检索结果-南通市图书馆

基于数据预处理和bi-lstm的智能电网预测方法

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

电测与仪表 2023年

作者：李岩刘鑫月乔俊杰王毛桃刘一帆齐磊杰华北电力大学电力工程系

短期预测在智能电网建设中扮演着重要角色，深刻影响电网发输变配用各个环节的智能化改造。短期预测一般基于系统实测数据，而传感器故障，数据传输错误等原因会导致数据质量下降，严重影响短期预测的精确性。为建立数据质量受损情况下... 详细信息

短期预测在智能电网建设中扮演着重要角色，深刻影响电网发输变配用各个环节的智能化改造。短期预测一般基于系统实测数据，而传感器故障，数据传输错误等原因会导致数据质量下降，严重影响短期预测的精确性。为建立数据质量受损情况下的精确短期预测模型，提出了结合数据预处理和双向长短期记忆（bi-lstm）的短期预测框架(bi-lstm-DP)。在bi-lstm-DP中，采集的数据首先通过均值填补缺失值，进而基于Savitzky-Golay滤波器对数据降噪，最后采用bi-lstm提取时间序列的信息，实现短期预测。为了评估所提方法的性能，文中使用实测的公开数据集分别预测风电发电量和负荷需求，与其他参考方法对比表明了所述方法的有效性和鲁棒性。

关键词：短期预测数据预处理 bi-lstm 深度学习时间序列

基于CEEMDAN和bi-lstm的核电厂电动闸阀故障诊断研究

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于CEEMDAN和Bi-LSTM的核电厂电动闸阀故障诊断研究

作者：黄学颖哈尔滨工程大学

学位级别：硕士

阀门作为核电厂中一类重要设备,主要起开闭管路、控制流向、调节和控制输送介质参数等作用,由于阀门在核电厂中工作环境恶劣且使用频率较高,因而阀门与其它设备相比发生故障的概率较高。据统计阀门故障在核电厂停堆因素中占据极大的比例... 详细信息

阀门作为核电厂中一类重要设备,主要起开闭管路、控制流向、调节和控制输送介质参数等作用,由于阀门在核电厂中工作环境恶劣且使用频率较高,因而阀门与其它设备相比发生故障的概率较高。据统计阀门故障在核电厂停堆因素中占据极大的比例,不仅限制了核电厂的经济效益,也极大的增加了核电厂放射性泄漏的威胁。因此,本文以电动闸阀为研究对象,搭建电动闸阀实验台架,采集电动闸阀实验数据,研究电动闸阀信号处理、故障诊断和故障程度评估等关键技术,开发出一套电动闸阀故障诊断和故障程度评估系统,并进行了如下所示研究工作:(1)搭建电动闸阀实验台,设置电动闸阀三种类型故障:电动闸阀三相不平衡故障、电动闸阀密封填料受损故障、电动闸阀内漏故障。根据各种故障发生机理及故障特性进行传感器布置,完成三种类型故障数据及正常状态实验数据采集。(2)采用自适应噪声的完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法进行电动闸阀振动信号降噪处理,在此基础上完成振动信号时频特征参量提取;利用SAEU3H系列数字声发射检测系统进行声发射信号降噪处理及特征参数提取。(3)建立多种循环神经网络模型:长短期记忆(Long Short Term Memory,lstm)深度神经网络、门控循环单元(Gated Recurrent Unit,GRU)深度神经网络、双向长短期记忆(bi-directional Long Short-Term Memory,bi-lstm)深度神经网络。优化上述网络权值和参数,在此基础上利用三种深度神经网络实现电动闸阀故障诊断功能,利用bi-lstm深度神经网络实现电动闸阀内漏故障程度评估功能。(4)以电动闸阀为开发对象,利用Py Charm平台在Python3.6环境下开发出一套具有电动闸阀信号特征参量提取、电动闸阀故障诊断及电动闸阀故障程度评估功能的系统,并通过电动闸阀离线数据验证系统的准确、有效性。实验结果表明,本文所开发的系统在电动闸阀故障分类方面具有很高的准确率,在电动闸阀内漏故障程度评估方面,预测内漏流量与实际内漏流量误差小于2%。

