检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

句子级时序卷积网络的多模态抑郁症识别方法

中北大学学报（自然科学版） 2024年第3期45卷 274-285页

作者：王烽飞卓广平周金保刘国强张光华太原师范学院计算机科学与技术学院山西晋中030619 太原学院智能与自动化系山西太原030032

针对多模态抑郁症模型在特征提取时,语句间关联性较弱,不同模态间的特征融合较为随意,在中文数据集上模型的泛化能力缺乏验证等问题,本文通过分析与抑郁症相关的音频、文本和视觉特征,提出了基于改进TCN模型的多模态抑郁症识别模型STCMN... 详细信息

针对多模态抑郁症模型在特征提取时,语句间关联性较弱,不同模态间的特征融合较为随意,在中文数据集上模型的泛化能力缺乏验证等问题,本文通过分析与抑郁症相关的音频、文本和视觉特征,提出了基于改进TCN模型的多模态抑郁症识别模型STCMN(Sentence-level Temporal Convolutional Memory Net-work),并将该模型应用于临床抑郁症辅助诊断当中。该模型首先使用残差块、GRU和Self-Attention的融合模块来提取不同模态下的句子级特征,增强了上下文联系,然后使用TCN模型来提取不同模态的全局特征,并使用Cross Attention对不同模态的全局特征以多模态融合特征为主进行融合,最后通过LogSoftmax层得到模型对抑郁症的识别结果。在DAIC-WOZ公开数据集上,本文所提出的方法对抑郁症识别的准确率达到了91.3%,精确率达到了93.6%,召回率达到了89.7%,其相关指标均优于其他方法,可以更好地满足临床医学的需求。在私有中文数据集MMD2022上,STCMN模型的识别结果仍为最优,表明该模型在中文抑郁症识别任务上具较好的泛化能力。

关键词：抑郁症时序卷积网络门控循环单元自注意力机制交叉注意力机制

基于时序卷积网络的早期帕金森多模态检测系统

在线全文

学校读者我要写书评

暂无评论

计算机测量与控制 2024年第6期32卷 71-77页

作者：周希武杨明昭胡殿雷淮安市第二人民医院信息科江苏淮安223001 徐州医科大学医学信息与工程学院江苏徐州221000 徐州医科大学基础医学院江苏徐州221000

帕金森病是最常见的神经退行性疾病之一,其临床特征与其他神经退行性疾病有重叠,且缺乏明确的病理机制,导致早期诊断检测困难、误诊率高等问题;为了研究有效的早期帕金森病检测方法,深入探索帕金森病发展的时间特征规律,并提高早期帕金... 详细信息

帕金森病是最常见的神经退行性疾病之一,其临床特征与其他神经退行性疾病有重叠,且缺乏明确的病理机制,导致早期诊断检测困难、误诊率高等问题;为了研究有效的早期帕金森病检测方法,深入探索帕金森病发展的时间特征规律,并提高早期帕金森病预测、分析和诊断决策的准确性,设计了一种基于时序卷积网络的早期帕金森病多模态检测系统,为及时发现早期帕金森病提供辅助诊断依据;该系统利用语音、步态和受试者自测数据,采用多元线性池化方法进行多模态融合,结合时间卷积网络和参数共享方式,以提高系统的检测精度并降低过拟合风险;实验测试结果显示,基于时序卷积网络的早期帕金森病检测系统的准确率达到96.22%,在多项评估指标上优于传统的帕金森检测模型,展现出良好的早期帕金森联合检测效果。

关键词：帕金森时序卷积网络线性池化多模态过拟合

维普期刊数据库博看期刊

基于时频自注意力残差时序卷积网络的语音增强

在线全文

学校读者我要写书评

暂无评论

计算机与现代化 2024年第9期 20-24页

作者：候聪颖杨文清王召程聪国电南瑞科技股份有限公司江苏南京211000

语音增强的主要目的是去除语音信号中的噪声等无关信号,是许多语音处理任务的前端处理部分,在视频会议、视频直播等领域都有着重要的作用。然而目前大多数语音增强的研究主要集中在语音帧的长期上下文依赖关系建模上,没有考虑语音在时... 详细信息

