检索结果-南通市图书馆

同方期刊数据库博看期刊

复杂工况条件下多头注意力双向长短时记忆网络的风电机组缺失数据修复方法研究

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2023年第14期59卷 1-9页

作者：余晓霞汤宝平王伟影吴宣勇李彪重庆大学机械传动国家重点实验室重庆400044 中船重工龙江广瀚燃气轮机有限公司哈尔滨150078

针对变速变载条件下风电机组监测参量中包含大量缺失数据导致基于深度学习的状态监测模型预警精度低的难题,提出一种多头注意力双向长短时记忆网络缺失数据修复方法(Multi-headed attention bidirectional long and short term memory n... 详细信息

针对变速变载条件下风电机组监测参量中包含大量缺失数据导致基于深度学习的状态监测模型预警精度低的难题,提出一种多头注意力双向长短时记忆网络缺失数据修复方法(Multi-headed attention bidirectional long and short term memory network,MA-BiLSTM)。所提方法利用多头注意力机制抑制复杂工况条件下变速变载对神经网络特征提取时的干扰,采用跨层连接残差单元增加模型的特征提取能力,充分学习已有监测数据的隐藏特征以及多源参量间的关联关系;采用双向长短时记忆网络同时对风电机组监测数据的复杂变化规律进行学习,实现监测参量中缺失数据的预测修复。实例应用结果表明所提多头注意力双向长短时记忆网络能够抑制复杂工况条件下的变速变载干扰,实现单变量或多变量中缺失数据的预测修复,有效提升风电机组状态监测精度。

关键词：风电机组缺失数据预测多头注意力机制双向长短时记忆网络

基于卷积双向长短时记忆网络的雷达辐射源信号识别

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2022年第22期59卷 353-360页

作者：普运伟刘涛涛吴海潇郭江昆明理工大学信息工程与自动化学院云南昆明650500 昆明理工大学计算中心云南昆明650500

雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题,基于模糊函数在表征信号内在结构上的独特作用,提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识... 详细信息

雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题,基于模糊函数在表征信号内在结构上的独特作用,提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先,为放大不同信号间的差异,采用数学思维将主脊切面转换为极坐标域的几何图像,以此作为神经网络的输入;其次,设计卷积神经网络来挖掘二维时频图的特征信息;最后,搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明,所提方法在信噪比为0 dB以上均能保持100%的准确率,即使信噪比为-6 dB时,识别率仍可达93.58%以上,同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征,还具备良好的时效性和抗噪性。

关键词：雷达辐射源信号识别模糊函数主脊卷积神经网络双向长短时记忆网络

基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用

在线全文

学校读者我要写书评

暂无评论

石油物探 2023年第2期62卷 225-235页

作者：何运康李庆春刘兴业中煤科工西安研究院(集团)有限公司陕西西安710077 长安大学地质工程与测绘学院陕西西安710054 成都理工大学地球勘探与信息技术教育部重点实验室四川成都610059 成都理工大学地球物理学院四川成都610059

横波速度信息对油气勘探而言至关重要,但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性,二者关系复杂难以用解析解表征。为此,提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLS... 详细信息

横波速度信息对油气勘探而言至关重要,但实际测井资料中常常缺失横波速度资料。横波速度与测井参数之间存在非线性相关性,二者关系复杂难以用解析解表征。为此,提出了一种基于注意力机制和双向长短时记忆网络的横波速度预测方法(AT-BLSTM)。该方法首先利用注意力机制为测井参数分配权重,自动聚焦对横波速度预测贡献大的测井参数,然后利用双向长短时记忆网络以及横波速度曲线纵向上的时序特征,挖掘各种测井参数与横波速度之间的相关关系,获得各种测井参数与横波速度之间的学习模型,再输入优选测井参数,最终可直接获得横波速度的预测结果。将上述方法应用于挪威北海Volve油田和我国西南某工区的实际测井资料进行横波速度预测,并将预测结果与常规双向长短时记忆网络、门控循环神经网络以及基于经验公式的传统方法的预测结果进行对比。结果表明,利用基于注意力机制和双向长短时记忆网络的横波速度预测方法得到的测井参数权重分配合理,横波速度预测结果与实测横波速度误差较小、相关系数较高,有效提高了横波速度预测精度,预测结果具有良好的稳定性。

