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

基于地磁轨迹信号的新型室内定位

信号处理 2021年第6期37卷 952-957页

作者：孙垚棋巩鹏博徐浙峰李文钧颜成钢郑博仑张继勇杭州电子科技大学自动化学院浙江杭州310018 杭州电子科技大学电子信息学院浙江杭州310018

无处不在的地磁场由于室内环境中建筑结构的差异而具有独特的特征。此外,地磁信号的分辨难度会导致定位结果的不准确。本文提出了一种使用深度神经网络来提高定位精度的地磁室内定位系统。为了解决地磁场的低分辨率问题,本文将连续的地... 详细信息

无处不在的地磁场由于室内环境中建筑结构的差异而具有独特的特征。此外,地磁信号的分辨难度会导致定位结果的不准确。本文提出了一种使用深度神经网络来提高定位精度的地磁室内定位系统。为了解决地磁场的低分辨率问题,本文将连续的地磁信号矢量化为轨迹序列,并以此为基础设计了一种新的地图构建方法来搭建用于室内定位的地磁数据库。然后,通过引入时间卷积网络(TCN)来提取磁轨迹序列的深层特征。实验结果表明,这种方法优于KNN和基于LSTM的DRNN等其他机器学习算法。

关键词：地磁场室内定位时间卷积神经网络

胎儿心电信号的无创提取:基于时间卷积编解码网络

在线全文

学校读者我要写书评

暂无评论

南方医科大学学报 2022年第11期42卷 1672-1680页

作者：曹石巩高肖慧方威扬阙与清陈超敏南方医科大学生物医学工程学院广东广州510515 南昌大学第一附属医院江西南昌330006

目的实现从孕妇腹壁混合心电信号中提取微弱的胎儿心电信号,为准确估计胎儿心率、分析胎儿心电波形等提供基础。方法利用深度卷积网络(deep CNN)优越的非线性映射能力,本文提出了一种基于时间卷积编解码网络的非线性自适应噪声消除(nonl... 详细信息

目的实现从孕妇腹壁混合心电信号中提取微弱的胎儿心电信号,为准确估计胎儿心率、分析胎儿心电波形等提供基础。方法利用深度卷积网络(deep CNN)优越的非线性映射能力,本文提出了一种基于时间卷积编解码网络的非线性自适应噪声消除(nonlinear ANC)提取框架,以实现胎儿心电信号的有效提取。首先构建适用于处理胎儿心电信号的深度时间卷积网络(TCED-Net)模型作为非线性映射工具;然后以孕妇胸部心电信号为参考,利用该模型估计孕妇腹壁混合心电信号中的母体心电成分;最后从腹壁混合信号中减去所估计的母体心电成分,以得到完整的胎儿心电信号。实验利用合成心电数据(FECGSYNDB)和临床心电数据(NIFECGDB、PCDB)对方法性能进行测试与对比。结果本文方法在FECGSYNDB上的胎儿R峰检测精度([F1]值)、均方误差(MSE)和质量信噪比(qSNR)分别达到98.89%,0.20和7.84;在NIFECGDB上的[F1]值达到99.1%;在PCDB上的[F1]值达到98.61%。在不同数据集中较之EKF([F1=]93.84%)、ES-RNN([F1]=97.20%)和AECGDecompNet([F1]=95.43%)等现有性能最佳的算法,本文方法的R峰检测精度指标分别高出5.05%、1.9%和3.18%,均优于现有最佳方法。结论与现有算法相比,本文方法可以提取出更为清晰的胎儿心电信号,对孕期进行有效的胎儿健康监护具有一定的应用价值。

