检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于深度学习的消费者投诉信息提取仿真

计算机仿真 2024年第3期41卷 538-541页

作者：孙徕壹董微李梦寒张青川云粒智慧科技有限公司北京100037 北京工商大学农产品质量安全追溯技术及应用国家工程研究中心北京100048 北京工商大学电商与物流学院北京100048

投诉平台的投诉信息中包含了许多消费者对产品及服务问题的反馈,快速、完整且准确地从消费者投诉信息中识别出问题的类别,并提取相关实体,可以为商家及时提升服务、提高用户满意度提供有效辅助。以黑猫投诉平台中的投诉数据作为数据基础... 详细信息

投诉平台的投诉信息中包含了许多消费者对产品及服务问题的反馈,快速、完整且准确地从消费者投诉信息中识别出问题的类别,并提取相关实体,可以为商家及时提升服务、提高用户满意度提供有效辅助。以黑猫投诉平台中的投诉数据作为数据基础,采用pipeline的方法对实体-多标签进行抽取。构建了Bert-BiLstm模型,提取实体之间的多标签类型,同时建立了Bert-BiLstm-CRF模型对实体对进行抽取。实验结果表明,所提出的实体-多标签抽取模型具有较好的性能,与基准模型对比,F1-score评估指标提升了0.96%~3.22%。

关键词：多标签分类实体抽取双向长短时记忆网络条件随机场投诉

隧道场景下融合时空相关性及注意力机制的列车位置信息预测方法

在线全文

学校读者我要写书评

暂无评论

中文科技期刊数据库（全文版）工程技术 2024年第5期 0183-0186页

作者：夏秋冯强重庆交通大学·信息科学与工程学院重庆400074 重庆工业职业技术学院重庆401120

列车位置信息是列车控制系统的重要组成部分,也是保障列车安全运行的基础。但在隧道环境下卫星导航信号易失锁,进而导致列车定位精度降低。针对上述问题,提出了一种融合时空相关性及注意力机制的列车位置信息预测方法。该方法将双向长... 详细信息

列车位置信息是列车控制系统的重要组成部分,也是保障列车安全运行的基础。但在隧道环境下卫星导航信号易失锁,进而导致列车定位精度降低。针对上述问题,提出了一种融合时空相关性及注意力机制的列车位置信息预测方法。该方法将双向长短时记忆网络(Bidirectional Long Short-Term Memory ,BiLSTM)作为骨架网络,并在此基础上使用卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attentional Mechanis-m,AM),更好地提取有效的位置特征,提高模型的预测精度。实验结果表明,提出的定位方法在隧道环境下的位置误差在1.6m以内,速度误差在0.7m/s以内,验证了所提出的定位方法在隧道环境下的有效性。同时,与现有的列车定位预测方法相比,所提出的定位方法在隧道环境下的列车定位精度高于其他对比方法,且明显降低了位置误差和速度误差,使得预测的列车运行轨迹更加的平滑,更符合列车控制系统的需求。隧道场景下融合时空相关性及注意力机制的列车位置信息预测方法进一步提高了隧道环境下的列车定位精度,为后续研究提供参考。

关键词：列车定位卷积神经网络双向长短时记忆网络注意力机制

基于麻雀搜索算法优化的BiLSTM建筑能耗预测模型

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

节能 2024年第6期43卷 1-5页

作者：郭雪松雷蕾桂林电子科技大学建筑与交通工程学院广西桂林541004 浙江理工大学建筑工程学院浙江杭州310018

建筑能耗的准确预测对建筑能源的合理规划至关重要,为了在建筑能耗预测过程中选择重要的影响因子并提高建筑能耗预测模型的预测精度,提出基于熵加权K-means与随机森林相结合的特征选择方法和麻雀搜索算法,优化双向长短时记忆网络的预测... 详细信息

建筑能耗的准确预测对建筑能源的合理规划至关重要,为了在建筑能耗预测过程中选择重要的影响因子并提高建筑能耗预测模型的预测精度,提出基于熵加权K-means与随机森林相结合的特征选择方法和麻雀搜索算法,优化双向长短时记忆网络的预测模型(SSA-BiLSTM)进行建筑能耗预测。结果表明,能耗影响因子经过特征选择后,预测模型的计算精度显著提高,与单一的BiLSTM预测模型相比,SSA-BiLSTM预测模型在不同季节的能耗预测中均展现出良好的预测效果。

