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662篇文章
< 1 2 … 34 >
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：
融合残差与VMD-TCN-BiLSTM混合网络的鄱阳湖总氮预测 被引量：1
1
作者 黄学平 辛攀 +3 位作者 吴永明 吴留兴 邓觅 姚忠 《长江科学院院报》 北大核心 2025年第3期59-67,75,共10页
对湖泊水质进行准确、高效的预测,对于保护水资源、维护生态平衡以及促进经济发展等方面都具有重要意义。为此提出了一种基于模态分解、多维特征选择、时间卷积网络(TCN)、自注意力机制、双向长短期神经网络(BiLSTM)和双向门控循环单元(... 对湖泊水质进行准确、高效的预测,对于保护水资源、维护生态平衡以及促进经济发展等方面都具有重要意义。为此提出了一种基于模态分解、多维特征选择、时间卷积网络(TCN)、自注意力机制、双向长短期神经网络(BiLSTM)和双向门控循环单元(BiGRU)的湖泊总氮(TN)组合预测模型。首先,采用变分模态分解将TN原始序列分解成不同频率的本征模态函数(IMF),以降低原始序列的复杂度和非平稳性;随后,通过随机森林算法为每个IMF选择相关性强的特征,将筛选出的特征矩阵输入到添加自注意力机制的TCN-BiLSTM混合网络中进行建模,充分提取数据中隐藏的关键时序信息;最后,为进一步提升模型预测精度,采用BiGRU网络学习残差序列的细节特征,将残差与模型预测结果融合得到最终的预测值。以鄱阳湖都昌监测站的水质数据为例进行试验分析,结果表明本文模型相比于其他模型对TN浓度预测效果提升明显,其平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2))分别为0.03 mg/L、0.049 mg/L、0.992。 展开更多
关键词 水质预测 总氮 变分模态分解 时间卷积网络 集成预测
在线阅读 下载PDF
基于融合聚类和BKA-VMD-TCN-BiLSTM的短期光伏功率预测 被引量：1
2
作者 王瑞 李哲 逯静 《电子科技大学学报》 北大核心 2025年第4期592-603,共12页
针对光伏系统功率输出因天气条件波动大且随机性强的特点,提出了一种基于融合聚类的短期光伏功率组合预测模型。首先通过改进的Kmeans聚类算法(GMKmeans)将原始光伏数据集分为晴天、阴天和雨天3种天气模式。在此基础上,为解决变分模态分... 针对光伏系统功率输出因天气条件波动大且随机性强的特点,提出了一种基于融合聚类的短期光伏功率组合预测模型。首先通过改进的Kmeans聚类算法(GMKmeans)将原始光伏数据集分为晴天、阴天和雨天3种天气模式。在此基础上,为解决变分模态分解(VMD)分解数量和惩罚因子难以人工确定的问题,引入黑翅鸢优化算法(BKA)实现VMD参数的自适应优化。随后利用优化后的VMD将光伏功率时间序列数据分解成多个本征模态函数(Intrinsic Mode Functions,IMF),确保模型能够更深入地理解和模拟光伏功率随时间演变的复杂模式。最后,针对各IMF分量分别构建时序卷积网络(TCN)-双向长短期记忆网络(BiLSTM)组合预测模型,并将预测结果叠加重构,实现对整体光伏功率输出的高精度预测。实验结果表明,该预测模型提升了光伏功率预测的准确性和有效性。 展开更多
关键词 短期光伏功率预测 变分模态分解 黑翅鸢优化算法 时序卷积网络 双向长短期记忆网络
在线阅读 下载PDF
基于CEEMDAN与TCN-Attention的陆态网络GNSS高程时间序列多尺度预测 被引量：1
3
作者 罗亦泳 占奥文 冯小欢 《大地测量与地球动力学》 北大核心 2025年第8期781-790,共10页
