检索结果-南通市图书馆

基于跨层连接的多通道DBiSAC网络欺凌检测模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国计量大学学报 2023年第1期34卷 92-100页

作者：厉贤斌崔晨翁理想周杭霞中国计量大学信息工程学院浙江杭州310018 浙江警察学院大数据与网络安全研究院浙江杭州310053 中国计量大学现代教育技术中心浙江杭州310018

目的:网络欺凌文本存在特征稀疏、用词不规范、语义模糊等问题,导致简单的神经网络无法充分提取其语义特征和句法特征。因此,提出了一种基于跨层连接的多通道DBiSAC网络欺凌检测模型。方法:先利用Glove预训练模型实现文本的词向量化表... 详细信息

目的:网络欺凌文本存在特征稀疏、用词不规范、语义模糊等问题,导致简单的神经网络无法充分提取其语义特征和句法特征。因此,提出了一种基于跨层连接的多通道DBiSAC网络欺凌检测模型。方法:先利用Glove预训练模型实现文本的词向量化表示。其次构建并行的多尺度深度可分离卷积(MSDSC)和采用了跨层连接策略的双向简单循环(CBiSRU)的多通道特征提取网络,分别提取文本的局部特征和提取文本的上下文中语义信息的全局特征。再将局部特征和全局特征拼接之后利用多头注意力机制(MHA)对其重要特征信息进行捕捉。然后利用胶囊网络(Capsnet)对文本序列中空间层次的语义特征进行提取。最后将提取的文本特征信息通过含有Softmax函数的全连接层分类器输出分类结果。结果:实验表明,提出的模型在两个网络欺凌的数据集上均取得了最优的结果。结论:本文模型在能够有效提高模型准确率。。

关键词：网络欺凌跨层连接深度可分类卷积简单循环单元注意力机制胶囊网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

融合场景上下文的轻量级目标检测网络

激光与光电子学进展 2021年第20期58卷 119-127页

作者：刘婷婷苗华李琳向阳李琦孟奇长春理工大学光电工程学院吉林长春130022

提出了一种融合场景上下文的轻量级目标检测网络,有效地解决了现有检测算法在无人机领域应用效果较差的问题。在该网络的设计中,首先用MobileNetV3替换YOLOv3的主干网络,并通过1×1卷积层提取场景信息。同时,构建场景上下文模块以筛选... 详细信息

提出了一种融合场景上下文的轻量级目标检测网络,有效地解决了现有检测算法在无人机领域应用效果较差的问题。在该网络的设计中,首先用MobileNetV3替换YOLOv3的主干网络,并通过1×1卷积层提取场景信息。同时,构建场景上下文模块以筛选物体的细粒度特征。再采用完全交并比(CIOU)损失对损失函数中的边界框位置误差项进行优化。最后,在新建无人机航拍数据集上对所提算法进行训练与测试。实验结果表明,相较于YOLOv3算法,所提算法的平均检测精度提高了8.4个百分点,检测速度提高了5.8frame/s。

关键词：图像处理目标检测场景上下文 YOLOv3 简单循环单元

融合ChineseBERT的电力安全隐患分类研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

电子设计工程 2023年第11期31卷 16-20页

作者：孙耀平赵洁李润伟马强周琰北京京能清洁能源电力股份有限公司内蒙古分公司内蒙古呼和浩特010070 国家气象信息中心北京100081

针对循环模块特征提取能力不强、训练效率低等问题,提出了融合ChineseBERT的电力安全隐患分类模型(ChineseBERT-BiSRU++-AT)。ChineseBERT模型通过结合当前词的上下文动态训练文本向量表示,解决了一词多义问题;BiSRU++模块捕捉长距离序... 详细信息

针对循环模块特征提取能力不强、训练效率低等问题,提出了融合ChineseBERT的电力安全隐患分类模型(ChineseBERT-BiSRU++-AT)。ChineseBERT模型通过结合当前词的上下文动态训练文本向量表示,解决了一词多义问题;BiSRU++模块捕捉长距离序列特征和句子内部依赖信息,软注意力机制计算特征对结果的影响程度,由分类层输出结果。在真实电力公司电网安全隐患数据集的实验结果证明,与其他模型相比,ChineseBERT-BiSRU++-AT模型分类性能最高,F1值达到了97.44%,BiSRU++模块训练效率优于传统循环模块。