关键词：能耗预测深度学习双向长短时记忆网络特征选择麻雀搜索算法

基于MHA-BiLSTM的网络流量异常检测方法

在线全文

学校读者我要写书评

暂无评论

现代信息科技 2024年第2期8卷 65-69页

作者：叶文冰詹仕华福建农林大学机电工程学院福建福州350108 福建农林大学计算机与信息学院福建福州350028

针对传统的网络流量异常检测方法存在识别准确率低、忽略特征之间的相互关系等问题,提出一种基于多头注意力机制(MHA)和融合Highway连接的双向长短时记忆网络(BiLSTM)的网络流量异常检测方法。通过使用多头注意力机制学习数据之间的特... 详细信息

针对传统的网络流量异常检测方法存在识别准确率低、忽略特征之间的相互关系等问题,提出一种基于多头注意力机制(MHA)和融合Highway连接的双向长短时记忆网络(BiLSTM)的网络流量异常检测方法。通过使用多头注意力机制学习数据之间的特征关系,实现对不同维度特征关系的提取,接下来采用多层BiLSTM进行长距离依赖特征提取,并利用Highway连接来缓解深层网络训练中的梯度消失问题。通过NSL-KDD数据集,验证了该方法的准确度和有效性。

关键词：异常流量多头自注意力机制双向长短时记忆网络 Highway连接深度学习

改进Bi-LSTM的电力线双向工频通信信号识别算法

在线全文

学校读者我要写书评

暂无评论

光通信技术 2024年

作者：花国祥汤炼海李伟伟李鹏孙炎无锡学院自动化学院华北电力大学电气与电子工程学院南京信息工程大学

针对双向工频通信系统（TWACS）存在上行信号识别准确率不足的问题。本文提出一种基于蒲公英优化算法（DO）的联合注意力机制的双向长短时记忆（Bi-LSTM）神经网络信号识别方法。该模型首先通过卷积神经网络自适应提取TWACS信号重要特... 详细信息

针对双向工频通信系统（TWACS）存在上行信号识别准确率不足的问题。本文提出一种基于蒲公英优化算法（DO）的联合注意力机制的双向长短时记忆（Bi-LSTM）神经网络信号识别方法。该模型首先通过卷积神经网络自适应提取TWACS信号重要特征，通过DO对Bi-LSTM进行超参数寻优，根据优化的超参数构建网络，并引入注意力机制赋予输入影响权重，改进网络模型以获得更好信号识别效果。使用提出的算法对低压配电台区的传输信号分析。实验结果表明，本文所提方法识别率达到92.32%，能高效、准确识别TWACS调制信号。

关键词：双向工频通信系统蒲公英优化算法双向长短时记忆网络深度学习信号检测

基于Bi-LSTM和时序注意力的异常心音检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

南京邮电大学学报(自然科学版) 2024年

作者：卢官明蔡亚宁卢峻禾戚继荣王洋赵宇航南京邮电大学通信与信息工程学院南京邮电大学计算机学院南京医科大学附属儿童医院心胸外科

异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能，提出了一种基于双向长短时记忆网络（Bi-Directional Long Short-Term Memory，Bi-LSTM）和时序注意力的异常心音检测算法。首先对心音片段进行... 详细信息

异常心音检测是对心脏病进行初步诊断的一种有效而方便的方法。为提升异常心音的检测性能，提出了一种基于双向长短时记忆网络（Bi-Directional Long Short-Term Memory，Bi-LSTM）和时序注意力的异常心音检测算法。首先对心音片段进行分帧处理，使用平均幅度差函数（Average Magnitude Difference Function，AMDF）和短时过零率（Short-Time Zero-Crossing Rate，STZCR）提取每帧心音信号的初始特征；然后将它们拼接后作为Bi-LSTM的输入，并引入时序注意力机制，挖掘特征的长期依赖关系，提取心音信号的上下文时域特征；最后通过Softmax分类器，实现正常/异常心音的分类。在PhysioNet/CinC Challenge 2016提供的心音公共数据集上对所提出的算法使用10折交叉验证法进行了评估，其准确度、灵敏度、特异性、精度和F1评分分别为0.9579、0.9364、0.9642、0.8838和0.9093，优于已有的其他算法。实验结果表明，该算法在无需进行心音分段的基础上就能有效实现异常心音检测，在心血管疾病的临床辅助诊断中具有潜在的应用前景。