提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络-注意力机制(temporal convolutional network-attention mechanism,TCN-Attention)算法的... 提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和时间卷积网络-注意力机制(temporal convolutional network-attention mechanism,TCN-Attention)算法的多尺度预测模型(简称C-TCN-A),该模型可有效应用于GNSS高程时间序列缺失数据的插补和未来趋势的预测。该模型利用CEEMDAN对时间序列进行多尺度分解,然后基于TCN-Attention对不同尺度分量进行预测和重构得到预测结果。为验证模型的性能,选取12个观测站进行1 d与5 d预测,并与其他多种模型进行对比。结果表明,在1 d预测中,C-TCN-A的RMSE和MAE分别降低35%~40%和36%~41%,相关系数R提高25%~29%;在5 d预测中,C-TCN-A的RMSE和MAE分别降低20%~26%和20%~28%,相关系数R提高26%~33%。为验证模型的普适性,利用C-TCN-A对陆态网络99个观测站进行1 d与5 d预测。结果表明,RMSE和MAE指标总体上结果较好,误差分布集中,大多数误差小于4 mm;预测精度存在一定的空间分布差异,西北地区效果最佳。 展开更多
关键词 GNSS高程时间序列 陆态网络 改进经验模态分解 时间卷积网络
在线阅读 下载PDF
基于非负矩阵分解的EEG-TCNet运动想象分类
4
作者 张学军 石宝明 《数据采集与处理》 北大核心 2025年第5期1361-1370,共10页
针对深度学习进行脑电信号(Electroencephalogram,EEG)的运动想象分类时,未利用通道特征研究通道之间相关性,以及没有充分发掘频率、时间和空间信息等问题,提出了一种基于非负矩阵分解(Nonnegative matrix factorization,NMF)的时间卷... 针对深度学习进行脑电信号(Electroencephalogram,EEG)的运动想象分类时,未利用通道特征研究通道之间相关性,以及没有充分发掘频率、时间和空间信息等问题,提出了一种基于非负矩阵分解(Nonnegative matrix factorization,NMF)的时间卷积网络(Temporal convolutional network,TCN)与紧凑型卷积神经网络EEGNet相结合的分类方法,记为NTEEGNet,以相对少量的参数来提高运动想象分类的性能。模型的NMF能更好地提取通道特征,且充分地利用了频率、时间和空间等信息;同时,在TCN的作用下,网络的感受野呈指数级增加,从而能在较少的参数下具有更强的特征提取能力。在BCI Competition Ⅳ 2a数据集上的实验结果表明,NTEEGNet的分类准确率达到83.99%,在EEG-TCNet的基础上提升了6.64%。 展开更多
关键词 运动想象 深度学习 卷积神经网络 非负矩阵分解 时间卷积网络
在线阅读 下载PDF
基于改进TCN-Elman神经网络的电离层杂波抑制方法
5
作者 刘强 尚尚 +2 位作者 乔铁柱 祝健 石依山 《北京航空航天大学学报》 北大核心 2025年第9期3203-3211,共9页
高频地波雷达因其卓越的海面目标探测能力,被世界各国应用于海上工程领域,而提升其目标探测能力的关键要素之一在于回波信号中电离层杂波的抑制,针对这一现象,提出一种基于瓶颈膨胀卷积模块改进时序卷积(ITCN)-Elman神经网络结合混合注... 高频地波雷达因其卓越的海面目标探测能力,被世界各国应用于海上工程领域,而提升其目标探测能力的关键要素之一在于回波信号中电离层杂波的抑制,针对这一现象,提出一种基于瓶颈膨胀卷积模块改进时序卷积(ITCN)-Elman神经网络结合混合注意力机制的电离层杂波预测抑制模型(Mixatt-ITCN-Elman)。对电离层杂波时间序列进行相空间重构和乱序归一化,利用ITCN提取高维相空间内的空间特征,依据自注意力机制突出其中关键的空间特征,将空间特征与原时间序列组合输入Elman神经网络,结合注意力机制突显序列的空时特征,通过空时特征与Elman神经网络输出序列组合输出,得到最终预测结果。所提模型与Elman、TCN、Att-CNNElman和TCN-Elman模型相对比,具有较好的预测性能和稳定性,对于电离层杂波的抑制具有较高应用价值。 展开更多
关键词 高频地波雷达 电离层杂波 时序卷积网络 ELMAN神经网络 注意力机制
在线阅读 下载PDF
基于AF-BiTCN的弹道中段目标HRRP识别
6
作者 王晓丹 王鹏 +2 位作者 宋亚飞 向前 李京泰 《北京航空航天大学学报》 北大核心 2025年第2期349-359,共11页
