期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4,920篇文章
< 1 2 … 246 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于时间卷积和长短期记忆网络的短期云资源预测模型
1
作者 陈基漓 李海军 谢晓兰 《科学技术与工程》 北大核心 2025年第7期2856-2864,共9页
随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模... 随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模型和组合模型所存在的预测精度低以及捕获序列特征不充分问题,提出基于时间卷积和长短期记忆网络(temporal convolutional network-long short-term memory, TCN-LSTM)的短期云资源组合预测模型,组合模型中的空洞卷积在不减少特征尺寸的情况下增加感受野获取更长久的时间序列特征,其中残差网络可以跨层传递信息以加快网络的收敛,所获取的时间序列特征可有效提高LSTM的预测精度。利用阿里巴巴公开数据集的进行预测,实验表明所提出的模型与单一的预测模型以及其他组合模型进行对比分析,误差指标-平均绝对误差(mean absolute error, MAE)降低8%~13.7%,均方根误差(root mean squared error, RMSE)降低9.8%~13.1%,证明所提模型的有效性。 展开更多
关键词 容器云 云资源预测 时间卷积网络(TCN) 长短期记忆网络(LSTM)
在线阅读 下载PDF
基于多特征提取-卷积神经网络-长短期记忆网络的短期风电功率预测方法
2
作者 匡洪海 郭茜 《发电技术》 2025年第1期93-102,共10页
【目的】天气和随机因素会改变误差的统计特征,因此考虑对影响风电功率的多种气候因素进行特征提取,为优化功率时序特征提取,提出基于多特征提取(multimodal feature extraction,MFE)-卷积神经网络(convolutional neural network,CNN)-... 【目的】天气和随机因素会改变误差的统计特征,因此考虑对影响风电功率的多种气候因素进行特征提取,为优化功率时序特征提取,提出基于多特征提取(multimodal feature extraction,MFE)-卷积神经网络(convolutional neural network,CNN)-长短期记忆(long-short term memory,LSTM)网络的风电功率预测方法。【方法】首先,对数值天气预报(numerical weather prediction,NWP)数据提取11种统计性特征,通过提取基本特征和统计性特征对原始数据进行聚类,并根据类别分别建立预测模型,以提高预测模型的适应性;其次,在网络架构上对LSTM进行改进,通过CNN的特征提取能力和LSTM的非线性序列预测能力,实现对风电功率历史信息和NWP数据的充分挖掘。最后,利用我国新疆某风电场数据,通过MFE消融实验、CNN消融实验,验证了所提短期风电功率预测方法的有效性和优越性。【结果】相比于自回归移动平均(autoregressive integrated moving average,ARIMA)、全连接循环神经网络(fully recurrent neural network,FRNN)模型和MFE-LSTM、CNN-LSTM模型,MFE-CNN-LSTM预测方法的均方根误差与平均绝对误差均有所下降。【结论】MFE-CNN-LSTM预测方法可有效提取特征,并且MFE与CNN有效提升了预测准确性。 展开更多
关键词 多特征提取 卷积神经网络 长短期记忆网络 K-均值聚类算法 风电功率预测 短期预测 消融实验
在线阅读 下载PDF
基于卷积双向长短期记忆网络的微网继电保护故障诊断技术
3
作者 杨志淳 闵怀东 +3 位作者 杨帆 雷杨 胡伟 陈鹤冲 《太阳能学报》 北大核心 2025年第1期420-428,共9页