关键词：文本分类 ChineseBERT 简单循环单元软注意力

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于神经网络方法的锂离子电池状态估计研究

基于神经网络方法的锂离子电池状态估计研究

作者：张君鸣山东大学

学位级别：硕士

为应对全球范围内环境污染日趋严重和化石能源逐渐减少的问题,新能源产业特别是电动汽车日益受到各国政府的重视。作为电动汽车的动力来源,动力电池的研究也成为整个电动汽车行业的重中之重。锂离子电池以其在能量密度、功率密度、循环... 详细信息

为应对全球范围内环境污染日趋严重和化石能源逐渐减少的问题,新能源产业特别是电动汽车日益受到各国政府的重视。作为电动汽车的动力来源,动力电池的研究也成为整个电动汽车行业的重中之重。锂离子电池以其在能量密度、功率密度、循环寿命、自放电率等方面具有的独特优势被广泛地应用到电动汽车的供能单元。然而,快速发展的背后存在诸多关键问题悬而未决。例如锂离子电池内部状态无法直接测得,这就需要使用特定方法对其进行估计。数据驱动方法直接从电池的测试数据出发,使用理解简单,应用前景较好。基于简单循环单元的神经网络模型克服了梯度消失、梯度爆炸等问题,对中长期数据的学习能力强,且门限简洁训练速度快,适用于训练电池内部状态量。为此,本文做了如下工作:首先,以三元锂离子电池作为研究对象,分析了电池内部工作机理及外特性参数,并基于搭建的动力电池测试平台对动力电池进行充放电测试实验,得到了电池的外特性测试数据。这些数据为进行下一步锂离子内部状态估计提供了详实的数据支撑。其次,针对传统的循环神经网络模型结构复杂、训练难等问题,采用简单循环单元网络模型对电池的SOC进行估计。此方案每一步更新只根据当前时刻的输入,解耦了对前一时刻隐藏层输出的依赖,不同时刻的更新计算可以并行执行,从而大大降低计算复杂度。并且基于模型特点选取了适合用于训练和验证的数据,经归一化等处理后作为输入数据。实验结果表明,在超参数设置相同的情况下,相较于传统的神经网络算法,本方案估计得到的SOC准确度更好且训练速度更快。然后,对电池SOC估计精度会产生影响的不同因素展开了理论和实验研究。首先从工作机理方面分析了环境温度和老化两个影响因素对电池容量以及SOC的影响,并分析了不同温度以及老化程度下的电池充放电、容量特征等。最后从不同温度和老化程度的实验数据出发,利用神经网络算法对电池的SOC进行估计来研究其对估计精度的影响。最后,将简单循环单元神经网络模型应用到电池的健康状态估计上。针对电池健康状态的特点,首先分析了其本质和影响因素。基于此分析选择了适合于电池健康状态估计的数据指标,主要有充放电平均电压、恒流充电时间、单位时间电压增量和容量增量特征。最后使用基于这些数据指标建立的数据集对电池的SOH进行估计并做简要对比。

关键词：锂离子电池简单循环单元状态估计神经网络算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

榆林电网理论线损计算与降损研究

榆林电网理论线损计算与降损研究

作者：郑孟羊西安理工大学

学位级别：硕士

随着用电量的增加和国家落实碳达峰和碳中和要求不断提高,降低电网损耗成为电网公司工作的重中之重。常用方法是采用理论线损计算方法来指导实际的降损。随着用电量的增加和网络结构的复杂性提高,理论线损计算的传统方法已无法满足实际... 详细信息

随着用电量的增加和国家落实碳达峰和碳中和要求不断提高,降低电网损耗成为电网公司工作的重中之重。常用方法是采用理论线损计算方法来指导实际的降损。随着用电量的增加和网络结构的复杂性提高,理论线损计算的传统方法已无法满足实际需求。本文针对榆林电网的实际需求,分别建立了动态堆栈噪声自动编码器结合SVR的动态理论线损计算模型及快速简单循环单元网络的理论线损计算模型,然后从技术和管理两个方面分别制定降损的方法。论文首先利用配电网等值模型得到电网相关参数以及损耗数据,通过在堆栈噪声自动编码器顶层添加SVR层建立了理论线损计算模型;在此基础上采用ARIMA动态预测相关电网参数,最后实现了理论线损的动态计算。榆林电网的城变电线路、农变线路以及低压台区线路验证了提出模型的准确性和可靠性。其次,发展了基于参数随机调整的改进Adam优化算法,构建了基于快速SRU网络的理论线损计算模型,实现了理论线损的准确计算。榆林电网的实测数据验证了提出的计算方法的准确性和可靠性。最后,通过与其它深度学习方法作比较,验证了本文两种理论线损计算方法的有效性。最后,基于理论分析和实际研究分析了榆林电网线损的原因。提出了榆林电网变压器降损、配电线路降损、配电无功补偿的技术降损措施以及管理降损措施。通过实践反馈验证了降损管理措施的可行性和优越性,有助于提高榆林电网线损管理水平。