针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为... 针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为双向序列;构建BiTCN逐层提取HRRP的双向深层时序特征,并将双向时序特征采用加性策略融合;利用更加稳健的融合特征实现对弹道中段目标的识别,并使用Adam算法优化AF-BiTCN的收敛速度和稳定性。实验结果表明:所提的基于AF-BiTCN的弹道中段目标HRRP识别方法较堆叠选择长短期记忆网络(SLSTM)、堆叠门控循环单元(SGRU)等6种时序方法具有更高的准确率和更快的识别速度,在测试集上达到了96.60%的准确率,并且在噪声数据集上表现出更好的鲁棒性。 展开更多
关键词 双向时间卷积神经网络 弹道目标识别 特征融合 高分辨距离像 滑窗算法
在线阅读 下载PDF
PAM结合TCN优化Transformer的光伏功率预测研究
7
作者 张红 李峰 +2 位作者 马彦宏 姬文宣 郑启鹏 《计算机工程》 北大核心 2025年第10期140-149,共10页
准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。... 准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。基于多种特征选择机制筛选输入特征,增强对光伏数据特征的表征能力;利用粗粒度构造模块和PAM优化Transformer编码器,在多尺度上捕获光伏功率的长期时间依赖特征;利用光伏功率日出日落效应约束机制和TCN优化Transformer解码器,增强光伏功率的短期变化特征,以更好地捕捉其短期变化模式。在澳大利亚Sanyo数据集上进行实验,结果表明,Solarformer能够有效提高光伏功率的预测精度,相比DLinear模型,其均方根误差(RMSE)、平均绝对误差(MAE)和对称平均绝对百分比误差(SMAPE)分别降低了约7.45%、6.99%和14.10%。 展开更多
关键词 光伏功率预测 Transformer模型 金字塔注意力模块 约束机制 时间卷积网络
在线阅读 下载PDF
改进黏菌算法优化TCN−LSTM−MHSA的巷道锚杆(索)应力预测模型
8
作者 齐俊艳 车玉浩 +1 位作者 王磊 袁瑞甫 《工矿自动化》 北大核心 2025年第5期129-139,共11页
锚杆(索)应力的变化过程呈现明显的短期突变与长期时序依赖特征,而传统单一预测模型对长期趋势建模能力有限且对局部突变敏感性不足,往往难以全面捕捉上述复杂特征。针对该问题,提出一种基于改进黏菌算法(ISMA)优化时间卷积网络(TCN)−... 锚杆(索)应力的变化过程呈现明显的短期突变与长期时序依赖特征,而传统单一预测模型对长期趋势建模能力有限且对局部突变敏感性不足,往往难以全面捕捉上述复杂特征。针对该问题,提出一种基于改进黏菌算法(ISMA)优化时间卷积网络(TCN)−长短期记忆网络(LSTM)−多头自注意力机制(MHSA)的锚杆(索)应力预测模型。在煤矿巷道锚杆(索)应力预测问题中,模型训练过程通常涉及超参数调整、学习率选择等复杂优化任务,为提升模型的训练效率与预测精度,提出ISMA,引入邻域搜索与动态步长因子增强局部搜索能力,融合人工蜂群搜索机制提升全局搜索效率,有效增强模型跳出局部最优解的能力。TCN−LSTM−MHSA模型采用TCN提取局部时序特征,利用LSTM学习数据的长期依赖关系,通过MHSA强化对全局时序依赖的建模,从而提高模型对锚杆(索)应力的预测能力。在TCN−LSTM−MHSA模型的训练中利用ISMA对学习率进行迭代寻优,以提高模型的预测精度和速度。实验结果表明:①与黏菌算法(SMA)、遗传算法(GA)、粒子群算法(PSO)、麻雀搜索算法(SSA)相比,ISMA优化策略在多个基准函数测试中表现出更优的收敛速度与寻优能力。②在应力预测实验中,通过消融实验验证了TCN,LSTM,MHSA模块的必要性。③ISMA优化TCN−LSTM−MHSA模型在MAE,RMSE及R 2等指标上均优于BP,GRU等主流预测模型,具有更高的预测精度和稳定性。 展开更多
关键词 锚杆(索)支护 锚杆(索)应力预测 黏菌算法 时间卷积网络 长短期记忆网络 多头自注意力机制
在线阅读 下载PDF
基于BWO优化VMD和TCN-BiGRU的短期风电功率预测
9
作者 逯静 张燕茹 王瑞 《工程科学与技术》 北大核心 2025年第3期31-41,共11页