分布式电源种类和容量不断提升的微网运行方式复杂、故障特征微弱,现有的继电保护装置故障诊断方法无法满足保护需求。提出一种基于卷积双向长短期记忆网络的微网继电保护故障诊断技术。首先,分析多能源互补微网系统架构,对采集的三相... 分布式电源种类和容量不断提升的微网运行方式复杂、故障特征微弱,现有的继电保护装置故障诊断方法无法满足保护需求。提出一种基于卷积双向长短期记忆网络的微网继电保护故障诊断技术。首先,分析多能源互补微网系统架构,对采集的三相电流数据进行预处理,提高后续模型对数据的学习效率;然后,融合卷积神经网络和双向长短期记忆网络提出卷积双向长短期记忆网络的微网继电保护故障诊断方法,提取三相电流数据长序列和局部序列特征实现故障分类、故障定位,融合注意力机制,重点关注对故障诊断有影响的特征,提高故障诊断准确率;最后经过RTDS实时仿真系统进行验证,实验结果表明,所提方法故障诊断精度高、计算时间短,同卷积神经网络、长短期记忆网络、人工神经网络相比,故障分类准确率分别提升8.53%、9.62%、11.45%,故障定位准确率分别提升7.47%、10.61%、10.85%,验证所提方法的有效性与先进性。 展开更多
关键词 微网 继电保护 故障诊断 卷积双向长短期记忆网络 三相电流 注意力机制
在线阅读 下载PDF
基于长短期记忆网络-卷积神经网络的电力设备缺陷文本归口研究
4
作者 王璇 曹靖 韩培洁 《山西电力》 2025年第1期10-14,共5页
随着电网企业发展,电网生产运营中会产生大量电力设备缺陷文本,其中蕴含着电力设备维护与检修的重要信息。由于缺陷文本是非结构化数据,其价值的挖掘依赖于归口,为提升文本利用效率,提出了一种基于长短期记忆网络-卷积神经网络的电力设... 随着电网企业发展,电网生产运营中会产生大量电力设备缺陷文本,其中蕴含着电力设备维护与检修的重要信息。由于缺陷文本是非结构化数据,其价值的挖掘依赖于归口,为提升文本利用效率,提出了一种基于长短期记忆网络-卷积神经网络的电力设备缺陷文本自动归口模型。以变压器缺陷文本为例开展研究,模型采用长短期记忆网络对词的权重进行学习,卷积神经网络对带权重的词进行特征提取,用softmax进行分类,最终得到文本归口。通过算例分析,证明该模型在准确度、召回率等方面均优于卷积神经网络等常规方法。 展开更多
关键词 电力设备缺陷文本 文本分类 长短期记忆网络 卷积神经网络
在线阅读 下载PDF
基于改进长短期记忆网络模型的水库库区水温模拟
5
作者 郑铁刚 吴茂喜 +3 位作者 张迪 金瑾 林俊强 孙双科 《农业工程学报》 北大核心 2025年第3期144-153,共10页
水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中... 水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中嵌入相关分析模块自动筛选模型的特征输入,并优化输出维度,提出了一种改进的LSTM模型,并在溪洛渡水库工程开展了模型应用研究,结果表明:1)改进LSTM模型的均方根误差最大值为0.63,纳什效率系数最小值为0.96,表明模型整体性能较好,能够精准地捕捉数据中的长期依赖关系;2)基于改进LSTM模型的库区水温分布预测值和环境流体动力学模型(environmental fluid dynamics code,EFDC)模拟值随时间的量值分布及变化规律基本一致,两者的库区表层年际误差值为-1.19~1.04℃,中层年际误差值为-1.06~1.68℃,底层年际误差值为-1.28~1.07℃,年际水温最大相对误差为8.3%;3)相较于EFDC模型多天的模拟时长,改进模型的计算时间缩短至几百秒,计算效率大幅提升,实现了水温分布的快速、实时精准预测。该研究通过改进LSTM模型,实现了深水水库垂向水温的高效预测,研究结果可为分层取水设施的优化调控提供技术支撑。 展开更多
关键词 水温 模拟 改进的长短期网络记忆模型 水温分布 相关性分析 水温预测 人工智能学习
在线阅读 下载PDF
一种基于长短期记忆网络的雷达目标跟踪算法
6