关键词：电动闸阀故障诊断故障程度评估 CEEMDAN bi-lstm

基于bi-lstm和注意力机制的中文分词方法研究——以钢贸行业为例

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Bi-LSTM和注意力机制的中文分词方法研究——以钢贸行业为例

作者：燕永国上海财经大学

学位级别：硕士

钢贸行业因上下游资源繁杂,从业者需要处理海量的上下游文本信息,文本聚类和命名实体识别在处理爬虫得到的海量网络信息时可以极大提高信息获取的效率,而分词研究是自然语言处理的基础。SIGHAN从2003开始举办旨在对中文进行处理的BAKEOF... 详细信息

钢贸行业因上下游资源繁杂,从业者需要处理海量的上下游文本信息,文本聚类和命名实体识别在处理爬虫得到的海量网络信息时可以极大提高信息获取的效率,而分词研究是自然语言处理的基础。SIGHAN从2003开始举办旨在对中文进行处理的BAKEOFF竞赛,中文分词逐步成熟,有些基于规则(词典)和基于统计(机器学习)的分词方法已经达到了SOTA标准,学术界使用较多的有jieba分词,但这些方法对于词典的普适性和特征提取的要求都很高,此时基于神经网络算法的中文分词开始进入快车道,本文旨在对神经网络的中文分词方法进行研究创新,并应用到钢贸数据中进行与传统的jieba分词进行对比。文中使用的bi-lstm模型是结合双向RNN和lstm两个模型的优点形成的新模型,可以解决单向lstm只能关注前向信息而丢失后向信息的不足。本文拟在bi-lstm输出隐状态层后加入attention层,将lstm层输出的结果作为attention层的输入信息,在考虑文本前后信息的同时通过attention层赋予不同的权重,既关注了前后文的信息,由关注句子中的重要信息,双管齐下,根据前后文意思更好地分词,提高歧义词识别率,争取可以取得更好的效果。神经网络算法的时间复杂度要高于基于规则和统计的分词模型,但降低了人工特征提取的难度,而且钢贸行业文本中有众多的未登录词(OOV),神经网络算反会有很好的分词效果,另外通过对钢贸数据预训练得到的参数可以作为通用参数使用,提高了分词模型的通用性。

关键词：钢贸 bi-lstm 注意力机制中文分词

基于bi-lstm负荷预测的光储充电站优化配置与控制研究

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Bi-LSTM负荷预测的光储充电站优化配置与控制研究

作者：李东颖河北工业大学

学位级别：硕士

电动公交车充电频率高,充电量大,对于区域供电能力的要求在不断提高。与此同时,大规模电动汽车负荷的接入会对电网产生较大的冲击并影响其稳定运行。为此,在当前“双碳”政策背景下,设立光储充电站不仅可以解决负荷需求量大的问题,还可... 详细信息

电动公交车充电频率高,充电量大,对于区域供电能力的要求在不断提高。与此同时,大规模电动汽车负荷的接入会对电网产生较大的冲击并影响其稳定运行。为此,在当前“双碳”政策背景下,设立光储充电站不仅可以解决负荷需求量大的问题,还可以缓解负荷对电网的冲击,并充分利用更多的可再生能源,这将成为未来充电设施建设的发展趋势。因此,论文基于光储充电站系统,分别提出电动公交车充电负荷预测方法、光储容量博弈配置方法及储能系统优化调度方法,为光储充电站系统整体规划和经济稳定运行提供了新思路。首先,分析了光储充电站系统结构,依次阐释了光伏发电单元、储能系统及充电站负荷各部分特性。具体介绍了光伏发电单元的基本原理与输出特性,在此基础上结合了光伏发电实际出力,建立了光伏出力不确定性模型。接着阐述了储能系统的电池类型、等效电路模型及电池充放电特性曲线,进一步分析了电池容量衰减特性。最后根据实际充电站数据,分析出充电站负荷具有的间歇性及波动性的特点及电动公交车充电规律。其次,分析了电动公交日充电负荷曲线特性,并根据不同路线的电动公交充电负荷时序特征差异,提出了基于双向长短期记忆神经网络(bi-lstm)的电动公交充电负荷预测方法。引入了动态时间规整相似性的改进谱聚类算法对充电负荷曲线进行聚类,保证了具有相同时序和形态的曲线归类,再对每一类群体分别建立了结合注意力机制的bi-lstm神经网络模型,得到精准预测值,为光储容量配置和优化控制奠定准确的数据基础。再次,基于实时电价政策制定光储充电站运行策略,引入博弈论对光储容量配置进行分析。考虑了光伏和储能的作用及地位,建立了以光伏为主导者储能为跟随者的Stackelberg博弈模型,以光储年经济效益之和达到最大化作为模型目标函数。进一步,利用改进的人工蜂群算法对模型求解,通过实例分析及算法对比验证了模型的准确性与经济性。最后,在光储充电站负荷预测及光储容量配置的基础上,考虑了储能的当前状态、光伏未来出力以及充电负荷需求,滚动更新充电站日运行计划。建立了以最小化储能费用为滚动优化目标,以SOC充放电上下限为约束的储能优化调度模型。仿真结果表明,该优化控制方式可消减负荷尖峰,平抑光伏波动,并提高日收益。