语音增强的主要目的是去除语音信号中的噪声等无关信号,是许多语音处理任务的前端处理部分,在视频会议、视频直播等领域都有着重要的作用。然而目前大多数语音增强的研究主要集中在语音帧的长期上下文依赖关系建模上,没有考虑语音在时频域上的能量分布特征。本文提出一种基于时频域的自注意力模块,使得在模型建模过程中可以显式引入对语音分布特性的先验思考,并与残差时序卷积网络相结合,构成基于时频域自注意力的残差时序卷积网络模型。为了验证该模型的有效性,本文使用语音增强领域中常用的2个训练目标IRM和PSM进行实验,实验结果表明,该模型显著提高了语音增强领域中4种常用的客观评价指标,明显优于其他基准模型。

关键词：语音增强时频域自注意力机制时序卷积网络

基于残差时序卷积网络的水声通信信号模式识别

在线全文

学校读者我要写书评

暂无评论

无线电工程 2024年第2期54卷 473-482页

作者：陈双双顾师嘉李娜娜吴玉泉中国海洋大学电子工程学院山东青岛266100 中国科学院软件研究所北京100190

水下通信信号模式识别是非合作水下通信信号识别中的关键一步,然而,水声信道的复杂多变给水下通信信号模式识别带来了很大挑战。针对传统算法模型复杂度高、提取特征多的问题,提出了一种残差网络和时序卷积网络相结合的残差时序卷积网络... 详细信息

水下通信信号模式识别是非合作水下通信信号识别中的关键一步,然而,水声信道的复杂多变给水下通信信号模式识别带来了很大挑战。针对传统算法模型复杂度高、提取特征多的问题,提出了一种残差网络和时序卷积网络相结合的残差时序卷积网络(Residual Temporal Convolutional Network,ResTCN)通信信号模式识别模型。该模型结构简单、网络收敛速度较快且具有较好的鲁棒性。通过实验仿真和海上试验对模型进行验证,在信噪比(Signal to Noise Ratio,SNR)大于-10 dB时,该方法在测试数据集上分类正确率为95%,在海试数据上正确率可达到93.5%。

关键词：水声通信调制模式识别时序卷积网络残差网络短时傅里叶变换

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于时序卷积网络的信道编码闭集识别

华中科技大学学报（自然科学版） 2022年第3期50卷 12-17页

作者：陶志勇闫明豪刘影辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

针对传统识别算法对信号的先验知识要求较高、人工特征提取复杂、低信噪比环境下识别率较低等问题,提出了一种基于时序卷积网络(TCN)的卷积码参数识别方法.引入了深度学习算法处理盲识别问题,依据卷积码的马尔可夫性,将码字作为时间序... 详细信息

针对传统识别算法对信号的先验知识要求较高、人工特征提取复杂、低信噪比环境下识别率较低等问题,提出了一种基于时序卷积网络(TCN)的卷积码参数识别方法.引入了深度学习算法处理盲识别问题,依据卷积码的马尔可夫性,将码字作为时间序列处理,把已知类型的编码序列作为时序卷积网络模型的输入进行监督学习,根据训练好的模型对接收端接收到的未知编码信号进行闭集识别分类.实验结果表明:当信噪比大于5 dB时,单一参数类型与混合参数类型平均识别准确率分别大于99.60%和99.50%,且在相关算法对比中有较好的识别表现.