作者 张正文 向严谨 廖桂生 《现代雷达》 北大核心 2025年第2期83-90,共8页
在道路交通系统中,毫米波雷达以其分辨率高和抗干扰能力强的特点成为了热门的目标运动信息采集传感器。传统的目标跟踪算法在雷达观测信息丢失的情况下会出现跟踪误差较大或无法进行目标跟踪的现象。针对这一问题,文中提出了一种基于长... 在道路交通系统中,毫米波雷达以其分辨率高和抗干扰能力强的特点成为了热门的目标运动信息采集传感器。传统的目标跟踪算法在雷达观测信息丢失的情况下会出现跟踪误差较大或无法进行目标跟踪的现象。针对这一问题,文中提出了一种基于长短期记忆(LSTM)网络的雷达目标跟踪算法,在雷达观测值正常时,利用LSTM网络的记忆函数,对雷达的观测值进行训练并预测;当雷达观测值丢失时,利用LSTM网络为扩展卡尔曼算法提供观测值的预测值,以保证扩展卡尔曼算法能够继续对目标进行跟踪,达到降低目标跟踪误差的目的。文中通过雷达实测数据对LSTM网络进行训练,并针对直线和曲线两种运动状态进行了仿真验证分析,仿真结果表明,提出的目标跟踪算法在雷达的观测值丢失的情况下仍然可以对目标进行跟踪,并有效地降低了目标跟踪算法的误差。 展开更多
关键词 毫米波雷达 目标跟踪 长短期记忆网络 扩展卡尔曼滤波 非线性滤波
在线阅读 下载PDF
基于长短期记忆神经网络的方柱表面风压时程预测
7
作者 杜晓庆 鲁羿 +1 位作者 董浩天 胡采瑶 《工程力学》 北大核心 2025年第4期130-138,186,共10页
该文提出了一种基于长短期记忆神经网络的风压时程预测模型,可通过少量测点的风压时间序列预测结构周向未知位置的风压时程。基于不同风向角下均匀来流方柱测压风洞试验数据,模型有效预测了方柱表面未知位置的风压时程。模型数据集需考... 该文提出了一种基于长短期记忆神经网络的风压时程预测模型,可通过少量测点的风压时间序列预测结构周向未知位置的风压时程。基于不同风向角下均匀来流方柱测压风洞试验数据,模型有效预测了方柱表面未知位置的风压时程。模型数据集需考虑合理序列长度范围内的关联性,以提高预测精度;多层网络结构能够提高模型的数据特征捕捉能力;训练测点数量的增加可以改善预测效果,但需考虑预测精度和测点布置经济性之间的平衡。平均风压分布、脉动风压分布和典型测点风压时程的预测值与试验值较为吻合,但方柱角点附近风压极值的预测误差相对较高,可能与该区域风压非高斯特征较强有关。 展开更多
关键词 风压预测 方柱 风洞试验 机器学习 长短期记忆神经网络
在线阅读 下载PDF
基于双向长短期记忆网络的气体绝缘全封闭组合电器设备的SF_(6)气体密度预测
8
作者 戴丽莉 《山西电力》 2025年第1期15-19,共5页
气体绝缘全封闭组合电器设备中的SF_(6)密度是决定其绝缘和灭弧性能的关键因素,实际中采用带有温度补偿功能的气体压力表作为密度表监测气体绝缘全封闭组合电器设备的SF_(6)密度。由于正常运行时气室温度与环境温度并不平衡且压力表的... 气体绝缘全封闭组合电器设备中的SF_(6)密度是决定其绝缘和灭弧性能的关键因素,实际中采用带有温度补偿功能的气体压力表作为密度表监测气体绝缘全封闭组合电器设备的SF_(6)密度。由于正常运行时气室温度与环境温度并不平衡且压力表的温度补偿功能不可避免地存在一定误差,运维人员在巡视过程中很难凭借经验准确判断SF_(6)密度表读数的变化是否正常。基于此,结合历史运行数据,利用双向长短期记忆神经网络对气体绝缘全封闭组合电器设备SF_(6)密度进行了高精度预测,为现场工作人员准确判断气体绝缘全封闭组合电器设备运行状态提供了有力支撑。 展开更多
关键词 气体绝缘全封闭组合电器设备 SF_(6)密度 双向长短期记忆网络 时间序列预测
在线阅读 下载PDF
区域化长短期记忆神经网络(LSTM)洪水预报模型研究
9
作者 叶可佳 梁忠民 +4 位作者 陈红雨 钱名开 胡义明 王军 李彬权 《湖泊科学》 北大核心 2025年第2期651-659,共9页