关键词：测井参数横波速度预测深度学习注意力机制双向长短时记忆网络

维普期刊数据库博看期刊

基于双向长短时记忆网络和注意力机制的RNA m5C甲基化位点预测

在线全文

学校读者我要写书评

暂无评论

中国生物化学与分子生物学报 2023年第2期39卷 303-310页

作者：胡梦李慧敏唐轶王煜陈鹏辉云南民族大学数学与计算机科学学院昆明650504

RNA 5-甲基胞嘧啶(m5C)修饰在许多生物过程中发挥重要的作用,对m5C位点的准确识别有助于更好地理解其生物学功能,所以识别m5C甲基化位点十分必要。尽管已发展了多种识别m5C甲基化位点的机器学习方法,但预测能力仍有待提高。本文基于双... 详细信息

RNA 5-甲基胞嘧啶(m5C)修饰在许多生物过程中发挥重要的作用,对m5C位点的准确识别有助于更好地理解其生物学功能,所以识别m5C甲基化位点十分必要。尽管已发展了多种识别m5C甲基化位点的机器学习方法,但预测能力仍有待提高。本文基于双向长短时记忆网络和注意力机制,提出了一种预测RNA m5C甲基化位点的深度学习算法。用该方法在人、小鼠、酿酒酵母和拟南芥共4种生物的RNA m5C数据集上进行实验,m5C位点预测AUC值分别达到92.5%、99.7%、93.6%和86.5%。与现有预测方法相比,该方法具有较好的预测性能,并且具有更优的泛化能力,为RNA m5C甲基化位点预测提供了一种新方法。

关键词：双向长短时记忆网络注意力机制 m5C甲基化位点深度学习

基于双向长短时记忆网络的企业弹性能力预测模型

在线全文

学校读者我要写书评

暂无评论

计算机科学 2022年第11期49卷 197-205页

作者：宋美琦傅湘玲闫晨巍仵伟强任芸北京邮电大学计算机学院(国家示范性软件学院) 北京100876 北京邮电大学可信分布式与服务教育部重点实验室北京100876 北京邮电大学-渤海银行智慧银行联合实验室天津300204

传统的风险管理方法专注于识别、预测和评估可能发生的潜在风险,但当企业面临突发的、不可预期的风险时,往往束手无策。因此,学术界逐渐将风险管理的视角由预测并规避风险转变为提升企业自身对风险的承受能力和从风险中恢复的能力,也就... 详细信息

传统的风险管理方法专注于识别、预测和评估可能发生的潜在风险,但当企业面临突发的、不可预期的风险时,往往束手无策。因此,学术界逐渐将风险管理的视角由预测并规避风险转变为提升企业自身对风险的承受能力和从风险中恢复的能力,也就是企业的弹性能力。文中提出了基于时序特征数据的企业弹性能力预测方法,使用Bi-LSTM对时序特征数据进行双向编码,获得企业的特征表示,并通过softmax分类器得到弹性能力分类结果。模型在中国上市公司的真实数据集中进行实验,macro-F1值达到89.0%,与RF,XGBoost和LightGBM等未使用时序特征数据的模型相比有一定提升。此外,进一步探讨了企业弹性能力的多种影响因素及其重要程度,并首次将机器学习方法应用到企业弹性能力的评估预测中,为企业应对突发风险提供了理论方法指导。