关键词：胎儿监护自适应滤波时间卷积神经网络无创胎儿心电图胎心率信号

同方期刊数据库

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

基于时序建模的卫星故障检测方法

中国空间科学技术 2023年第2期43卷 93-102页

作者：杨凯飞韩笑冬吕原草徐楠宫江雷李翔中国空间技术研究院通信与导航卫星总体部北京100094 西安电子科技大学西安710126

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫... 详细信息

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。

关键词：故障检测时间卷积神经网络自编码器长短期记忆神经网络时序建模半监督学习

维普期刊数据库博看期刊

基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测

在线全文

学校读者我要写书评

暂无评论

汽车技术 2024年第1期1卷 20-26页

作者：段慧云夏威邵杰汪洋青李彬九江职业技术学院九江332007 武汉理工大学武汉430070 上汽通用五菱汽车股份有限公司柳州545005

针对因选取的健康因子不理想导致锂电池剩余使用寿命(RUL)预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健... 详细信息

针对因选取的健康因子不理想导致锂电池剩余使用寿命(RUL)预测精度不高的问题,提出了一种基于充电健康因子优化和数据驱动的电池RUL预测方法,首先提取电池充电过程中的各种健康因子,再使用两步最大信息系数法优化特征子集得到优化的健康因子,最后使用带有注意力机制的时间卷积神经网络(ATCN)预测电池的剩余使用寿命,通过对美国国家航空航天局(NASA)锂电池老化数据的研究,验证了所提出的锂电池RUL预测框架,并与简单循环神经网络(SimpleRNN)、长短期记忆(LSTM)神经网络和门控循环单元(GRU)神经网络等建模方法进行比较,结果表明,所提出的方法在各数据集上均取得了最优的预测结果。

关键词：锂离子电池剩余使用寿命两步最大信息系数时间卷积神经网络注意力机制

维普期刊数据库博看期刊

同方期刊数据库

基于辐射改进Penman-Monteith模型估算粮食主产区参考作物蒸散量

在线全文

学校读者我要写书评

暂无评论

节水灌溉 2024年第3期 24-33页

作者：马钊李鹏程刘洪伟孟静山东省水利勘测设计院有限公司济南250013 河北师范大学地理科学学院石家庄050010 河北水利电力学院河北沧州061001 枣庄市台儿庄区水利勘测设计室山东枣庄277000

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET0)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿... 详细信息

为进一步提高Penman-Monteith模型估算参考作物蒸散量(Reference crop evapotranspiration,ET0)的精度,以中国粮食主产区为研究对象,将其划分为温带湿润半湿润地区(THSZ)、温带干旱半干旱地区(TASZ)、暖温带半湿润地区(WTSZ)和亚热带湿润地区(SHZ),基于32个气象站点1994-2020年长序列实测逐日气象数据,将猎豹算法(CO)、沙猫算法(SCSO)、野狗算法(DOA)优化的时间卷积神经网络模型(TCN)和3种基于日照时数、3种基于温度的经验模型估算的辐射(R_(s))值与PM模型进行融合,得到改进PM模型。以均方根误差(RMSE)、决定系数(R^(2))、平均绝对误差(MAE)和效率系数(E_(NS))为精度评价体系,找出了粮食主产区不同分区的ET0最优估算模型,结果表明:基于日照时数模型的计算精度要优于温度模型,其中CO-TCN模型在全区内均表现出了较高的精度,在不同分区的RMSE、MAE、R^(2)和E_(NS)中位数取值分别为0.099~0.171 mm/d、0.057~0.111mm/d、0.984~0.998、0.983~0.997,由此可将CO-TCN模型估算的辐射值与PM模型融合,作为标准值用于估算粮食主产区ET0。

关键词：粮食主产区参考作物蒸散量辐射 Penman-Monteith模型时间卷积神经网络

基于Autoencoder-TCN的航空发动机排气温度预测

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

空军工程大学学报（自然科学版） 2020年第5期21卷 55-61页

作者：孔晨亦李学仁杜军空军工程大学航空工程学院西安710038

针对目前航空发动机排气温度预测模型精度不高、传统RNN类神经网络对飞行数据时间维度信息挖掘不充分的问题,提出了一种结合自编码器Autoencoder和时间卷积神经网络TCN的航空发动机排气温度预测模型。首先通过Autoencoder方法从飞行数... 详细信息

