检索结果-南通市图书馆

RoGRUT: A Hybrid Deep Learning Model for Detecting Power Trapping in Smart Grids

Computers, Materials & Continua 2024年第5期79卷 3175-3192页

作者： Farah Mohammad Saad Al-Ahmadi Jalal Al-Muhtadi Center of Excellence in Information Assurance(CoEIA) King Saud UniversityRiyadh11543Saudi Arabia College of Computer&Information Sciences King Saud UniversityRiyadh11543Saudi Arabia

Electricity theft is a widespread non-technical issue that has a negative impact on both power grids and electricity users.It hinders the economic growth of utility companies,poses electrical risks,and impacts the high energy costs borne by consumers.The development of smart grids is crucial for the identification of power theft since these systems create enormous amounts of data,including information on client consumption,which may be used to identify electricity theft using machine learning and deep learning techniques.Moreover,there also exist different solutions such as hardware-based solutions to detect electricity theft that may require human resources and expensive hardware.Computer-based solutions are presented in the literature to identify electricity theft but due to the dimensionality curse,class imbalance issue and improper hyper-parameter tuning of such models lead to poor performance.In this research,a hybrid deep learning model abbreviated as RoGRUT is proposed to detect electricity theft as amalicious and non-malicious activity.The key steps of the RoGRUT are data preprocessing that covers the problem of class imbalance,feature extraction and final theft detection.Different advanced-level models like RoBERTa is used to address the curse of dimensionality issue,the near miss for class imbalance,and transfer learning for classification.The effectiveness of the RoGRUTis evaluated using the dataset fromactual smartmeters.A significant number of simulations demonstrate that,when compared to its competitors,the RoGRUT achieves the best classification results.The performance evaluation of the proposed model revealed exemplary results across variousmetrics.The accuracy achieved was 88%,with precision at an impressive 86%and recall reaching 84%.The F1-Score,a measure of overall performance,stood at 85%.Furthermore,themodel exhibited a noteworthyMatthew correlation coefficient of 78%and excelled with an area under the curve of 91%.

关键词： Electricity theft smart grid RoBERTa GRU transfer learning

来源：

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

Workout Action Recognition in Video Streams Using an Attention Driven Residual DC-GRU Network

引用

Computers, Materials & Continua 2024年第5期79卷 3067-3087页

作者： Arnab Dey Samit Biswas Dac-Nhuong Le Department of Computer Science and Technology Indian Institute of Engineering Science and TechnologyShibpurHowrah711103India Faculty of Information Technology Haiphong UniversityHaiphong180000Vietnam

Regular exercise is a crucial aspect of daily life, as it enables individuals to stay physically active, lowers thelikelihood of developing illnesses, and enhances life expectancy. The recognition of workout actions in videostreams holds significant importance in computer vision research, as it aims to enhance exercise adherence, enableinstant recognition, advance fitness tracking technologies, and optimize fitness routines. However, existing actiondatasets often lack diversity and specificity for workout actions, hindering the development of accurate recognitionmodels. To address this gap, the Workout Action Video dataset (WAVd) has been introduced as a significantcontribution. WAVd comprises a diverse collection of labeled workout action videos, meticulously curated toencompass various exercises performed by numerous individuals in different settings. This research proposes aninnovative framework based on the Attention driven Residual Deep Convolutional-Gated Recurrent Unit (ResDCGRU)network for workout action recognition in video streams. Unlike image-based action recognition, videoscontain spatio-temporal information, making the task more complex and challenging. While substantial progresshas been made in this area, challenges persist in detecting subtle and complex actions, handling occlusions,and managing the computational demands of deep learning approaches. The proposed ResDC-GRU Attentionmodel demonstrated exceptional classification performance with 95.81% accuracy in classifying workout actionvideos and also outperformed various state-of-the-art models. The method also yielded 81.6%, 97.2%, 95.6%, and93.2% accuracy on established benchmark datasets, namely HMDB51, Youtube Actions, UCF50, and UCF101,respectively, showcasing its superiority and robustness in action recognition. The findings suggest practicalimplications in real-world scenarios where precise video action recognition is paramount, addressing the persistingchallenges in the field. TheWAVd dataset serves as a catalyst for the development ofmo

关键词： Workout action recognition video stream action recognition residual network GRU attention

来源：

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

Multi-UAV cooperative maneuver decision-making for pursuitevasion using improved MADRL

引用

Defence Technology（防务技术） 2024年第5期35卷 187-197页

作者： Delin Luo Zihao Fan Ziyi Yang Yang Xu School of Aerospace Engineering Xiamen UniversityXiamen 361102China School of Civil Aviation Northwestern Polytechnical UniversityXi'an 710072China

Aiming at the problem of multi-UAV pursuit-evasion confrontation, a UAV cooperative maneuver method based on an improved multi-agent deep reinforcement learning(MADRL) is proposed. In this method, an improved Comm Net network based on a communication mechanism is introduced into a deep reinforcement learning algorithm to solve the multi-agent problem. A layer of gated recurrent unit(GRU) is added to the actor-network structure to remember historical environmental states. Subsequently,another GRU is designed as a communication channel in the Comm Net core network layer to refine communication information between UAVs. Finally, the simulation results of the algorithm in two sets of scenarios are given, and the results show that the method has good effectiveness and applicability.