关键词：理论线损计算堆栈噪声自动编码器简单循环单元随机调整参数降损措施

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于文本的情感分析技术的研究与应用

基于文本的情感分析技术的研究与应用

作者：方悦南京理工大学

学位级别：硕士

随着5G移动网络的到来以及便携式移动端网络设备的快速发展,人们能够从互联网中获取大量的信息,并在购物网站、社交媒体上随时随地发表自己的言论,带有用户个体情感的文本数据得到了爆发式增长。基于文本数据的情感分析任务自出现以来... 详细信息

随着5G移动网络的到来以及便携式移动端网络设备的快速发展,人们能够从互联网中获取大量的信息,并在购物网站、社交媒体上随时随地发表自己的言论,带有用户个体情感的文本数据得到了爆发式增长。基于文本数据的情感分析任务自出现以来一直备受关注,在许多实际应用中得到了广泛的研究,该任务的目的是自动检测出文本中包含的情感极性,探究用户对产品、热点事件、问题、事物等的看法和观点,帮助个体或者组织作出更好的决策。本文主要对不同粒度的文本情感分析任务进行了研究,并对提出的算法进行了广泛的实验,最后将算法应用于实际,实现了情感分析Web应用。本文主要研究成果如下:（1）本文面向文档级情感分析任务提出了基于多粒度注意力机制的MAHG模型,使用双向门控循环单元建立层级结构来捕获远距离上下文语义表达,构建了跨层连接弥补深层次模型造成的信息损失,并提出了多粒度注意力机制获取更有效的上下文特征表示,从而能够更准确地识别情感。并在此基础上,研究了基于BERT的MAHG模型,使用BERT来生成文本嵌入信息,使得模型性能得到了进一步提升。实验结果表明,MAHG模型和BERT-MAHG模型都在文档级情感数据集上实现了良好的性能。（2）针对句子级情感分析任务,本文提出了轻量级的基于双通道的CSRDS模型,在实现模型性能提高的同时尽量保证训练效率。该模型分别部署了空间编码通道和时序编码通道从时间、空间两个维度对文本进行深层次建模,获取局部短语向量表征和全局上下文向量表征进行整合,并设计了双重肯定机制聚焦于显著特征。CSRDS模型构成了更全面的情感特征来解决句子级情感分析任务在多粒度层次上的文本稀疏性问题,并降低了计算复杂度。通过在四个公开的英文句子级情感数据集上与多个基线模型进行对比实验,验证了该模型性能的有效性以及训练效率的优越性。（3）不同于前面两种面向文本整体的情感分析,方面级情感分析任务旨在挖掘包含多个方面情感的句子中用户对不同方面的情感倾向。本文提出了基于信息流选择机制的RPISC方面级情感分析模型,有别于目前大多数基于长短时记忆网络等循环神经网络变体的方面级情感分析模型,该模型采用了多通道一维卷积神经网络作为核心架构,获取多尺度局部特征,此外还充分考虑方面信息并引入相对位置信息来捕获方面词及其对应情感观点词的关联信息,设计了信息流选择机制提取特定方面的情感特征。经过实验验证,与基线模型进行性能比较,该模型在方面级情感分析任务中有明显的优势。（4）本文针对方面级情感分析任务,还提出了基于三方互通注意力机制的TAMG情感分析模型。为了打破文本在既定的自然语言词序下难以连接方面词与对应情感观点词的局限,本文将句法信息引入模型,利用依存句法树来表示句子结构。然后构建图卷积网络在依存句法树上结合句法依赖关系更好地捕获远距离语义信息,还提出了三方互通注意力机制在方面、上下文隐层表示与节点特征表示这三者之间进行互相推理学习,更好地判断出对于特定方面的情感倾向较重要的信息。并通过广泛的实验,证明了该模型在多个方面级数据集上性能的提高。

关键词：情感分析门控循环单元简单循环单元卷积神经网络注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的唤醒词识别方法研究