关键词：企业弹性能力时序特征风险管理双向长短时记忆网络

融合BERT和双向长短时记忆网络的中文反讽识别研究

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2023年

作者：王旭阳戚楠魏申酉兰州理工大学计算机与通信学院

用户对微博热点话题进行评论时会使用反语、讽刺的修辞手法，反语、讽刺本身带有一定的情感倾向会对情感分析结果造成一定影响。因此该文主要针对中文微博评论进行反讽识别，构建了一个包含反语、讽刺和非反讽的三分类数据集，提出一个... 详细信息

用户对微博热点话题进行评论时会使用反语、讽刺的修辞手法，反语、讽刺本身带有一定的情感倾向会对情感分析结果造成一定影响。因此该文主要针对中文微博评论进行反讽识别，构建了一个包含反语、讽刺和非反讽的三分类数据集，提出一个基于BERT和双向长短时记忆网络（BiLSTM）的模型BERT＿BiLSTM。该模型通过BERT生成含有上下文信息的动态字向量，输入BiLSTM提取文本的深层反讽特征，在全连接层传入softmax对文本进行反讽识别。实验结果表示，在二分类和三分类数据集上，该文提出的BERT＿BiLSTM模型与现有主流模型相比准确率和F1值均有明显提高。

关键词：反讽识别 BERT 特征提取双向长短时记忆网络

基于优化双向长短时记忆网络的刀具磨损状态识别

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

机械设计与研究 2023年第4期39卷 147-151页

作者：李清吴杏周晓君上海科学技术职业学院智能制造工程学院上海201800 上海大学机电工程与自动化学院上海200044

准确可靠地对刀具磨损状态进行监测和识别,有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度,提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiL... 详细信息

准确可靠地对刀具磨损状态进行监测和识别,有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度,提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取,从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题,进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证,结果表明:所提方法提高了识别精度,在5种评价指标上也是优于其它几种方法。

关键词：双向长短时记忆网络刀具磨损状态识别北方苍鹰优化算法参数优化

基于双向长短时记忆网络的滚动轴承故障诊断研究

在线全文

学校读者我要写书评

暂无评论

基于双向长短时记忆网络的滚动轴承故障诊断研究

作者：郭秋菊中国石油大学(北京)

学位级别：硕士

滚动轴承作为现代机械设备的基础关键零部件,对其进行故障诊断对于机械设备具有重大的意义。传统的故障诊断方法提取特征繁琐,无法满足现代设备故障监测实时性、高效性等要求。基于此,本文以滚动轴承为研究对象,利用双向长短时记忆网络(... 详细信息

滚动轴承作为现代机械设备的基础关键零部件,对其进行故障诊断对于机械设备具有重大的意义。传统的故障诊断方法提取特征繁琐,无法满足现代设备故障监测实时性、高效性等要求。基于此,本文以滚动轴承为研究对象,利用双向长短时记忆网络(BiLSTM)在处理一维时序信号上的优势,进行基于双向长短时记忆网络的轴承故障诊断研究。主要工作如下:(1)针对传统的故障诊断中特征提取难的问题,本文建立了基于BiLSTM的轴承故障诊断模型,实现了端到端的轴承故障诊断,弥补了传统方法依赖人工提取特征的不足。在美国凯斯西储大学轴承数据集上验证了该模型的有效性,并与预先提取小波包能量特征然后运用支持向量机分类的传统故障诊断方法进行对比,证明该模型的准确率更高。(2)针对基于BiLSTM的轴承故障诊断模型训练速度慢的问题,本文构建了基于CNN-BiLSTM的轴承故障诊断模型。在卷积层进行特征快速提取的基础上,利用BiLSTM网络层进一步分析相关特征。实验证明,在相同的数据集上,CNNBiLSTM模型不仅大大提高了BiLSTM模型的训练速度,还使得模型的准确率进一步提升。(3)针对轴承真实工作场景中含有噪声的问题,为提高轴承故障诊断模型的抗噪性,本文在CNN-BiLSTM模型的基础上引入注意力机制,并在卷积网络层中选择了对噪声适应性更好的ELU激活函数,提出了含有注意力机制的CNNBiLSTM轴承故障诊断模型。分别在美国凯斯西储大学轴承数据集和德国帕德博恩大学轴承数据集上验证模型的有效性,最后通过t-SNE可视化技术对模型进行了可视化,增强了模型的可解释性。