关键词：光储充电站负荷预测 bi-lstm 博弈论容量配置

基于bi-lstm与PSO改进算法的药物虚拟筛选研究

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Bi-LSTM与PSO改进算法的药物虚拟筛选研究

作者：赵文瀚山东师范大学

学位级别：硕士

药物筛选与发现是药物研发中不可或缺的步骤,其目的是为找到可以与特定靶点结合且具有活性的化合物。传统的药物筛选与研发方法存在成本高、时间长、成功率相对较低等缺点,为了克服这些问题,虚拟筛选技术应运而生。随着深度学习技术的... 详细信息

药物筛选与发现是药物研发中不可或缺的步骤,其目的是为找到可以与特定靶点结合且具有活性的化合物。传统的药物筛选与研发方法存在成本高、时间长、成功率相对较低等缺点,为了克服这些问题,虚拟筛选技术应运而生。随着深度学习技术的快速发展,虚拟筛选技术已经逐渐普及,并且已经成为现代药物研发的重要组成部分,可用于药物发现的各个阶段,包括药物分子设计、分子对接、药效评估等。同时,虚拟筛选技术对于加速药物研发进程、降低研发成本和提高研发成功率具有非常重要的意义。本文提出了基于双向长短记忆网络(bidirectional Long Short-Term Memory Network,bi-lstm)、Transformer模块、特征融合、粒子群优化算法(Particle Swarm Optimization,PSO)改进的卷积神经网络搭配使用的方法,将上述的算法与机制融入进深度学习神经网络中,提出了一种新的虚拟筛选方法和神经网络。本文主要研究内容有:(1)本文提出了一种基于bi-lstm模块的分子定向信息特征提取网络(Molecular Directed Information Feature Extraction Network,MDIFEN)进行对分子定向传递信息的特征提取与分类。相比于传统的分子描述方法(如指纹、描述符等),由定向信息传递网络(Directed Message Passing Neural Networks,D-MPNN)生成的分子定向传递信息更加灵活和准确,在分子描述和性质预测方面表现出色。该网络将卷积神经网络的输出序列送入到bi-lstm模块中,可以在保持提取的局部特征信息的同时,解决分子定向传递信息这类序列信息的长程依赖性的问题,从而提高模型的性能。(2)本文进一步提出了一种基于特征融合、Transformer模块、PSO算法的分子信息融合网络(Molecular Information Fusion Neural Network,MIFNN)以求提升筛选效果。由MDIFEN提取分子定向传递信息的特征,另一边通过二维卷积神经网络对分子摩根指纹进行特征提取,得到的双流特征后进行级联融合,送入Transformer模块做权重再分配。最后送入基于PSO算法改进的支持向量机(Support Vector Machine,SVM)做分类处理,通过PSO算法来优化SVM中的权重或偏置值等参数,改善了训练速度和精度。MIF NN一方面通过特征融合提高模型的预测能力、稳定性与泛化能力;另一方面在Transfor mer模块与PSO算法的帮助下,可以有效缓解在药物虚拟筛选中常常出现的过拟合现象。(3)本文是基于公开可用的数据集进行虚拟筛选的,如HIV、BACE、Tox21、Tox Cast等,这些数据集包含丰富的化合物信息,具有高质量的标注数据,多样化的数据类型并且是易于获取的,具有较高的实用价值。本文针对上述提出的两个虚拟筛选神经网络,都设计了完整的对照试验来进行验证。首先都设置基线模型对比实验,选用当前阶段较新、效果较好的模型进行对比;除此以外,还通过设计不同的自对照实验,来验证在原有的网络中增加的模块与算法提高了虚拟筛选的准确率和有效性。