基于深度学习的唤醒词识别方法研究

作者：郭瑜大连理工大学

学位级别：硕士

语音唤醒技术在智能音响、智能车载、服务机器人和智能家居等场景中有广泛的应用。它可以从多个方向对目标设备进行触发,并且它避免了设备长期处于工作状态,满足了低功耗的需求,减少了隐私泄露问题。基于深度神经网络(Deep Neural Netwo... 详细信息

语音唤醒技术在智能音响、智能车载、服务机器人和智能家居等场景中有广泛的应用。它可以从多个方向对目标设备进行触发,并且它避免了设备长期处于工作状态,满足了低功耗的需求,减少了隐私泄露问题。基于深度神经网络(Deep Neural Network,DNN)的唤醒词识别方法已经取得一定的进展,并在特定场景中得到一定的应用。由于DNN本身的局限性,它没有考虑语音信号之间的相关性,使得它的误唤醒率比较高,准确率比较低,在非触发状态,设备却被唤醒,给用户带来了不好的体验;并且它的参数量比较大,这往往难以满足移动设备的要求。基于长短时记忆神经网络的唤醒词识别方法,其无法利用语谱图中时间和频域两个维度的内在联系,而且其计算量大、训练时间长,对计算能力要求较高。为了解决上述问题,本文主要研究基于深度学习的唤醒词识别方法,所做的主要工作如下:(1)研究了基于简单循环单元(Simple Recurrent Unit,SRU)的唤醒词识别方法。在该方法中,SRU模型对提取的梅尔倒谱系数特征进行训练,该模型在计算重置门和遗忘门时,采用完全丢弃的方法,去除了对上一时刻隐层状态的依赖,并且调整遗忘门和重置门的计算顺序,提高了并行化计算的能力,最后通过线性激活和Softmax函数生成唤醒词识别的概率。该唤醒词识别的方法缩短了模型训练时间,并且减少了模型的参数量,提高了模型的准确率,提高了模型的召回率。(2)研究了基于注意力机制的卷积循环网络的唤醒词识别方法。该方法将卷积神经网络(Convolutional Neural Network,CNN)和SRU网络结合组成CSRU网络,利用CNN捕捉局部信息的能力,利用SRU的时序建模能力,在小参数量下,提高了模型的准确率和综合评价指标。在此基础上,为了进一步提高模型的准确率,降低模型的误唤醒率,研究了基于注意力机制的CSRU的唤醒词识别方法,它主要由编码器和注意力机制组成,编码器使用CSRU网络,使用软注意力机制对CSRU编码器的输出特征加权,通过线性变换和Softmax函数生成唤醒词识别的概率。该方法提高了模型的准确率,降低了模型的误唤醒率。

关键词：唤醒词识别深度学习简单循环单元注意力机制语音唤醒

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

针对食品加工控制系统寿命预测的应用研究

针对食品加工控制系统寿命预测的应用研究

作者：王家能江南大学

学位级别：硕士

食品加工系统是由多个相互耦合的子系统共同组成的分布式网络结构,这种网络生产结构成为工业4.0时代的主流生产模式。食品加工系统具有生产实时性、结构分布性、节点多尺度性等传统生产系统所没有的特性,因此针对系统特性的运行维护成... 详细信息

