检索结果-南通市图书馆

基于bi-lstm模型的短时交通量多步预测研究

在线全文

学校读者我要写书评

暂无评论

交通技术 2024年第3期13卷 141-152页

作者：向鸿锐阮泽宇曹微肖亚琪寇笑天李永翔重庆交通大学信息科学与工程学院重庆

多数短时交通量的预测研究仅集中在单步预测上,并且预测时长不足,为使得交通管理与控制等措施发挥更好的效果,提高短时交通量多步预测精度,最大限度提高交通管理决策和出行决策合理性,本文提出一种基于bi-lstm模型进行短时交通量多步预... 详细信息

多数短时交通量的预测研究仅集中在单步预测上,并且预测时长不足,为使得交通管理与控制等措施发挥更好的效果,提高短时交通量多步预测精度,最大限度提高交通管理决策和出行决策合理性,本文提出一种基于bi-lstm模型进行短时交通量多步预测。首先利用bi-lstm模型进行单步预测,将得到的预测值与原始值替换,通过递归迭代进行五步的多步长预测。根据本文研究结果表明:bi-lstm模型在多步预测中具有一定优势,相比于ARIMA模型和BP神经网络模型,其平均多步RMSE、MAE、MAPE、RMSRE分别降低了11.1085和9.4134、9.7884和7.2474、26.52%和14.91%、25.01%和14.95%。最后得出,bi-lstm在交通量多步预测上具有较大优势。

关键词：短时交通量多步预测双向长短时记忆网络 bi-lstm

基于bi-lstm-Dropout的蓄电池剩余使用寿命预测方法

维普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

自动化与信息工程 2024年第1期45卷 42-46,60页

作者：黄晓智张华明黄艺航许志杰广东工业大学机电工程学院广东广州510006 广东工业大学先进制造学院广东揭阳522000

蓄电池剩余使用寿命预测对能源的安全性和可持续发展至关重要。该文提出一种蓄电池剩余使用寿命的预测方法,利用蓄电池的历史运行数据和充放电周期,构建bi-lstm-Dropout网络模型。利用bi-lstm提取时间序列中蓄电池长期依赖的特征,采用Dr... 详细信息

蓄电池剩余使用寿命预测对能源的安全性和可持续发展至关重要。该文提出一种蓄电池剩余使用寿命的预测方法,利用蓄电池的历史运行数据和充放电周期,构建bi-lstm-Dropout网络模型。利用bi-lstm提取时间序列中蓄电池长期依赖的特征,采用Dropout优化算法降低bi-lstm网络模型的复杂度,提高模型的泛化能力。实验结果表明,该方法在测试集上的准确率达96.2%,实现了蓄电池剩余使用寿命的精确预测。

关键词：蓄电池剩余使用寿命预测 bi-lstm Dropout优化算法

基于Transformer-bi-lstm模型的武器装备剩余寿命预测方法

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7期32卷 203-210页

作者：袁玉昕程跃兵熊敏艳高王升张昱彤上海机电工程研究所上海201109

武器装备担负保卫国土安全的重要使命,其保持稳定运行状态具有重大国防、政治意义;因其装备运行状态不便中断、故障定位过程复杂,使得传统维修方式效率较低;装备使用数据具有连续性、长期性、不平稳性,甚至一些深度学习模型无法处理其... 详细信息

武器装备担负保卫国土安全的重要使命,其保持稳定运行状态具有重大国防、政治意义;因其装备运行状态不便中断、故障定位过程复杂,使得传统维修方式效率较低;装备使用数据具有连续性、长期性、不平稳性,甚至一些深度学习模型无法处理其中的退化状态历史依赖与关联问题;通过构建元器件层级的剩余寿命预测架构,对特征工程、退化指标构建以及Transformer-bi-lstm模型开展研究,采用距离编码技术,实现针对深度学习模型的技术创新,优化模型预测效果;基于某型武器装备主要器件正常试样数据,进行本方法分析验证,在器件已运行时间达到90%设计试验寿命长度时能够进行有效且准确的剩余寿命预测,所提方法满足武器装备器件寿命预警及更换提醒、保障装备战备完好性的应用需求。

关键词：武器装备寿命预测健康管理 Transformer bi-lstm 退化指标距离编码

融合迁移学习的bi-lstm自动翻译系统设计

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

自动化与仪器仪表 2024年第2期 187-190页

作者：于爱莲李亚峰咸阳师范学院陕西咸阳712000

为进一步提升机器翻译模型的英语到汉语的翻译水平,基于迁移学习技术和双向长短时记忆网络bi-lstm,提出一种英汉自动翻译模型。其中,通过Gumbel-Tree-lstm模型对基础的bi-lstm翻译模型进行优化,再引入迁移学习中的迁移枢轴参数的思想对... 详细信息

