检索结果-南通市图书馆

维普期刊数据库博看期刊

基于MTCN-Informer的铁矿球团工艺预测模型

在线全文

学校读者我要写书评

暂无评论

计算机技术与发展 2024年第9期34卷 188-194页

作者：廖雪超朱晨辉赵昊裔向桂宏刘宗宇武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统湖北省重点实验室湖北武汉430065 中冶南方城市建设工程技术有限公司湖北武汉430062

成品球团流量的预测是生产过程的关键,它决定着整个生产的效率和产量。铁矿球团链箅机—回转窑是生产铁矿石制备高品质铁合金的重要工艺过程之一,具有大时滞、参数庞杂、耦合关系复杂等特点,且成品球团流量波动剧烈,使球团流量难以预测... 详细信息

成品球团流量的预测是生产过程的关键,它决定着整个生产的效率和产量。铁矿球团链箅机—回转窑是生产铁矿石制备高品质铁合金的重要工艺过程之一,具有大时滞、参数庞杂、耦合关系复杂等特点,且成品球团流量波动剧烈,使球团流量难以预测。为此,该文使用移动平均滤波器来平滑波动的数据,互信息法对庞杂的参数做特征选择,再利用基于自注意力机制的Informer球团流量预测模型,其降低传统自注意力机制的时间复杂度,提高了模型训练效率。同时,针对Informer模型的概率稀疏自注意力机制难以把握长时间序列波动的问题,通过TCN时间卷积网络来提取长时间序列的扩展信息依赖,同时结合Informer编码解码网络来处理上下文的信息,从而完成球团流量的精确预测。通过对工厂实际数据进行实验分析可知,与循环神经网络这类传统的深度学习模型相比,所提集成模型在预测精度、稳定性方面均为最优。

关键词：球团流量预测特征选择时间卷积网络编码解码网络自注意力机制

在线全文

学校读者我要写书评

暂无评论

基于动态图注意力的风电场组合预测模型

软件导刊 2024年第2期23卷 9-16页

作者：廖雪超程轶群武汉科技大学计算机科学与技术学院智能信息处理与实时工业系统重点实验室湖北武汉430065

为了实现风电场用能管理的高效调度,充分提取多站点间时空特征的潜在联系,提出一种基于动态图卷积和图注意力的多站点短期风电功率时空组合预测模型。使用图卷积实现多站点间时序特征的邻居聚合,并使用图注意力机制加强其对空间特征的... 详细信息

为了实现风电场用能管理的高效调度,充分提取多站点间时空特征的潜在联系,提出一种基于动态图卷积和图注意力的多站点短期风电功率时空组合预测模型。使用图卷积实现多站点间时序特征的邻居聚合,并使用图注意力机制加强其对空间特征的提取能力。同时,针对传统模型无法处理图节点关联性实时变化的问题,先在图卷积过程中依据站点间的相关系数和距离动态构建邻接矩阵,再使用门控循环单元处理动态图卷积输出的上下文信息,最后完成风电功率预测。实验结果表明,所提出的组合模型在预测精度、稳定性和多步预测性能方面均最优。

关键词：短期风电预测动态相关性图卷积神经网络注意力机制门控循环单元

维普期刊数据库博看期刊

基于控制流切片的可编程逻辑控制器代码漏洞检测方法

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2023年

作者：廖雪超孟航宇武汉科技大学计算机科学与技术学院智能信息处理与实时工业系统重点实验室

在可编程逻辑控制器（PLC）控制系统维护、控制流错误排查和稳定系统运行效率等方面，PLC代码漏洞检测发挥着重要作用。针对PLC代码语义不明确，导致漏洞检测精度降低的问题，先对PLC代码进行词法分析生成词法单元流，并基于指令操作符... 详细信息

在可编程逻辑控制器（PLC）控制系统维护、控制流错误排查和稳定系统运行效率等方面，PLC代码漏洞检测发挥着重要作用。针对PLC代码语义不明确，导致漏洞检测精度降低的问题，先对PLC代码进行词法分析生成词法单元流，并基于指令操作符为基准的语义分割规则生成抽象语法树。同时针对PLC系统内部存在着跨域漏洞而导致控制流程不明确的难点，结合具体漏洞对控制流相关代码进行切片，生成切片控制流图，实现了对多层调用PLC代码的漏洞检测。通过实验验证，该集成模型能够快速检测现场级的复杂结构项目，对比直接语法分析方法，词法+语法分析方法的召回率明显提高，时间开销缩短，并且对整体控制流进行切片后，漏洞检测效率提升明显，所提方法具有一定的普适性。