关键词： Reinforcement learning UAV Maneuver decision GRU Cooperative control

来源：

维普期刊数据库博看期刊

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Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

引用

农业机械学报 2024年第3期55卷 213-220页

作者：杨信廷刘彤韩佳伟郭向阳杨霖上海海洋大学信息学院上海201306 北京市农林科学院信息技术研究中心北京100097 农产品质量安全追溯技术及应用国家工程研究中心北京100097 仲恺农业工程学院信息科学与技术学院广州510225

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型... 详细信息

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

关键词：番茄低温贮藏成熟度识别时序预测模型 Swin Transformer GRU

来源：

维普期刊数据库博看期刊

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

基于时空特征融合的交通警察手势识别

引用

计算机工程与应用 2024年第8期60卷 250-257页

作者：杜兵赵骥辽宁科技大学计算机与软件工程学院辽宁鞍山114051

近年来,随着人体姿态估计技术的发展,基于骨架关键点的手势识别技术应运而生。提出了一个GCPM-AGRU模型进行交通警察手势识别。为了更准确地定位人体关键点,对卷积姿态机(CPM)进行改进。在特征提取模块中加入残差思想、通道拆分和通道重... 详细信息

近年来,随着人体姿态估计技术的发展,基于骨架关键点的手势识别技术应运而生。提出了一个GCPM-AGRU模型进行交通警察手势识别。为了更准确地定位人体关键点,对卷积姿态机(CPM)进行改进。在特征提取模块中加入残差思想、通道拆分和通道重组,设计后的特征提取模块更好提取图片特征;在CPM第一阶段加入并行多分支Inception4d结构,使CPM网络具有多尺度特征融合思想,有效改进对人体关键点定位的问题;提出基于注意力机制的GRU,通过为每帧分配不同权重来达到对每帧不同程度的关注,从而更好获取时间信息;结合时空特征信息进行交通警察手势识别。交通警察手势识别的准确度达到了93.7%,相比网络改进之前提高了2.95个百分点。

关键词：手势识别人体关键点卷积姿态机 GRU 时空特征信息

来源：

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VMD-XGBoost-GRU模型的危岩体变形预测

引用

水利水电科技进展 2024年第2期44卷 92-98页

作者：许秋鸿刘晓青河海大学水利水电学院江苏南京210098

针对以往对危岩体监测数据前处理效果不佳的问题,提出了一种用于危岩体变形预测的VMD-XGBoost-GRU组合模型。该模型采用变分模态分解(VMD)和样本熵理论将危岩体变形数据分解成多个子序列,利用XGBoost算法提取重要的模型因子实现特征降维... 详细信息

针对以往对危岩体监测数据前处理效果不佳的问题,提出了一种用于危岩体变形预测的VMD-XGBoost-GRU组合模型。该模型采用变分模态分解(VMD)和样本熵理论将危岩体变形数据分解成多个子序列,利用XGBoost算法提取重要的模型因子实现特征降维,通过门控循环单元(GRU)神经网络对危岩体变形进行预测。以某水电站右坝肩陡壁上的危岩体变形预测为例,将VMD-XGBoost-GRU组合模型与BP、GRU和VMD-XGBoost-BP 3种模型进行对比与分析,结果表明,VMD-XGBoost-GRU组合模型在危岩体变形预测方面具有较高精度,可为危岩体安全稳定状态评价提供技术依据。

关键词：危岩体 VMD 样本熵 XGBoost GRU 变形预测模型

来源：

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CNN-GRU的移动APP流行度预测模型

引用

重庆邮电大学学报(自然科学版) 2024年

作者：宋育苗于金霞河南理工大学计算机科学与技术学院

移动APP流行度预测对应用推荐、广告投放等意义重大。但是现有方法大多依赖手工特征工程，工作量大且效率较低。为此，提出一种基于深度神经网络的移动APP流行度预测模型。利用最大信息系数进行特征相关性分析以确保特征选取有效性; 结... 详细信息

移动APP流行度预测对应用推荐、广告投放等意义重大。但是现有方法大多依赖手工特征工程，工作量大且效率较低。为此，提出一种基于深度神经网络的移动APP流行度预测模型。利用最大信息系数进行特征相关性分析以确保特征选取有效性; 结合历史流行度特征，通过门循环单元（gate recurrent unit，GRU）和注意力机制构建长期演化模型来推演发展趋势，基于多尺度卷积神经网络（convolutional neural networks，CNN）和注意力机制构建短期波动模型以实现预测动态优化;结合其他重要特征利用GRU和注意力机制建立多因素影响模型。通过时间注意力模块将上述模型融合，实现流行度预测。实验结果表明，所提模型在移动APP流行度预测方面相对更为精准有效。