关键词： bi-lstm 特征融合 Transformer 粒子群优化

基于功能脑网络的bi-lstm癫痫发作预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于功能脑网络的Bi-LSTM癫痫发作预测研究

作者：张涵燕山大学

学位级别：硕士

癫痫是一个高发生率的脑卒中脑功能综合症,是由于脑部神经元的异常放电所造成的。它的突然性和反复性使病人在生理和心理上都承受着很大的困扰,以致造成患者抑郁和意识机能损害甚至出现自杀的行为。国际卫生组织的调查报告表明,目前世... 详细信息

癫痫是一个高发生率的脑卒中脑功能综合症,是由于脑部神经元的异常放电所造成的。它的突然性和反复性使病人在生理和心理上都承受着很大的困扰,以致造成患者抑郁和意识机能损害甚至出现自杀的行为。国际卫生组织的调查报告表明,目前世界上癫痫病患者数量约为六千五百万人,我国的癫痫病患者数量则介于九百万人之间。约有百分之七十的癫痫病患者能够通过按时使用抗癫痫药物来控制发病,而及时预报癫痫的发病并适时对病人发布预警,能够为病人赢得宝贵的用药时机,甚至能够避免癫痫的发生,因而癫痫预测有着重大的应用价值。本文将从以下三个方面对癫痫预测方向的研究工作进行阐述:(1)针对癫痫脑电信号存在较多噪声和污染的问题,为了获得高质量的癫痫脑电信号,提高癫痫分类预测的效率,本研究对脑电信号进行了滤波、降噪和去眼电伪迹的处理。首先使用共空间模式(Common Spatial Pattern,CSP)空间滤波器对癫痫脑电数据进行滤波,目的是让不同时期的脑电数据在经过滤波后差别更明显。其次利用小波变换(Wavelet Transform,WT)进行了降噪,实现了对高频和低频脑电信号在时间上的分割。最后利用独立成分分析(Independent Component Analysis,ICA)对脑电信号进行去眼电伪迹,使得脑电信号在保留原有特征的基础上更加平滑。(2)为了解决特征提取过程中特征可分性不高和分类效果不好的问题,本文通过建立基于相位锁值的功能脑网络对节点度特征和聚类系数特征进行提取并构建对应的特征向量,并在可分性的角度对选取的两个特征进行比较分析,为接下来的特征分类奠定了基础。(3)利用bi-lstm网络模型对癫痫脑电特征进行深度学习分类,通过对不同的优化算法对分类成功率的影响以及改变神经元数量和初始学习率对性能的影响进行比较分析,实现了对单层双lstm结构的存储单元、神经元数量和学习算法的优化。该优化过程不仅仅关注成功率,还强调了在bi-lstm模型中确定超参数(优化算法的选择、初始学习速率、隐藏神经元数量)的重要性。结果表明,经过优化后的模型在提高准确率的基础上也提高了效率,为癫痫预测提供了新的视角。

关键词：脑电信号特征提取脑网络 bi-lstm 超参数

融合语法规则的bi-lstm中文情感分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

数据分析与知识发现 2019年第11期3卷 99-107页

作者：卢强朱振方徐富永国强强山东交通学院信息科学与电气工程学院

【目的】提出一种融合语法规则的情感分类方法,提高中文文本情感分类的准确率。【方法】将中文语法规则以约束的形式同bi-lstm结合,通过规范句子相邻位置的输出模拟句子层次中非情感词、情感词、否定词和程度词的语言作用。【结果】相... 详细信息

