态模型。结果表明:模型拟合效果良好,输出参数:主蒸汽流量、水平烟道出口氧量、竖直烟道温度的均方根误差分别为0.23 t/h、0.11%、0.55℃。与对比模型相比,提出的建模方法具有更高精度和更强的拟合能力。 展开更多
关键词 垃圾焚烧炉 动态建模 转移熵 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于BiLSTM及权重组合策略的膜污染预测
19
作者 陈坤杰 张士航 +3 位作者 劳裕婷 孙啸 贲宗友 柏钰 《农业机械学报》 北大核心 2025年第6期684-690,共7页
针对膜分离法回收谷朊粉加工废水中的蛋白质时极易出现的膜污染问题,提出了一种基于双向长短时记忆网络(Bi-directional long short-term memory,BiLSTM)的权重组合模型用于对膜污染状况的预测。以谷朊粉加工废水提取回收中试生产线采集... 针对膜分离法回收谷朊粉加工废水中的蛋白质时极易出现的膜污染问题,提出了一种基于双向长短时记忆网络(Bi-directional long short-term memory,BiLSTM)的权重组合模型用于对膜污染状况的预测。以谷朊粉加工废水提取回收中试生产线采集的14个相关变量作为输入,以膜通量变化量作为输出,建立支持向量机模型(Support vector machine,SVM)、反向传播神经网络模型(Back propagation,BP)、随机森林模型(Random forest,RF)、广义回归神经网络模型(Generalized regression neural network,GRNN)4种基准模型和BiLSTM模型1种给定模型,通过误差倒数法计算基准模型与给定模型的权重,构建权重组合预测模型;最后以决定系数R^(2)和均方误差(MSE)为评价指标,分析单项模型与权重组合模型的预测性能。结果表明,权重组合模型能够综合单项模型优点,在性能上显著优于单项模型;其中BP+BiLSTM+RF模型R^(2)高达0.9906,具有较高的拟合精度;MSE为1.004 L^(2)/(h^(2)·m^(4)),在所有模型中最低,相较BP、BiLSTM和RF单项模型,分别降低46.05%、67.24%、50.81%。所开发的权重组合模型可用于谷朊粉加工废水蛋白回收处理时膜污染程度精确预测。 展开更多
关键词 谷朊粉 膜污染预测模型 权重组合策略 双向长短时记忆网络
在线阅读 下载PDF
基于VMD和改进Transformer模型的镍镉蓄电池SOH预测研究
20
作者 于天剑 冯恩来 +1 位作者 伍珣 张庆东 《铁道科学与工程学报》 北大核心 2025年第7期3266-3279,共14页
动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode d... 动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode decomposition,VMD)和改进的Transformer模型,提出一种综合预测框架。首先,通过白鲸优化算法(beluga whale optimization,BWO)对VMD的超参数进行优化,利用VMD分解重构准确捕捉电池在其整个生命周期中的容量退化特性,消除蓄电池记忆效应对SOH预测研究带来的不良影响;其次,在Transformer编码模块中嵌入了长短时记忆网络自编码模块(long short-term memory network autoencoder,LSTM Autoencoder),以有效提取电池健康退化的短期特征信息并压缩数据维度,从而降低模型复杂度;最后,将Transformer解码层替换为全连接神经网络,以降低模型复杂度和减少预测误差累积现象,从而提高模型的预测性能和运行效率。并且在验证方案中,以实际动车组蓄电池为研究对象,通过消融实验以及横向对比实验双向证明研究算法具有最高的预测精度,输出预测结果在均方根误差、平均绝对误差相较于其他模型平均降低了60.83%和62.14%,在决定系数上平均提升了6.73%,具有高度的准确性和鲁棒性。可以实现对电池SOH实现精确的预测,对电池健康状态进行有效监控,为电池检修工作提供数据支撑和方法支持。 展开更多
关键词 镍镉蓄电池 SOH预测 变分模态分解 长短时记忆网络自编码器 改进Transformer模型
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 … 27 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