关键词：信道编码识别卷积码闭集识别深度学习时序卷积网络

考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

在线全文

学校读者我要写书评

暂无评论

电网技术 2023年第4期47卷 1653-1662页

作者：陈海鹏李赫阚天洋赵畅张忠于海薇现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学) 吉林省吉林市132012 国网冀北电力有限公司承德供电公司河北省承德市067000 国能吉林江南热电有限公司吉林省吉林市132002 鲁能新能源集团有限公司甘肃分公司甘肃省兰州市730000

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wave... 详细信息

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork,TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入。其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数。最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测日的风电功率序列。以西北部某风电场实测数据为例进行仿真分析,结果表明所提方法能够充分提取风电功率序列的时序特征,优化模型内部参数,有效提高了超短期风电功率预测精度。

关键词：离散小波变换时序卷积网络深度强化学习超短期预测注意力机制

软阈值时序卷积网络在冷水机组传感器故障诊断中的应用

在线全文

学校读者我要写书评

暂无评论

西安交通大学学报 2023年第2期57卷 67-77页

作者：洪琳李冬辉高龙赵墨刊天津大学电气自动化与信息工程学院天津300072

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相... 详细信息

为了提高冷水机组传感器的故障诊断性能,提出了一种基于软阈值时序卷积网络的编码-解码器重构模型(ST-TCN),并建立基于该模型的传感器故障诊断方法。采用时序卷积网络(TCN)充分挖掘冷水机组传感器的时间相关性、热力学物理量间的数据相关性以及动态响应差异性特征。在TCN的残差块中引入软阈值自适应模块剔除冗余信息,降低噪声干扰。依托ST-TCN模型“端到端”的网络结构优势,将绝对重构残差向量与故障阈值向量进行比较,直接定位故障传感器。在实际压缩式冷水机组平台上采集传感器数据进行实验,结果表明,软阈值自适应模块能有效地增强网络模型的重构能力,从而提高故障传感器的诊断性能。以压缩机吸气温度传感器T1为例,ST-TCN的平均偏差故障识别率比改进前提升了45.9%;与其他故障诊断方法相比,所提的最新框架获得了较高的偏差故障识别率。

关键词：时序卷积网络编码-解码器软阈值化冷水机组传感器故障诊断

基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

计算机应用 2020年第12期40卷 3534-3540页

作者：朱霖宁芊雷印杰陈炳才四川大学电子信息学院成都610065 大连理工大学计算机科学与技术学院辽宁大连116085

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命(RUL)进行判断,是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特... 详细信息

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命(RUL)进行判断,是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点,提出了一种遗传算法优选时序卷积网络(TCN)基模型的集成方法(GASENTCN)的涡扇发动机剩余寿命预测模型。首先,利用TCN捕获长跨度下的数据内在关系,从而对RUL作出预测;然后,应用GASEN集成多个独立的TCN,以增强模型的泛化性能;最后,在通用的商用模块化航空推进系统模拟模型(CMAPSS)数据集上,对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明,在多种不同的运行模式和故障条件下,与流行的双向长短期记忆(Bi-LSTM)网络相比,所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例,在该数据集上所提模型的均方根误差(RMSE)相较Bi-LSTM低17.08%,相对准确率(Accuracy)相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。

关键词：数据驱动模型剩余寿命预测时序卷积网络集成方法涡扇发动机

云工作流中基于多任务时序卷积网络的异常检测方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2021年第6期41卷 1701-1708页

作者：姚杰程春玲韩静刘峥南京邮电大学计算机学院南京210023 中兴通讯股份有限公司上海研发中心上海201203

云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型,而忽略了两种异常检测任务之... 详细信息

云计算数据中心在日常部署和运行过程中产生的大量日志可以帮助系统运维人员进行异常分析。路径异常和时延异常是云工作流中常见的异常。针对传统的异常检测方法分别对两种异常检测任务训练相应的学习模型,而忽略了两种异常检测任务之间的关联性,导致异常检测准确率下降的问题,提出了一种基于多任务时序卷积网络的日志异常检测方法。首先,基于日志流的事件模板,生成事件序列和时间序列;然后,训练基于多任务时序卷积网络的深度学习模型,该模型通过共享时序卷积网络中的浅层部分来从系统正常执行的流程中并行地学习事件和时间特征;最后,对云计算工作流中的异常进行分析,并设计了相关异常检测逻辑。在Open Stack数据集上的实验结果表明,与日志异常检测的领先算法Deep Log和基于主成分分析(PCA)的方法比较,所提方法的异常检测准确率至少提升了7.7个百分点。

关键词：异常检测日志分析时序卷积网络多任务学习云工作流