关键词：心音分类平均幅度差函数短时过零率双向长短时记忆网络时序注意力机制

基于注意力机制的CNN-BiLSTM复杂设备剩余寿命预测

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 2024年第S1期 58-63页

作者：刘益豪石宇强西南科技大学制造科学与工程学院

在制造企业智能化进程中，预测性维护对于确保复杂设备的安全运行和可靠性至关重要，它能够有效地预防由设备故障引起的损失。作为预测性维护的核心环节，剩余使用寿命（RUL）预测需处理和利用大量工业数据以满足维护需求。文中提出了... 详细信息

在制造企业智能化进程中，预测性维护对于确保复杂设备的安全运行和可靠性至关重要，它能够有效地预防由设备故障引起的损失。作为预测性维护的核心环节，剩余使用寿命（RUL）预测需处理和利用大量工业数据以满足维护需求。文中提出了一种基于注意力机制的混合深度学习剩余寿命预测方法，该方法通过卷积神经网络（CNN）提取数据的多维特征，同时采用双向长短时记忆网络（BiLSTM）有效捕获其时间序列特征。此外，该方法利用注意力机制，专注于关键信息，解决了BiLSTM中的信息丢失问题。试验结果表明：该模型在处理大量数据时能够准确且稳定预测设备的RUL，显示出高精度和优良的泛化能力。

关键词：预测性维护剩余寿命预测卷积神经网络注意力机制双向长短时记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于长短时记忆网络的舞蹈视频生成

基于长短时记忆网络的舞蹈视频生成

作者：张书妍中国地质大学(北京)

学位级别：硕士

随着人们开始追求更高水平的精神和文化生活,舞蹈逐渐成为丰富人们生活的一种方式。舞蹈所带来的美感和视觉上的表现力吸引着人们用舞蹈来保持身体健康和展现自我。然而,舞蹈作为一种艺术表现形式,其美感的展现在很大程度上取决于舞蹈... 详细信息

随着人们开始追求更高水平的精神和文化生活,舞蹈逐渐成为丰富人们生活的一种方式。舞蹈所带来的美感和视觉上的表现力吸引着人们用舞蹈来保持身体健康和展现自我。然而,舞蹈作为一种艺术表现形式,其美感的展现在很大程度上取决于舞蹈的编排。编舞一般需要专业的舞蹈编导进行设计。从听音乐到编出一段具有观赏性的舞蹈,往往需要耗费大量的精力。而将人工智能算法应用于编舞领域可以自动生成一段流畅的舞蹈,有助于舞蹈编导更快、更高效地编舞。深度学习的迅速发展为舞蹈生成任务提供了技术支持。如何编出一段与音乐相匹配的舞蹈并展现出舞蹈视觉效果是当前研究的关键。目前舞蹈生成任务仍存在舞蹈动作不连续和视频画面不完整的问题。针对上述问题,本文提出了一个使用双向长短时记忆网络作为主体结构的编舞模块来处理动作重复及卡顿问题,可以产生出一段动作连续、完成度高的舞蹈。同时本文将编曲和编舞相结合,最终生成一个具备音乐创新和舞蹈创新的视频。本文的主要工作包含以下三个方面:1)构建了一个K-POP舞蹈动作数据集,K-POP舞蹈是一种流行舞蹈,其数据来源于网络。由于每个视频数据中的舞者形象相差较大,并且为了避免原视频背景对训练数据过程的干扰,本文采用openpose模型把视频中的舞者骨架提取出来,采用统一的、具有18个关键点的人体骨架形象作为训练数据。数据集中视频总时长为一小时三十四分钟,共112816帧。2)提出了将编曲和编舞任务相结合的方法。本系统由编曲和编舞模块两部分组成。首先,编曲模块主要用来训练音乐数据,利用原音乐元素生成新的音乐。构建编曲模块使用的是单向的长短时记忆网络,可预测出一段新的音频,并且在预测过程中对音频的音高和频率进行了特殊处理,以此生成更加悦耳的音乐。其次,编舞模块主要用来产生一段动作流畅的舞蹈视频,该模块选取双向长短时记忆网络作为生成模型的主要结构,提取输入舞蹈序列的特征并将其重新整合,能够预测出一段新的舞蹈序列。本文选择在音乐的BPM和舞蹈视频的FPS间建立对应关系,使得舞蹈动作的变化更加符合音乐节拍。3)为使视频画面更加完整和丰富,本文还为视频添加了舞蹈场景。使用paddlehub库中的抠图工具对生成视频中的人物进行扣取操作,然后为每一帧更换背景图,完成了所有帧的背景更换即可得到一个添加了场景的舞蹈视频,其效果比原视频单调的背景显得具有观赏性。