为进一步提升机器翻译模型的英语到汉语的翻译水平,基于迁移学习技术和双向长短时记忆网络bi-lstm,提出一种英汉自动翻译模型。其中,通过Gumbel-Tree-lstm模型对基础的bi-lstm翻译模型进行优化,再引入迁移学习中的迁移枢轴参数的思想对模型进行进一步优化。实验结果表明,与其他翻译模型相比,设计的基于迁移学习的改进bi-lstm英汉翻译模型Gbi-lstm的翻译质量更好,在英法和英德两个语料库翻译测试上的BLEU评分和METEOR评分上分别达到了22.95%,36.02%,24.47%,37.18%;与各个基线模型相比,引入迁移枢轴模型参数后的各个翻译模型的翻译质量均有明显提升。以上结果表明,设计的Gbi-lstm翻译模型翻译性能优秀,能够应用于实际的英汉翻译场景,可行性较高。

关键词：翻译系统 bi-lstm 迁移学习模型优化

基于孤立森林算法贝叶斯优化的bi-lstm交通流量预测

在线全文

学校读者我要写书评

暂无评论

基于SARIMA-bi-lstm模型的水利设施安全状态预测

建模与仿真 2024年第4期13卷 4205-4216页

作者：黄书林韩印上海理工大学管理学院，上海

精确的交通流预测是建设智慧城市的主要问题之一，能为城市发展、城市建设以及交通管控等提供更科学的依据和参考。本文针对短时交通流预测模型中存在的一些不足点进行改进，设计了一种基于孤立森林算法优化下的bi-lstm多步交通流预测... 详细信息

精确的交通流预测是建设智慧城市的主要问题之一，能为城市发展、城市建设以及交通管控等提供更科学的依据和参考。本文针对短时交通流预测模型中存在的一些不足点进行改进，设计了一种基于孤立森林算法优化下的bi-lstm多步交通流预测模型，该模型充分考虑了在日常交通环境下存在某些不确定因素对于相邻天数中同样时间的交通流量影响，对于原始交通流数据集使用孤立森林算法进行异常值判别和清洗，提升了原始交通流数据集的可靠性，使用贝叶斯优化算法寻找网络模型的超参数，最后利用双向长短记忆网络(bi-lstm)对时间序列数据的连续性和周期性的特点进行多步交通流预测。采用江苏省某地级市的道路交通流数据进行试验，试验结果表明基于孤立森林算法优化下的bi-lstm具备精确的交通流预测能力，在预测T + 1时刻的交通流数据上，与BP、lstm、bi-lstm、EMD-lstm和PSO-bilstm相比，平均绝对误差(MEA)下降了16.3265、15.5185、12.6785、6.2758和0.44，均方根误差(RMES)下降了22.7283、22.4023、14.9303、7.6905和0.5509，判定系数R2提升了7.604%、7.391%、3.701%、1.182%和0.025%。在预测T + 3时刻的交通流数据上，平均绝对误差(MEA)下降了14.9669、17.3019、8.6179、1.4647和0.1997，均方根误差(RMES)下降了21.4897、23.9447、11.9737、1.7354和0.8882，判定系数R2提升了6.589%、7.893%、2.602%、0.211%和0.11%。

关键词：交通流量预测孤立森林贝叶斯优化双向长短记忆网络时间序列 Traffic Flow Forecast Isolation Forest Bayesian Optimization bi-lstm Time Series

来源：博看期刊评论

在线全文

博看期刊

学校读者我要写书评

暂无评论

水利规划与设计 2024年第5期 62-65页

作者：王峰新疆维吾尔自治区塔里木河流域管理局新疆库尔勒841000

为提升水利设施安全状态预测水平,考虑到单一监测指标无法体现对水利设施的影响,提出一种基于SARIMA-bi-lstm模型的水利设施安全状态预测方法。以某水电站引水涵洞为研究对象,采用SARIMA模型预测裂缝开合度时间序列数据的线性分量,将温... 详细信息

为提升水利设施安全状态预测水平,考虑到单一监测指标无法体现对水利设施的影响,提出一种基于SARIMA-bi-lstm模型的水利设施安全状态预测方法。以某水电站引水涵洞为研究对象,采用SARIMA模型预测裂缝开合度时间序列数据的线性分量,将温度数据、裂缝开合度残差数据传入bi-lstm模型进行残差数据预测,最后将SARIMA模型和bi-lstm模型预测结果进行叠加。结果表明,对比BP神经网络模型、SARIMA模型和SARIMA-lstm模型,所构模型预测性能最好,能满足实际需要,为类似水利设施安全状态预测提供了一种新思路。