针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一... 针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一数据集,扩大样本数量,为建立乏资料流域洪水预报模型提供了可能。本文选择胶东半岛作为研究区进行应用研究。为验证区域化模型在不同场景中的应用效果,设计了预报流域数据不参与建模,而仅根据区域内其他流域资料建模(区域化模型Ⅰ),以及预报流域的部分数据参与建模(区域化模型Ⅱ)两种情景;此外,选取仅根据预报流域数据训练的单流域模型作为基准模型进行对比分析。结果表明,对本次研究的水文资料短缺流域,两种区域化模型均取得了较好效果,且都优于单流域模型。相较而言,考虑了预报流域数据的区域化模型精度更高,说明在区域化LSTM构建中融入预报流域的数据,可进一步提升区域化模型的精度。研究成果可为乏资料地区的洪水预报提供参考。 展开更多
关键词 长短期记忆神经网络 洪水预报 区域化模型 水文气候相似区 乏资料流域
在线阅读 下载PDF
基于树状结构Parzen估计器优化长短期记忆神经网络的燃煤机组NO_(x)生成浓度预测
10
作者 陈东升 梁中荣 +3 位作者 郑国 何荣强 屈可扬 甘云华 《中国电机工程学报》 北大核心 2025年第7期2710-2718,I0022,共10页
建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升N... 建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升NO_(x)预测模型精度与泛化性。该文提出一种基于树状结构Parzen估计器优化长短期记忆(tree-structure parzen estimator optimized long short-term memory neural network,TPE-LSTM)神经网络的NO_(x)生成浓度预测模型。基于某330 MW燃煤机组的历史运行数据,获取NO_(x)生成相关变量参数,将模型结构参数与NO_(x)相关变量参数的时间序列窗口长度以及主成分数量相互耦合,组成一类新的超参数;通过优化改进后的超参数取值,构建基于长短期记忆(long short-term memory,LSTM)神经网络的NO_(x)生成浓度预测模型;将所提出的超参数优化后的NO_(x)预测模型与基于未优化的LSTM模型、采用粒子群优化的LSTM(particle swarm optimization optimized LSTM,PSO-LSTM)模型对比,预测结果表明,TPE-LSTM预测模型具有较好的模型精度与泛化能力。 展开更多
关键词 燃煤锅炉 NO_(x)生成浓度预测 树状结构Parzen估计器 超参数优化 长短期记忆神经网络
在线阅读 下载PDF
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测
11
作者 杨超 毛军逵 +3 位作者 杨悦 王飞龙 邵发宁 毕帅 《推进技术》 北大核心 2025年第2期248-257,共10页
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶... 为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。 展开更多
关键词 多级涡轮 叶尖间隙预测 多任务学习 长短期记忆神经网络 贝叶斯优化
在线阅读 下载PDF
基于长短期记忆网络与射线声学的浅海声速剖面反演方法
12
作者 吴隆昊 刘松 +2 位作者 吴照志 潘才能 袁飞 《声学学报》 北大核心 2025年第1期12-22,共11页
针对水声多途信道环境下的水下声速剖面反演问题,将深度学习与射线声学理论结合,提出了一种基于长短期记忆网络(LSTM)的反演方法。该方法根据有序线阵等距的特点,将到达时间差、到达角度等多模态数据融合组成的感知矩阵作为输入,利用LST... 针对水声多途信道环境下的水下声速剖面反演问题,将深度学习与射线声学理论结合,提出了一种基于长短期记忆网络(LSTM)的反演方法。该方法根据有序线阵等距的特点,将到达时间差、到达角度等多模态数据融合组成的感知矩阵作为输入,利用LSTM网络处理时序数据的能力挖掘空间上有序分布的接收阵元之间的关联信息,从而实现声速剖面反演。在此基础上,还提出了基于互相关函数的硬阈值估计方法,通过降低感知矩阵的测量误差提高模型的抗多途性能。通过数值仿真验证了该反演方法的可行性和准确性,与传统优化算法相比,所提算法能够更好地捕捉声速剖面的非线性特征,具有更高的反演精度和较强的抗噪能力。 展开更多