关键词：深度学习计算机编舞双向长短时记忆网络人体运动预测

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

基于长短时记忆网络的电离层总电子含量预报

基于长短时记忆网络的电离层总电子含量预报

作者：孙文青深圳大学

学位级别：硕士

电离层是地球高层大气受太阳辐射和宇宙射线影响产生的电离区域.电离层的范围约为距地球表面60千米到1000千米,且含有大量的电子和离子,可以影响无线电的传播.电离层总电子含量(Total Electron Content,TEC)是单位面积电离层高度上电子... 详细信息

电离层是地球高层大气受太阳辐射和宇宙射线影响产生的电离区域.电离层的范围约为距地球表面60千米到1000千米,且含有大量的电子和离子,可以影响无线电的传播.电离层总电子含量(Total Electron Content,TEC)是单位面积电离层高度上电子密度的总和,与无线电波时间延迟与相位延迟密切相关,因此电离层TEC的研究和预报工作具有非常重要的意义.在本篇论文中,我们将电离层TEC,太阳活动指数F10.7和地磁活动ap指数作为预报因子,利用长短时记忆网络(Long Short-term Memory Network,LSTM)预报未来24小时的TEC的值.主要内容和结果如下:(1)提出预报电离层TEC的LSTM网络模型,并将实验结果与传统的BP神经网络(MLP)进行对比.实验证明LSTM网络要比传统的BP神经网络训练速度快并且训练更加稳定.此外,LSTM网络预报结果的均方根误差为3.47,预报准确度远远高于BP神经网络的5.02.最后,我们将预报的TEC的值与真实值分别拟合曲线,在电离层平静时期,扰动时期以及平静时期时的突然扰动三种情况下,直观比较两个网络的预报效果.实验证明,LSTM网络在平静时期拟合的曲线更加切合真实曲线.当电离层发生剧烈扰动时,LSTM的预报结果完全符合TEC的周期变化趋势,而传统BP网络在这种复杂情况下会预测出与真实趋势相反的结果,这说明LSTM网络可以学习数据之间的长期依赖关系.但是,当电离层在平静时期突然发生扰动时,即使LSTM网络也无法给出相对准确的预报。因此我们进一步应用双向长短时记忆网络(Bidirectional Long Short-term Memory Network,双向LSTM)来改善这一问题.(2)提出预报电离层TEC的双向LSTM,改善了LSTM在平静期发生突然扰动的情况下预报误差会变大的问题.在实验分析部分,我们将双向LSTM网络预报的平方根误差分别与双层LSTM网络,单层LSTM网络以及BP网络进行对比,其中,双向LSTM的均方根误差最小,为3.34.重点分析了双向LSTM在平静期发生突然扰动时的预报结果.实验说明,双向LSTM可以充分挖掘过去和未来时间的数据信息,在LSTM网络的基础上提高了预报性能.

关键词：电离层 TEC 预报长短时记忆网络双向长短时记忆网络