关键词：移动APP 流行度预测注意力机制 CNN GRU

来源：

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

预期视角下中央银行沟通的有效性与通胀预期管理研究

引用

中国管理科学 2024年

作者：周昆树张波焦建玲 1.合肥工业大学管理学院 2.合肥大学经济与管理学院合肥工业大学管理学院合肥大学经济与管理学院

央行沟通作为货币政策预期管理的重要工具，旨在向公众传递信息并积极引导公众形成稳定预期，进而影响其经济行为。通过央行沟通来指引通胀预期对提升货币政策效力并保障宏观经济稳定发展具有重要意义。本研究基于隐含狄利克雷分布(Late... 详细信息

央行沟通作为货币政策预期管理的重要工具，旨在向公众传递信息并积极引导公众形成稳定预期，进而影响其经济行为。通过央行沟通来指引通胀预期对提升货币政策效力并保障宏观经济稳定发展具有重要意义。本研究基于隐含狄利克雷分布(Latent Dirichlet Allocation，LDA)模型与门控循环单元(Gate Recurrent Unit，GRU)模型定量测度我国央行沟通指数与通胀预期，再通过TVP-SV-VAR模型实证分析央行沟通管理通胀预期的有效性。研究发现，中央银行释放出积极、稳健的信号能够引导公众形成合理的通胀预期，但要注意通胀预期的自我强化。同时，中央银行可以根据通货膨胀情况及时调整好沟通内容。因此，精准沟通措辞能够增加前瞻性指引，是提升中央银行沟通有效性的重点，将央行沟通作为新型货币政策工具实施的同时要与传统货币政策工具相互结合使用，为未来央行沟通早日纳入货币政策调控工具箱中作为参考。

关键词：央行沟通通胀预期 GRU TVP-SV-VAR

来源：

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GRU-BP的锂电池部分充电数据SOH估计

引用

电源学报 2024年

作者：钟耿钦王学梅康龙云华南理工大学电力学院

用户给电池充电时，电池的初始荷电状态(State of Charge， SOC)往往是随机的，因此在实际应用中难以得到锂电池完整的充电数据，针对这一问题提出了一种基于部分充电数据的锂电池健康状态(State of Health ， SOH)估计方法。通过建立的... 详细信息

用户给电池充电时，电池的初始荷电状态(State of Charge， SOC)往往是随机的，因此在实际应用中难以得到锂电池完整的充电数据，针对这一问题提出了一种基于部分充电数据的锂电池健康状态(State of Health ， SOH)估计方法。通过建立的GRU-BP (Gated Recurrent Unit-Back Propagation)模型，可以由部分的充电数据得到完整的充电曲线，接着在完整的充电曲线中提取能够有效表征电池老化程度的特征进行SOH预测。该方法能够实现在恒流充电模式下的任意定长电压区间充电数据下电池的SOH估计。通过实验证明，所提出的新模型在数据不完备的情况下能够有效地预测锂电池SOH，其估计的RMSE（Root Mean Square Error）均在为2%以下。

关键词：锂电池部分数据健康状态估计 GRU 神经网络

来源：

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

利用GRU双分支信息协同增强的长尾推荐模型

引用

计算机科学与探索 2024年

作者：钱忠胜肖双龙朱辉王晓闻刘金平江西财经大学信息管理学院

长尾现象在序列推荐系统中长期存在，包括长尾用户和长尾项目两个方面。虽然现有许多研究缓解了序列推荐系统中的长尾问题，但大部分只是单方面地关注长尾用户或长尾项目。然而，长尾用户和长尾项目问题常常同时存在，只考虑其中一方会... 详细信息

长尾现象在序列推荐系统中长期存在，包括长尾用户和长尾项目两个方面。虽然现有许多研究缓解了序列推荐系统中的长尾问题，但大部分只是单方面地关注长尾用户或长尾项目。然而，长尾用户和长尾项目问题常常同时存在，只考虑其中一方会导致另一方性能不佳，且未关注到长尾用户、长尾项目各自的信息匮乏问题。本文提出一种利用GRU双分支信息协同增强的长尾推荐模型(a long-tail recommendation model utilizing GRU dual-branch information collaboration enhancement， LT-GRU)，从用户与项目两个方面共同缓解长尾问题，并通过协同增强的方式丰富长尾信息。该模型由长尾用户和长尾项目双分支组成，每个分支分别负责各自的信息处理，并相互训练以充实另一方的信息。同时，引入一种偏好机制，通过演算用户与项目的影响因子，以动态调整用户偏好与项目热度，进一步缓解长尾推荐中信息不足问题。在Amazon系列的6个真实数据集上与6种经典模型进行实验对比，相较于长尾推荐模型中最优的结果，所提模型LT-GRU在HR与NDCG两个指标上分别平均提高2.49%、3.80%。这表明，在不牺牲头部用户和热门项目推荐性能的情况下，有效地缓解了长尾用户和长尾项目问题。

关键词：推荐系统长尾推荐信息协同增强 GRU

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：