针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于... 针对风力发电过程中出现的不平稳、波动性大等特点,为了更好地提高风力发电的预测精度,提出一种基于白鲸优化算法(BWO)的变分模态分解(VMD)和时序卷积网络(TCN)-双向门控循环单元(BiGRU)联合构建的短期风力发电功率预测模型。首先,由于风电功率受多方面气象因素的共同影响,采用随机森林(RF)方法来确定气象因素特征的重要性,对特征进行排序并提取出最优的特征。其次,利用VMD将原始功率数据由不平稳序列分解成较平稳的子序列,为解决VMD的两个参数即模态数和惩罚因子难以人工确定的问题,使用BWO对VMD的参数进行寻优,利用优化后的VMD对非平稳电力信号进行有效分解。然后,将分解后的各平稳子序列加上提取出的最优特征进行TCN-BiGRU组合模型预测。最后,将各子序列的预测值进行叠加得到最终的结果。以中国的某风电场的实际数据为例,通过多种单一模型与组合模型对所提出的预测模型进行了仿真对比。仿真结果表明,所提出的基于BWO优化VMD和TCN-BiGRU联合预测方法具有较高的预测精度,其均方根误差、平均绝对误差及平均百分比误差的指标精度均比其他模型有所提高。本文方法在风电功率预测中具有显著优势。 展开更多
关键词 短期风功率预测 变分模态分解 随机森林 时序卷积网络 双向门控循环单元 白鲸优化算法
在线阅读 下载PDF
基于TCN和AUKF联合迭代的PEMFC寿命融合预测方法 被引量：2
10
作者 赵波 张领先 +3 位作者 章雷其 陈哲 刘相万 谢长君 《中国电机工程学报》 北大核心 2025年第9期3609-3623,I0029,共16页
针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的剩余使用寿命预测问题,该文提出一种基于时序卷积神经网络(temporal convolutional network,TCN)和自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)... 针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的剩余使用寿命预测问题,该文提出一种基于时序卷积神经网络(temporal convolutional network,TCN)和自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)联合迭代的融合预测方法。该方法首先利用TCN进行短期预测,并用贝叶斯算法计算融合权重。然后利用离散小波变换将老化数据分解为波动趋势和老化趋势,基于TCN长期迭代预测波动趋势,基于TCN和AUKF联合迭代长期预测老化趋势,并将两种趋势叠加得到长期预测结果。最后利用融合权重将多个单体PEMFC的长期预测结果相融合。基于2种工况下5个单体电池的数据验证,短期预测结果表明TCN具有高预测精度,长期预测结果表明融合过程降低了PEMFC单体间老化程度不均衡的影响,提高电堆整体寿命预测的稳定性。 展开更多
关键词 质子交换膜燃料电池 剩余使用寿命 时序卷积网络 联合迭代 融合权重
在线阅读 下载PDF
基于CBAM-STCN的齿轮箱故障智能诊断方法
11
作者 万志国 王治国 +1 位作者 赵伟 窦益华 《科学技术与工程》 北大核心 2025年第9期3760-3768,共9页
针对齿轮箱在多种工况下故障特征存在差异,故障诊断易受噪声干扰,导致故障诊断模型泛化性差和识别准确率低的问题,提出一种端到端的具有混合注意力机制和软阈值化特点的时间卷积神经网络(convolutional block attention module-sparse t... 针对齿轮箱在多种工况下故障特征存在差异,故障诊断易受噪声干扰,导致故障诊断模型泛化性差和识别准确率低的问题,提出一种端到端的具有混合注意力机制和软阈值化特点的时间卷积神经网络(convolutional block attention module-sparse temporal convolutional network with soft thresholding,CBAM-STCN)齿轮箱故障诊断模型识别分类方法。首先,利用希尔伯特变换将齿轮故障振动信号转换为包络谱信号;然后,将其输入CBAM-STCN故障诊断模型中;该模型嵌入的混合注意力机制模块(convolutional block attention module,CBAM),能够自适应学习通道和空间注意力的权重,提取与故障特征相关的敏感信息;嵌入的软阈值函数能够最小化模型输出和原输入之间的差异;最后,利用所提出的方法对两种工况、不同类型的齿轮故障进行识别分类。结果表明:CBAM-STCN故障诊断模型对齿轮故障智能诊断的平均准确率为98.95%。该方法对于齿轮箱故障的智能诊断具有一定的参考价值。 展开更多