针对目前航空发动机排气温度预测模型精度不高、传统RNN类神经网络对飞行数据时间维度信息挖掘不充分的问题,提出了一种结合自编码器Autoencoder和时间卷积神经网络TCN的航空发动机排气温度预测模型。首先通过Autoencoder方法从飞行数据中提取与排气温度相关的特征,以降维后的特征作为输入,建立TCN网络深度学习模型,以航空发动机排气温度作为输出,充分挖掘飞行数据的时间维度信息,从而提高模型精度。最后选取真实飞行数据进行实验,结果表明,与BP、LSTM神经网络模型相比,该模型的平均绝对百分比误差由13.035%和9.593%降低至3.369%,有效提高了模型预测精度。

关键词：航空发动机排气温度自编码器时间卷积神经网络

基于金豺优化变分模态分解与时间卷积网络的过热汽温特性建模

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2024年

作者：金秀章赵术善畅晗赵大勇仲轩正华北电力大学控制与计算机工程学院

针对火电机组装机容量增大且调峰频繁导致过热汽温的大惯性、大时延和高度非线性等特征愈加明显，火电机组传统PID控制效果下降的问题，提出一种基于金豺算法(Golden Jackal Optimization，GJO)优化变分模态分解(Variational Mode Decom... 详细信息

针对火电机组装机容量增大且调峰频繁导致过热汽温的大惯性、大时延和高度非线性等特征愈加明显，火电机组传统PID控制效果下降的问题，提出一种基于金豺算法(Golden Jackal Optimization，GJO)优化变分模态分解(Variational Mode Decomposition，VMD)算法与金豺算法优化时间卷积神经网络(Temporal Convolutional Network，TCN)的过热汽温系统特性模型。首先使用互信息算法(Mutual Information，MI)将机理分析得到的13个过热汽温特征变量进行排序并去除冗余变量；对筛选后的7个特征变量使用GJO-VMD算法进行分解，选择相关性较大的IMF分量进行重构作为最终模型输入；最后，使用GJO-TCN建立过热汽温特性模型，并使用某660MW燃煤电厂历史运行数据进行仿真实验。实验结果表明，基于GJO-VMD与GJO-TCN的过热汽温特性模型相较于TCN、LSTM、GJO-LSTM，具有更高的预测精度。

关键词：过热汽温金豺算法变分模态分解时间卷积神经网络

基于ECA-TCN的电力系统短期负荷预测研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

电力系统及其自动化学报 2022年第11期34卷 52-57页

作者：梁露刘远龙刘韶华张智晟青岛大学电气工程学院青岛266071 山东大学电气工程学院济南250013 水发集团有限公司济南250013

为充分挖掘蕴含在电力负荷数据中有效时序信息,科学、准确地进行短期电力负荷预测,提出了一种基于高效通道注意力ECA(efficient channel attention)模块优化的时间卷积神经网络TCN(temporal convolutional network)模型。将轻量级ECA模... 详细信息

为充分挖掘蕴含在电力负荷数据中有效时序信息,科学、准确地进行短期电力负荷预测,提出了一种基于高效通道注意力ECA(efficient channel attention)模块优化的时间卷积神经网络TCN(temporal convolutional network)模型。将轻量级ECA模块与具有强大时序数据挖掘能力的TCN相结合,搭建ECA-TCN负荷预测框架。以可并行计算的TCN为基础学习负荷数据特征,改进基本TCN残差块的下采样位置,嵌入ECA模块,通过一维卷积生成通道权重进而实现不降维的局部跨通道交互,捕获重要信息。该模型能够在增加极少参数的同时提升模型性能,高效地完成负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-TCN模型可以在保持较快训练速度的同时有效地提高预测精度。

关键词：短期负荷预测时间卷积神经网络高效通道注意力

同方期刊数据库

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2023年第10期51卷 172-179页

作者：梁露张智晟青岛大学电气工程学院山东青岛266071

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement,ECA-MS-DHTCN)模型。首... 详细信息

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement,ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network,ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network,TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。

关键词：短期负荷预测多尺度特征提取高效通道注意力混合扩张卷积时间卷积神经网络

维普期刊数据库博看期刊