【目的】提出一种融合语法规则的情感分类方法,提高中文文本情感分类的准确率。【方法】将中文语法规则以约束的形式同bi-lstm结合,通过规范句子相邻位置的输出模拟句子层次中非情感词、情感词、否定词和程度词的语言作用。【结果】相较于前沿的RNN、lstm、bi-lstm模型,融合中文语法规则的bi-lstm模型准确率可达91.2%,在准确率方面得到较好的提升。【局限】实验数据集来源相对单一,只选取酒店评论数据集,在其他数据集上方法的有效性需要进一步验证。【结论】本文提出的情感分类方法融合了中文语法规则,进一步提升了情感分类的准确率。

关键词：语法规则情感分类 bi-lstm

结合Bert与bi-lstm的英文文本分类模型

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

计算机测量与控制 2023年第4期31卷 213-218,251页

作者：张卫娜西安思源学院西安710038

作为自然语言处理技术中的底层任务之一,文本分类任务对于上游任务有非常重要的辅助价值;最近几年,深度学习广泛应用于NLP中的上下游任务的趋势,深度学习在下游任务文本分类中性能不错;但是目前的基于深层学习网络的模型在捕捉文本序列... 详细信息

作为自然语言处理技术中的底层任务之一,文本分类任务对于上游任务有非常重要的辅助价值;最近几年,深度学习广泛应用于NLP中的上下游任务的趋势,深度学习在下游任务文本分类中性能不错;但是目前的基于深层学习网络的模型在捕捉文本序列的长距离型上下文语义信息进行建模方面仍有不足,同时也没有引入语言信息来辅助分类器进行分类;针对这些问题,提出了一种新颖的结合Bert与bi-lstm的英文文本分类模;该模型不仅能够通过Bert预训练语言模型引入语言信息提升分类的准确性,还能基于bi-lstm网络去捕捉双向的上下文语义依赖信息对文本进行显示建模;具体而言,该模型主要有输入层、Bert预训练语言模型层、bi-lstm层以及分类器层搭建而成;实验结果表明,与现有的分类模型相比较,所提出的Bert-bi-lstm模型在MR数据集、SST-2数据集以及CoLA数据集测试中达到了最高的分类准确率,分别为86.2%、91.5%与83.2%,大大提升了英文文本分类模型的性能。

关键词：文本分类深度学习上下文语义信息 Bert bi-lstm

基于bi—lstm神经网络的GNSS坐标时间序列重构

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

工程地球物理学报 2022年第3期19卷 393-401页

作者：冉佳诺边家文刘文平中国地质大学数学与物理学院湖北武汉430074 湖北经济学院信息管理与统计学院湖北武汉430205

全球导航卫星系统(Global Navigation Satellite System,GNSS)坐标时间序列在大地测量及地球动力学中的得到了广泛的应用。研究表明,受到环境以及系统误差的影响,实际GNSS站点坐标时间序列包含的季节信号的振幅是时变的,这给GNSS坐标时... 详细信息

全球导航卫星系统(Global Navigation Satellite System,GNSS)坐标时间序列在大地测量及地球动力学中的得到了广泛的应用。研究表明,受到环境以及系统误差的影响,实际GNSS站点坐标时间序列包含的季节信号的振幅是时变的,这给GNSS坐标时间序列的精确建模和重构带来一定的困难和挑战。传统的噪声分析方法在处理带有时变季节变化的GNSS坐标时间序列时无法很好应对信号中的时变振幅干扰。基于此,本文将双向长短期记忆循环神经网络(bidirectional Long Short-term Memory,bi-lstm)应用于GNSS坐标时间序列的重构,利用bi-lstm强大的建模能力对GNSS坐标时间序列建模,克服季节项的时变振幅干扰,取得对GNSS坐标时间序列的精确重构。实验结果表明,基于bi-lstm神经网络方法能够学习到GNSS坐标时间序列间的时变特性,并有效分离信号与噪声,分离出的噪声残差分量与实际真值更接近。

关键词： GNSS坐标时间序列深度学习 bi-lstm 噪声分析