关键词：轴承故障诊断双向长短时记忆网络卷积神经网络注意力机制

基于双向长短时记忆网络的电池荷电状态估计研究

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

基于双向长短时记忆网络的电池荷电状态估计研究

作者：朱月凡南京邮电大学

学位级别：硕士

随着电动汽车的迅速发展,锂离子电池及其对应的电池管理系统(Battery Manage System,BMS)的相关技术越发受到研究者们的关注,精确的电池荷电状态(State of Charge,SOC)估计可以让电池管理系统对电池所处状态有着清晰的了解,从而对电池... 详细信息

随着电动汽车的迅速发展,锂离子电池及其对应的电池管理系统(Battery Manage System,BMS)的相关技术越发受到研究者们的关注,精确的电池荷电状态(State of Charge,SOC)估计可以让电池管理系统对电池所处状态有着清晰的了解,从而对电池系统进行合理的管理,防止电池过充过放带来的电池寿命减少问题,以及电池过热带来的安全问题。因此,本文针对目前电池荷电状态估计精度较低问题,基于双向长短时记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)这一深度学习模型,从数据优化和模型优化角度来提升SOC估计的精度。(1)针对目前电池荷电状态估计精度较低问题,本文使用循环神经网络的变种Bi-LSTM模型来对SOC进行估计。为了使研究的结果具有现实意义,本文使用的数据集是在各种不同的工况,不同的温度下进行充放电实验得到的。首先搭建好Bi-LSTM模型,将处理好的电池数据划分为训练集、验证集和测试集后进行训练。通过与循环神经网络(Recurrent Neural Network,RNN)和长短时记忆网络(Long Short-Term Memory,LSTM)模型的对比,验证了Bi-LSTM模型拥有更好的SOC估计效果。其次本文又进一步研究了不同隐藏层神经元个数、隐藏层层数、学习率和输入数据序列长度对模型性能的影响,最后通过实验验证了该模型同样适用于其他固定环境温度以及可变环境温度下的SOC估计。(2)针对Bi-LSTM模型对原始数据挖掘不足以及原始数据量较少问题,本文提出两种数据优化的方法:特征选择和高斯数据增强。首先对原始数据进行特征工程,共制作出14个特征,其次使用排列重要性方法(Permutaion Importance,PI)选择了7个重要特征,Bi-LSTM模型使用这7个特征进行训练时,SOC的估计精度有了较大提升,这证明了PI特征选择的有效性。最后,通过给原始数据添加高斯噪声获取了更多有效的数据来平滑输入空间,进一步提升了Bi-LSTM模型的SOC估计精度,证明了高斯数据增强方法的有效性。(3)针对Bi-LSTM在电池荷电状态估计中无法发挥其能利用未来信息这一优势问题,本文提出一种基于时延二次估计(Time Delay Second Estimation,TDSE)的模型Bi-LSTM-TDSE,该模型可以利用过去时刻的SOC估计结果对当前时刻的SOC估计结果进行调整以获得更精确的SOC估计值。该方法也为时间序列估计问题提供了新的思路。综上,本文针对目前电池荷电状态估计精度较低问题,在基于Bi-LSTM模型的基础上,又结合了特征选择、高斯数据增强和时延二次估计方法,有效的提升了电池荷电状态的估计精度。这为电池管理系统实现精密化管理提供了算法基础,在未来的电动汽车领域有着广阔的应用前景。

关键词：电池荷电状态深度学习双向长短时记忆网络特征选择排列重要性高斯数据增强