关键词 齿轮箱 故障智能诊断 混合注意力机制 软阈值化 时间卷积神经网络
在线阅读 下载PDF
基于CEEMDAN⁃TCN的短期风电功率预测研究 被引量：1
12
作者 李敖 冉华军 +2 位作者 李林蔚 王新权 高越 《现代电子技术》 北大核心 2025年第2期97-102,共6页
风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分... 风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分解和时间卷积网络的短期风电功率预测方法。首先利用自适应噪声完备集合经验模态分解对初始风电功率数据进行分解,得到多个相对稳定的子数据序列;然后将其分别作为时间卷积网络的输入,利用时间卷积网络模型进行特征提取和功率预测;最后将所有预测值进行汇总,得到最终的功率预测值。使用宁夏某地区真实风电功率数据进行验证,并与传统预测模型比较,结果表明所提方法具有较高的预测精度,可为风电功率短期预测等相关工作提供相关参考。 展开更多
关键词 短期风电功率预测 自适应噪声的完备集合经验模态分解(CEEMDAN) 时间卷积网络(tcn) 特征提取 预测精度 时间序列分析
在线阅读 下载PDF
基于CBDAE和TCN-Transformer的工业传感器时间序列预测
13
作者 许涛 南新元 +1 位作者 蔡鑫 赵濮 《南京信息工程大学学报》 北大核心 2025年第4期455-466,共12页
在真实的工业物联网环境中,传感器信号常受外界噪声干扰,难以获取纯净数据,这影响了基于数据驱动的时间序列预测任务的准确性.为此,基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder,CBDAE)和TCN-Transformer网络,... 在真实的工业物联网环境中,传感器信号常受外界噪声干扰,难以获取纯净数据,这影响了基于数据驱动的时间序列预测任务的准确性.为此,基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder,CBDAE)和TCN-Transformer网络,本文提出一种新型时间序列预测框架,称为MoCo-CBDAE-TCN-Transformer.该框架通过引入额外的动量编码器、动态队列和信息噪声对比估计正则化,增强了对时间序列数据动态特征的捕捉能力,并有效利用历史负样本信息.在无需噪声先验知识和传感器纯净数据的前提下,通过捕捉和对比时间相关性和噪声特征,实现传感器数据的盲去噪.去噪后的数据通过TCN-Transformer网络进行时间序列预测.TCN-Transformer网络结合残差连接和膨胀卷积的优势以及Transformer的注意力机制,显著提高了预测的准确性和效率.最后,在公开的四缸过程数据集上进行仿真验证,实验结果表明,与传统的去噪方法和时间序列预测模型相比,本文设计的模型能够获得更好的去噪效果和更高的预测精度,其实时处理能力适合部署在实际的工业环境中,为工业物联网中的数据处理和分析提供了一种有效的技术方案. 展开更多
关键词 去噪自编码器 动量编码器 动态队列 信息噪声对比估计 时间卷积网络 TRANSFORMER
在线阅读 下载PDF
基于融合通道与时间注意力的TCN-BLSTM模型的混装作业车间在制品库存实时预测
14
作者 庄泓 唐秋华 +2 位作者 成丽新 余淑均 齐航 《计算机集成制造系统》 北大核心 2025年第9期3174-3186,共13页
混装作业车间加工和装配两阶段间的在制品库存水平,可能直接导致装配生产中断或引起错装漏装,故需预测不同时刻库存水平,实现精准控制。提出了融合通道与时间注意力机制(CATA)的TCN-BLSTM模型。首先,利用去噪自动编码器进行特征降维,去... 混装作业车间加工和装配两阶段间的在制品库存水平,可能直接导致装配生产中断或引起错装漏装,故需预测不同时刻库存水平,实现精准控制。提出了融合通道与时间注意力机制(CATA)的TCN-BLSTM模型。首先,利用去噪自动编码器进行特征降维,去除数据噪声和冗余信息;通过时间卷积网络(TCN)捕获工件流在加工机器装配工位间的传递机制,并将通道注意力嵌入时间卷积网络中,挖掘关键特征;通过双向长短时记忆网络(BLSTM)模拟推拉时刻双向信息流的传递,设计含多个模块的时间注意力网络,增强所有时刻特征间关联关系,挖掘影响库存的关键时刻;通过反向传播更新注意力网络参数,实现精准预测。实验结果表明所提出的CATA-TCN-BLSTM模型有效挖掘了关键特征和时刻,大幅提高了预测准确率;并实现了不同生产场景下的预测模型迁移,预测准确率达98%以上。 展开更多