食品加工系统是由多个相互耦合的子系统共同组成的分布式网络结构,这种网络生产结构成为工业4.0时代的主流生产模式。食品加工系统具有生产实时性、结构分布性、节点多尺度性等传统生产系统所没有的特性,因此针对系统特性的运行维护成为新兴的研究课题。随着工业技术的迅速发展,具有耦合关联的生产系统取缔了传统单一的生产单元,随之产生的数据急剧增多,在食品加工系统故障诊断领域中深度学习凸显其计算优势,尽管深度学习算法取得了比较精确的诊断精度,但在针对该系统的特性方面入手的研究相对不足。针对这些问题,本文主要对基于深度学习的故障预测进行研究,主要包含以下方面:(1)基于正则化ISU-LSTM(Insert Sparse Unit-Long and Short Term Memory,ISU-LSTM)的食品加工系统故障预测方法。针对现有故障预测领域中对于实时性的需求,设计内置稀疏单元ISU代替传统网络中的遗忘门,建立内置稀疏单元的长短时记忆网络(ISU-LSTM),该网络有效稀疏网络结构,满足故障预测的预测实时性;利用优化均方误差的方法不断迭代更新神经网络参数,为处理不断更新的传感数据,建立实时预测模型,实现网络参数及维度不断更新,有效避免神经网络模型训练陷入局部优化,从而提高预测模型鲁棒性。(2)基于残差SRU(Residual-Simple Recurrent Unit,Res-SRU)的食品加工系统故障预测方法。针对食品加工控制故障预测存在多节点数据难以泛化计算的问题,而相邻节点存在耦合工作的特性,开创性的将残差网络中同等映射函数融入到多层简单循环单元SRU中,建立并行化故障预测模型。利用多节点协作算法对相邻节点相应故障请求,根据欧式距离范围和概率3σ准则得出区域内的所有故障节点信息。将分层级残差SRU网络作为预测模型的主要架构,可以使得多节点故障数据也得到有效训练。(3)设计并开发了一种基于深度学习算法的健康管理系统PHM(Prognostic and Health Management,PHM)。基于本论文的主要研究算法,以食品加工系统设备为应用研究对象,提出参数更新优化算法(Parameter Update Optimization,PUO),搭建了食品加工系统健康管理系统,包括数据处理、健康管理中心和交互应用等三个模块,实现了对实际食品加工系统的状态监控功能,有效预测准确的RUL(Remaining Useful Life,RUL)值。在故障发生前发出故障警报,给出故障决策评估,最后对核心功能模块进行了验证测试。本文针对信息物理融合系统的实时性、多节点性、分布性的生产特点,结合深度学习处理大数据集的优势,提出一种基于稀疏ISU模块的LSTM故障预测方法,通过添加正则化稀疏模块提高神经网络的计算速度,满足故障预测实时性。此外,提出含有残差连接的SRU网络来预测食品加工控制系统的剩余使用寿命。最后将二者网络融入健康管理中心PHM系统上,结果测试表明,PHM系统能够取得准确的预测结果。

关键词：食品加工系统故障预测剩余使用寿命长短时记忆网络简单循环单元

基于U型网络的时域端对端音乐源分离算法研究

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U型网络的时域端对端音乐源分离算法研究

作者：白金桐天津大学

学位级别：硕士

音乐源分离是音频信号处理中的核心研究领域之一,它的主要目标是在提取一个或多个目标音源的同时抑制其他音源和噪声。音乐源分离作为大量音乐信息检索任务的前处理步骤,其分离效果的优劣对后续任务有很大的影响,因此有着重要的研究价... 详细信息

音乐源分离是音频信号处理中的核心研究领域之一,它的主要目标是在提取一个或多个目标音源的同时抑制其他音源和噪声。音乐源分离作为大量音乐信息检索任务的前处理步骤,其分离效果的优劣对后续任务有很大的影响,因此有着重要的研究价值。传统音乐源分离方法存在依赖假设、模型复杂度有限、表示能力不足等问题。能应对这些问题的时域深度学习端到端网络模型则训练耗时久,且分离性能有待提升。为进一步改善时域端到端分离模型的表示能力和计算效率,在目前时域分离性能最优的Demucs模型基础上进行改进,提出了一种时域端对端网络Unet-SE-BiSRU。本文中提出的模型主要在以下三点进行改进:首先,将双向长短期记忆网络改进为双向简单循环单元,降低了模型参数量,并且进一步提高了学习的并行性,大幅缩减了模型训练时间;其次,在广义编码层和解码层中引入了注意力机制,采用挤压-激励块根据待分离音频的类型有选择地提取特征,使得对于不同目标音源的波形雕刻得更加精细,进而提高分离性能;最后,在一维卷积后增加组归一化,以应对在学习过程中可能出现的梯度爆炸或梯度消失问题,进而加速模型收敛。通过全面的数据实验,确定了模型的最优参数,验证了三个改进点,并与当前最优端对端模型Demucs和该领域其他典型模型在MUSDB18数据集上进行了对比。实验结果表明,改进后的网络模型,综合信噪比指标提升了0.34分贝,是目前能检索到的时域端对端方法中分离性能最好的模型,并且训练总时长缩短为原模型的2/5。此外,该模型在鼓声和贝斯声两种音源上得到了该领域最好的分离性能,在平均信噪比指标上与该领域最优分离模型相当。由于在相同计算能力约束下,还可以进一步提升模型中的通道数,该模型在性能改善方面还有巨大潜力。

关键词：音频信号处理音乐源分离 U型网络简单循环单元挤压-激励块组归一化