期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法
被引量：
14
1
作者
万磊
余飞
+1 位作者
鲁统伟
姚婧
《河北科技大学学报》
CAS
北大核心
2022年第2期154-161,共8页
负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法。首先,...
负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法。首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷积神经网络(CNN)和门控循环单元(GRU)建立各分量预测模型,将归一化后的分量输入训练模型,得到预测子序列;最后,将所有分量的结果汇总,得到最终预测结果。结果表明,与LSTM模型、GRU模型、CNN-GRU及CEEMDAN-GRU组合模型相比,CEEMDAN-CNN-GRU组合模型所测精度有了明显提升,平均提升了25.08%,23.59%,20.41%和13.53%。CEEMDAN-CNN-GRU组合模型能够提取历史负荷数据中的非线性特征,有效提升短期负荷预测精度,可为电力系统建设提供有力支撑。
展开更多
关键词
数据处理
卷积神经网络
互补集合模态分解
门控循环单元
负荷预测
电力系统
在线阅读
下载PDF
职称材料
基于特征融合的棉花幼苗计数算法
被引量：
9
2
作者
祁洋
李亚楠
+1 位作者
孙明
徐文霞
《农业工程学报》
EI
CAS
CSCD
北大核心
2022年第9期180-186,共7页
为了获取棉花幼苗数量,掌握播种成活率和出苗率等关键苗情信息,该研究提出一种基于特征融合的棉花幼苗计数算法。首先,该算法采用VGG-16作为基础模块提取图像特征,使用注意力模块(Convolutional Block Attention Module,CBAM)在通道和...
为了获取棉花幼苗数量,掌握播种成活率和出苗率等关键苗情信息,该研究提出一种基于特征融合的棉花幼苗计数算法。首先,该算法采用VGG-16作为基础模块提取图像特征,使用注意力模块(Convolutional Block Attention Module,CBAM)在通道和空间维度上进行特征增强,然后将增强后的特征与基础模块中的特征进行融合,进一步强化幼苗特征表达,最后通过去冗余和归一化操作得到计数结果。此外,还构建了一个包含399张棉花幼苗图像的数据集,其中包含了对212572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明,所提出的棉花幼苗计数算法取得了较好的计数效果,平均计数误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)分别为63.46和81.33,对比多列卷积神经网络(Multi-column Convolutional Neural Network, MCNN)、拥挤场景识别网络(Congested Scene Recognition Network, CSRNet)、TasselNet、MobileCount等方法,MAE平均下降了48.8%,RMSE平均下降了45.3%。
展开更多
关键词
深度学习
算法
棉花
特征融合
注意力模块
幼苗计数
在线阅读
下载PDF
职称材料
题名
基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法
被引量：
14
1
作者
万磊
余飞
鲁统伟
姚婧
机构
国网湖北省电力有限公司
武汉工程大学计算机科学与工程学院人工智能学院
武汉
大学
计算机
学院
出处
《河北科技大学学报》
CAS
北大核心
2022年第2期154-161,共8页
基金
国家自然科学基金(62071338)
国家重点研发计划(2017YFC0803703)
+1 种基金
湖北省电力科技项目(XM012015050)
湖北省教育厅重点项目(D20181504)。
文摘
负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法。首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷积神经网络(CNN)和门控循环单元(GRU)建立各分量预测模型,将归一化后的分量输入训练模型,得到预测子序列;最后,将所有分量的结果汇总,得到最终预测结果。结果表明,与LSTM模型、GRU模型、CNN-GRU及CEEMDAN-GRU组合模型相比,CEEMDAN-CNN-GRU组合模型所测精度有了明显提升,平均提升了25.08%,23.59%,20.41%和13.53%。CEEMDAN-CNN-GRU组合模型能够提取历史负荷数据中的非线性特征,有效提升短期负荷预测精度,可为电力系统建设提供有力支撑。
关键词
数据处理
卷积神经网络
互补集合模态分解
门控循环单元
负荷预测
电力系统
Keywords
data processing
convolutional neural network
complementary ensemble empirical mode decomposition
gated recurrent unit
load forecasting
electric power system
分类号
TP399 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于特征融合的棉花幼苗计数算法
被引量：
9
2
作者
祁洋
李亚楠
孙明
徐文霞
机构
武汉工程大学
计算机
科学与
工程
学院
、
人工智能
学院
武汉工程大学
智能
机器人湖北省重点实验室
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2022年第9期180-186,共7页
基金
国家自然科学基金资助项目(61906139)
武汉工程大学科学研究基金(K202031)
武汉工程大学研究生教育创新基金(CX2021289)。
文摘
为了获取棉花幼苗数量,掌握播种成活率和出苗率等关键苗情信息,该研究提出一种基于特征融合的棉花幼苗计数算法。首先,该算法采用VGG-16作为基础模块提取图像特征,使用注意力模块(Convolutional Block Attention Module,CBAM)在通道和空间维度上进行特征增强,然后将增强后的特征与基础模块中的特征进行融合,进一步强化幼苗特征表达,最后通过去冗余和归一化操作得到计数结果。此外,还构建了一个包含399张棉花幼苗图像的数据集,其中包含了对212572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明,所提出的棉花幼苗计数算法取得了较好的计数效果,平均计数误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)分别为63.46和81.33,对比多列卷积神经网络(Multi-column Convolutional Neural Network, MCNN)、拥挤场景识别网络(Congested Scene Recognition Network, CSRNet)、TasselNet、MobileCount等方法,MAE平均下降了48.8%,RMSE平均下降了45.3%。
关键词
深度学习
算法
棉花
特征融合
注意力模块
幼苗计数
Keywords
deep learning
algorithm
cotton
feature fusion
attention module
seedling counting
分类号
S126 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法
万磊
余飞
鲁统伟
姚婧
《河北科技大学学报》
CAS
北大核心
2022
14
在线阅读
下载PDF
职称材料
2
基于特征融合的棉花幼苗计数算法
祁洋
李亚楠
孙明
徐文霞
《农业工程学报》
EI
CAS
CSCD
北大核心
2022
9
在线阅读
下载PDF
职称材料
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