关键词 在制品库存预测 时间卷积网络 通道注意力 双向长短期记忆网络 时间注意力
在线阅读 下载PDF
增强自适应TCN的柴油发动机剩余寿命预测模型
15
作者 张曦 杨颖 +1 位作者 陈超君 王春风 《计算机工程与设计》 北大核心 2025年第7期2071-2080,共10页
时间卷积网络在剩余使用寿命预测方面取得了显著进展,但现有模型没有考虑输入特征在不同时间步和通道的重要性,以及网络结构固定,无法灵活学习深度时间表示。针对这些问题,提出一种增强自适应时间卷积网络(EATCN)。通过改进的自注意力... 时间卷积网络在剩余使用寿命预测方面取得了显著进展,但现有模型没有考虑输入特征在不同时间步和通道的重要性,以及网络结构固定,无法灵活学习深度时间表示。针对这些问题,提出一种增强自适应时间卷积网络(EATCN)。通过改进的自注意力模块对输入特征的不同时间步进行加权,采用压缩激励模块对长期特征的不同通道进行加权。自适应时间卷积网络能够动态调整网络结构,更好地提取深层长期时间特征。在某柴油发动机制造商两个真实的数据集上进行实验,实验结果验证了所提模型的有效性。 展开更多
关键词 剩余使用寿命预测 时间卷积网络 注意力机制 压缩激励 滑动窗口 指数平滑 归一化
在线阅读 下载PDF
基于ITCN的并行多尺度特征融合刀具磨损预测
16
作者 周裕存 李先旺 +2 位作者 兰梦州 郑维刚 邓建新 《组合机床与自动化加工技术》 北大核心 2025年第11期158-163,共6页
针对循环神经网络(RNN)及其变体存在梯度消失及爆炸、刀具磨损退化特征提取不充分等问题,提出了一种基于改进时间卷积神经网络(ITCN)的并行多尺度特征融合刀具磨损预测方法。首先,在时间卷积神经网络(TCN)内部嵌入一个并行的二维卷积模... 针对循环神经网络(RNN)及其变体存在梯度消失及爆炸、刀具磨损退化特征提取不充分等问题,提出了一种基于改进时间卷积神经网络(ITCN)的并行多尺度特征融合刀具磨损预测方法。首先,在时间卷积神经网络(TCN)内部嵌入一个并行的二维卷积模块,得到的ITCN用于提取多传感器信号中的时间特征和空间特征;其次,构建了一种基于ITCN的并行三通道结构(ITCNS),用于从多尺度提取刀具磨损退化特征;最后,通过线性层实现刀具磨损预测。基于2010年PHM挑战赛数据集的预测实验结果表明,所提出方法的预测精度高于其他相关的深度学习模型,这有助于精确地监控刀具的磨损状态,提高生产效率。 展开更多
关键词 刀具磨损预测 时间卷积网络 并行结构 特征融合
在线阅读 下载PDF
融合多尺度TCN与动态注意力的电池容量预测
17
作者 黄强 陈一童 +1 位作者 王备 姚沐妧 《电池》 北大核心 2025年第5期1034-1041,共8页
剩余容量的准确预测,对提升锂离子电池使用效率和延长寿命十分重要。传统的时序卷积注意力网络(TCN-Attention)模型,仅使用固定的单一时间窗口卷积核与权重固定的全局注意力机制,未针对时间序列中的关键时段进行重点关注,容易丢失对不... 剩余容量的准确预测,对提升锂离子电池使用效率和延长寿命十分重要。传统的时序卷积注意力网络(TCN-Attention)模型,仅使用固定的单一时间窗口卷积核与权重固定的全局注意力机制,未针对时间序列中的关键时段进行重点关注,容易丢失对不同时间跨度特征的捕捉能力。基于这一问题,提出一种融合多尺度时间卷积网络与动态注意力机制的改进模型,并通过跳跃残差连接进一步优化网络结构,增强模型对短期和长期特征的综合提取能力,提高了预测的准确性。实验结果表明,该模型在锂离子电池剩余容量预测任务中的均方误差(MSE)和均方根误差(RMSE)与TCN-Attention相比,分别降低了50.0%和25.9%,达到了0.0005和0.0232。 展开更多
关键词 多尺度时序卷积网络(tcn) 动态注意力机制 卷积神经网络 残差网络 卷积层结构优化 锂离子电池 容量预测
在线阅读 下载PDF