关键词：可编程逻辑控制器词法分析语法分析控制流图代码切片

基于两级分解和长短时记忆网络的短期风速多步组合预测模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

信息与控制 2021年第4期50卷 470-482页

作者：廖雪超邓万雄武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统重点实验室湖北武汉430065

为了更好地提取与学习风速在时域和频域上的特征,解决风速信号时域随机性和频域复杂性问题,提出了一种基于小波分解(WD)、变分模态分解(VMD)、长短时记忆(LSTM)网络和注意力机制(AT)的短期风速组合预测模型(WD-VMD-DLSTM-AT).在此基础上... 详细信息

为了更好地提取与学习风速在时域和频域上的特征,解决风速信号时域随机性和频域复杂性问题,提出了一种基于小波分解(WD)、变分模态分解(VMD)、长短时记忆(LSTM)网络和注意力机制(AT)的短期风速组合预测模型(WD-VMD-DLSTM-AT).在此基础上,提出了一种基于注意力机制的多输入多输出(MIMO)的编码解码多步预测模型(MMED-AT).通过实验对比分析,所提出的组合预测模型具有最优的统计误差,在短期风速预测方面能显著提高预测精度.基于组合模型的(MMED-AT)模型能明显消除递归式多步预测的累积误差,进一步提高多步预测的平稳性.

关键词：短期风速预测小波分解重构变分模态分解长短时记忆网络注意力机制

基于粒子滤波和背景建模的多目标跟踪技术的研究和实现

在线全文

学校读者我要写书评

暂无评论

基于粒子滤波和背景建模的多目标跟踪技术的研究和实现

作者：廖雪超武汉科技大学

学位级别：硕士

多目标跟踪技术是计算机视觉研究领域中最活跃的研究课题之一。随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进,多目标的实时追踪技术脱颖而出,在军事国防、交通监视、天文预测、智能监控等领域有着非常重要的实用价值... 详细信息

多目标跟踪技术是计算机视觉研究领域中最活跃的研究课题之一。随着现代计算机和信息技术的飞速发展及图形识别算法的革命性改进,多目标的实时追踪技术脱颖而出,在军事国防、交通监视、天文预测、智能监控等领域有着非常重要的实用价值。粒子滤波作为一种基于贝叶斯估计的非线性滤波算法,在处理非线性运动目标跟踪问题方面有独到的优势。但粒子滤波的框架中并没有包含数据关联的机制,当对多个目标进行跟踪,目标数发生变化或目标相互遮挡时,会出现跟踪目标的丢失。此外,多个目标之间的干扰也会影响跟踪的准确性。本文在应用粒子滤波进行目标跟踪的基础上,提出了将粒子滤波和背景建模相结合来处理多目标跟踪问题的技术框架,将多目标跟踪分为背景建模、多目标跟踪、初始化、重新初始化和粒子滤波五个模块。本文的研究成果如下: 使用高斯混合模型(GMM)对图像的每个像素进行建模,来计算当前图像中属于背景像素的概率,从而提取出前景运动目标。在处理前景目标的阴影问题时,为了克服了图像局部或整体的光照变化的影响,通过建立亮度变化和色度变化的彩色模型,来区分阴影背景、高亮背景、普通背景及前景目标,然后自动选择阈值对图像的像素点进行分类。实验表明,该算法能够较好的区分前景目标及其产生的阴影,从而提高后续跟踪算法的效率。在背景建模的基础上,详细研究了对每个目标生成其粒子集,进行粒子滤波的算法流程及技术框架,实现了3种粒子重采样算法(替换选择算法、线性时间算法和权值函数算法)。在评价粒子权值时,为了较好的区分目标之间的颜色特征,对原有的用Bhattacharyya距离评价的算法进行了改进,仅统计背景建模后粒子区域前景像素的颜色分布,从而提高了目标跟踪的精度和效率。利用背景建模的结果,并结合目标运动的时间和空间关系,使用信任理论来处理新目标出现和旧目标消失的情况。实验表明,本算法能实现多个运动行人的有效跟踪。

关键词：粒子滤波多目标跟踪高斯混合模型阴影检测粒子重采样权值评价信任理论

基于CNN-LSTM及深度学习的风电场时空组合预测模型

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

信息与控制 2022年第4期51卷 498-512页

作者：廖雪超陈才圣伍杰平武汉科技大学计算机科学与技术学院湖北武汉430065 智能信息处理与实时工业系统重点实验室湖北武汉430065

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information,MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CN... 详细信息

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information,MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、AT注意力机制、PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。

关键词：短期风电预测卷积神经网络特征选择长短时记忆网络注意力机制

结合注意力机制与LSTM的短期风电功率预测模型

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第9期48卷 286-297,304页

作者：廖雪超伍杰平陈才圣武汉科技大学计算机科学与技术学院武汉430065 武汉科技大学智能信息处理与实时工业系统重点实验室武汉430065

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学... 详细信息

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆(LSTM)神经网络对模态分量进行训练与预测,得到初始预测误差。在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度。实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87%,具有较优的预测性能。

关键词：短期风电功率预测变分模态分解长短时记忆神经网络注意力机制误差修正