-
题名基于深度残差Bi-LSTM的风电功率预测
- 1
-
-
作者
叶利娟
裴生雷
董时
谭琳
-
机构
青海民族大学数学与统计学院
青海民族大学通信工程国家级实验教学示范中心
青海民族大学智能科学与工程学院
-
出处
《现代电子技术》
北大核心
2025年第20期113-119,共7页
-
基金
国家自然科学基金项目(62266035)
青海省人熊冲突预警防范技术研究与示范项目(2023⁃SF⁃148S⁃1)。
-
文摘
深度学习模型在风电功率预测方面通常比传统机器学习模型表现更佳。然而,随着网络层数的增加,性能提升往往受到网络退化问题的阻碍。针对此问题,提出一种结合深度残差结构与双向长短期记忆(Bi-LSTM)网络的风电功率预测技术。该方法通过引入残差连接增强深层Bi-LSTM网络的训练稳定性,同时捕捉风电数据的长期时序依赖。此外,采用Adam算法优化模型超参数,并在青海某风电企业数据集上对该方法进行了实证测试。实验结果表明,与支持向量回归(SVR)、标准LSTM模型和Bi-LSTM模型相比,深度残差Bi-LSTM模型在风电功率预测方面展现出显著优势:其MAE预测误差仅为61.55,远低于其他三种方法的MAE;而决定系数R^(2)值高达0.9377,表明模型具有良好的拟合度和预测准确性。这充分证明了深度残差Bi-LSTM模型在风电功率预测领域的潜力和价值。
-
关键词
风电功率预测
深度残差
Bi-LSTM
残差连接
Adam优化算法
超参数优化
-
Keywords
wind power prediction
deep residual
Bi-LSTM
residual connection
Adam optimization algorithm
hyperparameter optimization
-
分类号
TN86-34
[电子电信—信息与通信工程]
TM615
[电气工程—电力系统及自动化]
-
-
题名适用于矿山遥感图像增强的改进对抗生成网络算法
- 2
-
-
作者
贾亚娟
戴二壮
王咏宁
-
机构
河南职业技术学院现代信息技术学院
青海民族大学智能科学与工程学院
-
出处
《金属矿山》
北大核心
2025年第9期272-278,共7页
-
基金
2024年河南省科技厅科技攻关项目(编号:242102210130)。
-
文摘
高分辨率遥感图像对于地质勘探、资源评估以及矿山安全管理具有重要意义。采用生成对抗网络(Generative Adversarial Networks,GAN)对矿山遥感图像进行单幅超分辨率重建,有助于提升图像质量、丰富图像细节。然而,该方法在实际应用中仍存在训练过程不稳定、生成图像细节与真实地物存在差异,以及容易产生伪影等问题。为此,提出了一种基于改进注意力机制的GAN矿山遥感图像增强算法。生成器融合了金字塔拆分注意力模块(Pyramid Split Attention,PSA)与稠密残差块(Residual Dense Block,RDB),显著增强了特征提取能力。金字塔拆分注意力模块能够有效捕捉多尺度的图像特征,提升了模型对细节的敏感度;稠密残差块则通过密集连接方式,促进信息在网络中的充分流动,进一步提升特征表示能力。判别器方面,采用了谱归一化(Spectral Normalization,SN)技术代替传统的批归一化层(Bath Normalization,BN),以增强对矿山遥感图像细节的学习能力,减少判别器对生成图像细节的忽视。此外,基于带梯度惩罚的Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)理论,优化了对抗损失函数,通过引入梯度惩罚项,稳定了训练过程,加快了模型收敛速度。试验结果显示:所提算法在细节纹理丰富性和伪影减少方面优于原始GAN算法,处理后遥感图像峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)提升了0.536~1.897 dB,结构相似度(Structural Similarity,SSIM)提升了0.019~0.089。
-
关键词
矿山遥感图像
生成对抗网络
注意力机制
超分辨率
-
Keywords
mine remote sensing image
generative adversarial network
attention mechanism
super-resolution
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名单纯形神经网络综述
- 3
-
-
作者
唐春阳
冶忠林
白立冰
赵海兴
-
机构
青海师范大学计算机学院
省部共建藏语智能信息处理及应用国家重点实验室
藏文信息处理教育部重点实验室
青海省藏文信息处理与机器翻译重点实验室
青海民族大学智能科学与工程学院
-
出处
《计算机学报》
北大核心
2025年第7期1617-1638,共22页
-
基金
国家重点研发计划项目(2020YFC1523300)
青海省创新平台建设项目(2022-ZJ-T02)资助。
-
文摘
图神经网络依托强大的计算能力在文本分类、节点分类和自然语言处理等领域取得了显著成果,其主要用于处理包含成对关系的图结构数据。然而,现实世界中的网络之间往往存在高阶交互关系,若使用图结构表示这种复杂关系,可能会丢失节点间的重要信息。最近,单纯形被证明不仅可以编码节点间的成对关系,还可以编码多节点间的高阶交互关系。因此,学者们开始探索如何在单纯形上设计神经网络,并随之提出了众多单纯形神经网络模型。与已有的神经网络综述不同,文中重点分析了单纯形神经网络在处理多元高阶交互关系中的前沿研究及应用。首先总结了近几年单纯形神经网络的发展脉络并介绍了单纯复形、边界矩阵和霍奇拉普拉斯矩阵等基础知识;其次依据构建单纯形神经网络时采用的不同方法对其进行归纳分类,并解释了每类的代表性模型;然后介绍了单纯形神经网络的实际应用及性能分析;最后总结并探讨了单纯形神经网络未来的研究方向。本文针对单纯形神经网络进行综述,旨在帮助读者了解单纯形神经网络的理论基础与模型构建方法,力争为模型优化与实际应用提供参考。
-
关键词
单纯形
单纯复形
单纯形神经网络
单纯形邻域
图神经网络
-
Keywords
simplex
simplicial complex
simplicial neural network
simplicial neighbor
graph neural networks
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