基于RIME-VMD-TCN-Attention的船舶电力负荷预测
18
作者 骆佳馨 高海波 +2 位作者 欧阳继能 李程 陈灿 《舰船科学技术》 北大核心 2025年第18期112-118,共7页
船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Deco... 船舶电力负荷因具有噪声多、随机性和非线性强的特点,在短期电力负荷预测中存在噪声干扰、特征提取困难和模型拟合度差的问题。故本文提出一种结合霜冰优化算法(Rime Optimization Algorithm,RIME)的变分模态分解(Variational Mode Decomposition,VMD)、时序卷积网络(Temporal Convolutional Network,TCN)和注意力机制的组合预测模型。首先,通过RIME-VMD分解,将复杂的船舶电力负荷信号分解为多个仅包含简单负荷特征的单独模态,以减少噪声的影响同时提高分解效率;其次,通过TCN模型结合Attention机制对各模态分量进行预测并将结果组合,使模型自适应捕捉电力负荷中的非线性特征,提高时序预测能力;最后,实验分析表明,本文提出的RIME-VMD-TCN-Attention模型误差指标MAE、MAPE、RMSE和R2均优于传统LSTM模型、GRU模型、单一TCN模型和未经模态分解的混合模型,具有更高的预测精度。 展开更多
关键词 船舶短期电力负荷预测 霜冰优化算法 变分模态分解 时序卷积网络 注意力机制
在线阅读 下载PDF
基于TCN-LSTM模型的页岩气产量预测
19
作者 史峥峥 李道伦 +1 位作者 付宁 张康 《合肥工业大学学报(自然科学版)》 北大核心 2025年第9期1259-1264,1275,共7页
准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-... 准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)模型。该模型使用3口井生产数据联合训练,其中TCN和LSTM模块分别提取局部和全局特征,然后用全连接网络融合;并使用注意力机制聚焦关键信息,从已有井生产数据中学习流动规律,提高了对初期数据匮乏的新井的预测精度。结果表明,多井联合预测模型在精度和趋势预测方面均优于单井预测模型,基于平均绝对误差(mean absolute error,MAE)评估指标的预测精度提高了约4倍,并且减少了对长周期数据和多特征的依赖,在油藏开发中具有重要意义。 展开更多
关键词 时间卷积网络(tcn) 长短期记忆网络(LSTM) 注意力机制 产量预测 多井
在线阅读 下载PDF
基于变分非线性调频模态分解及TCN-TPA-LSTM的短期电力负荷组合预测模型
20
作者 王博宇 文中 +3 位作者 周翔 赵迪 闫文文 覃治银 《现代电力》 北大核心 2025年第5期891-900,共10页
随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal informatio... 随着新型电力系统的发展,电力负荷“双高双峰”特性愈发明显,可靠准确的负荷预测对电力系统运行规划至关重要。为更精准地预测电力负荷,提出基于MICVNCMD-TCN-TPA-LSTM的短期电力负荷组合预测模型。采用最大信息系数(maximal information coefficient, MIC)理论对负荷与气象信息进行非线性耦合分析,选取关键信息。引入变分非线性调频模态分解(variational nonlinear chirp mode decomposition, VNCMD)处理非线性非平稳负荷数据,将其分解为相应分量。在此基础上,构建TCN-TPALSTM组合预测模型,根据各分量预测评价指标选取对应的预测模型,重组得到总体预测结果。基于某地实际电力负荷数据集的对比实验表明,所提预测方法相较于其他模型具有显著的性能优势,其预测精度和泛化能力均优于对比基准,充分验证了所提方法的有效性和技术优越性。 展开更多
关键词 短期电力负荷预测 最大信息系数 变分非线性调频模态分解 时间卷积网络 时序模式注意力机制 长短期记忆网络
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 … 34 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