关键词：水利设施安全状态预测 SARIMA bi-lstm

Attention-Based bi-lstm Model for Arabic Depression Classification

在线全文

学校读者我要写书评

暂无评论

Computers, Materials & Continua 2022年第5期71卷 3091-3106页

作者： Abdulqader M.Almars College of Computer Science and Engineering Taibah UniversityYanbuSaudi Arabia

Depression is a common mental health issue that affects a large percentage of people all around the ***,people who suffer from this mood disorder have issues such as low concentration,dementia,mood swings,and even suicide.A social media platform like Twitter allows people to communicate as well as share photos and videos that reflect their ***,the analysis of social media content provides insight into individual moods,including *** studies have been conducted on depression detection in English and less in *** detection of depression from Arabic social media lags behind due the complexity of Arabic language and the lack of resources and techniques *** this study,we performed a depression analysis on Arabic social media content to understand the feelings of the users.A bidirectional long short-term memory(bi-lstm)with an attention mechanism is presented to learn important hidden features for depression detection *** proposed deep learning model combines an attention mechanism with a bi-lstm to simultaneously focus on discriminative features and learn significant word weights that contribute highly to depression *** order to evaluate our model,we collected a Twitter dataset of approximately 6000 *** data labelling was done by manually classifying tweets as depressed or not *** results showed that the proposed model outperformed state-of-the-art machine learning models in detecting *** attention-based bilstm model achieved 0.83%accuracy on the depression detection task.

关键词： Depression detection social media deep learning bi-lstm attention mode

High accuracy offering attention mechanisms based deep learning approach using CNN/bi-lstm for sentiment analysis

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

International Journal of Intelligent Computing and Cybernetics 2022年第1期15卷 61-74页

作者： Venkateswara Rao Kota Shyamala Devi Munisamy CSE Vel Tech Rangarajan Dr Sagunthala R&D Institute of Science and TechnologyChennaiIndia CSE Andhra Loyola Institute of Engineering and TechnologyVijayawadaIndia

Purpose-Neural network(NN)-based deep learning(DL)approach is considered for sentiment analysis(SA)by incorporating convolutional neural network(CNN),bi-directional long short-term memory(bi-lstm)and attention *** the conventional supervised machine learning natural language processing algorithms,the authors have used unsupervised deep learning ***/methodology/approach-The method presented for sentiment analysis is designed using CNN,bi-lstm and the attention ***2vec word embedding is used for natural language processing(NLP).The discussed approach is designed for sentence-level SA which consists of one embedding layer,two convolutional layers with max-pooling,onelstmlayer and two fully connected(FC)*** the system training time is 30 ***-The method performance is analyzed using metrics like precision,recall,F1 score,and *** is helped to reduce the complexity and bi-lstm is helped to process the long sequence input ***/value-The attention mechanism is adopted to decide the significance of every hidden state and give a weighted sum of all the features fed as input.

关键词： Sentiment analysis NLP Neural networks bi-lstm Attention mechanism Word embedding Dropout Fully connected(FC)layer Performance metrics

基于bi-lstm模型的时间序列遥感作物分类研究

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

中国农业科学 2022年第21期55卷 4144-4157页

作者：黄翀侯相君中国科学院地理科学与资源研究所/资源与环境信息系统国家重点实验室中国科学院黄河三角洲现代农业工程实验室中国科学院大学

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例，以哨兵2号全年可用卫星影像为数据源... 详细信息

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例，以哨兵2号全年可用卫星影像为数据源，构建年时间序列NDVI数据集；采用循环神经网络构架，搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory,bi-lstm），开展遥感作物分类，并评估模型的泛化能力；通过输入不同长度时间序列遥感数据，探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力，基于年时间序列NDVI数据的bi-lstm模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现，对大多数作物来说，其分类精度随着数据时间序列长度增加而不断提高，冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征，因而利用生长季早期的时间序列影像即可获得较高的制图精度，而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆；双向循环神经网络模型能够同时考虑前向和后向的时间状态信息，可以学习作物不同阶段的光谱变化特征，在水稻、棉花、春玉米等易混淆作物的识别上表现优异；模型能够有效地把握样本总体上的变化趋势，在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列，为及时、快速的区域作物高精度制图提供了可行的思路。

关键词：作物分类早期识别时序遥感 bi-lstm 模型泛化