关键词 声速剖面 长短期记忆网络 水声多途信道 时延估计
在线阅读 下载PDF
基于长短期记忆网络模型的联邦学习居民负荷预测
13
作者 朱嵩阳 张歌 +1 位作者 贾愉靖 白晓清 《现代电力》 北大核心 2025年第1期129-136,共8页
居民生活用电量在全社会用电量中占比达到15%以上,且用户数量巨大、分布广。对居民负荷进行准确预测有助于需求侧资源整合,满足需求侧响应的要求。现有居民负荷预测方法多为集中式,在服务器和客户端之间需要进行大量数据交换,导致通信... 居民生活用电量在全社会用电量中占比达到15%以上,且用户数量巨大、分布广。对居民负荷进行准确预测有助于需求侧资源整合,满足需求侧响应的要求。现有居民负荷预测方法多为集中式,在服务器和客户端之间需要进行大量数据交换,导致通信成本增加,并引发信息安全问题。基于联邦学习框架,采用长短期记忆网络对居民负荷预测方法进行研究。利用真实居民负荷数据进行仿真计算分析,结果表明,基于联邦学习的居民负荷预测准确率和计算效率优于集中式。此外,将FedAvg、FedAdagrad、FedYogi三种联邦学习策略进行比较,采用具有自适应优化功能的FedAdagrad联邦学习策略对居民负荷预测的准确率更高,收敛性更强。 展开更多
关键词 居民用户 集中式 联邦学习 负荷预测 长短期记忆网络
在线阅读 下载PDF
基于长短期记忆网络的换流站设备地震损伤识别方法
14
作者 李强 宋云海 +1 位作者 杨洋 张世洪 《高压电器》 北大核心 2025年第4期21-29,共9页
为了提高特高压换流站设备在地震中的损伤识别精度和实时性,文中提出了一种基于长短期记忆网络(LSTM)结合小波散射特征提取的设备损伤识别方法。通过有限元仿真模拟换流站设备在地震中的加速度响应,生成包含不同损伤工况的时程数据。采... 为了提高特高压换流站设备在地震中的损伤识别精度和实时性,文中提出了一种基于长短期记忆网络(LSTM)结合小波散射特征提取的设备损伤识别方法。通过有限元仿真模拟换流站设备在地震中的加速度响应,生成包含不同损伤工况的时程数据。采用小波散射技术对加速度信号进行特征提取,以减少信号噪声并保留损伤特征,再将提取后的特征输入LSTM模型进行损伤识别。结果表明,基于小波散射特征的LSTM网络相比直接使用原始加速度数据,显著提升了识别速度与精度,模型的最终识别准确率达到95%。该方法有效提高了换流站设备地震损伤识别的准确性和效率,为换流站等电力基础设施的健康监测和灾后评估提供了可靠的技术支持,并具有广泛的工程应用潜力。 展开更多
关键词 特高压换流站设备 地震损伤识别 长短期记忆网络 小波散射 深度学习
在线阅读 下载PDF
基于长短期记忆网络的半参数SEIR模型
15
作者 张静 金彤 《东北师大学报(自然科学版)》 北大核心 2025年第1期46-52,共7页
提出了带有非线性传播函数的半参数SEIR模型以捕获疾病的传播,从理论上分析了模型的基本性质及基本再生数.以新冠感染为例,比较了各国疫情初期的传播函数,得出不同地区人口、防疫措施等因素对疫情传播的影响不同.以印度为例,利用长短期... 提出了带有非线性传播函数的半参数SEIR模型以捕获疾病的传播,从理论上分析了模型的基本性质及基本再生数.以新冠感染为例,比较了各国疫情初期的传播函数,得出不同地区人口、防疫措施等因素对疫情传播的影响不同.以印度为例,利用长短期记忆(LSTM)神经网络对传播函数的离散值进行了拟合,代回半参数SEIR模型后预测出感染人数,所得结果与经典SEIR模型比较,平均绝对百分比误差降低71.73%.因此,半参数SEIR模型对疫情的理论估计更符合实际情况. 展开更多
关键词 SEIR模型 传播函数 半参数 长短期记忆神经网络 新冠感染
在线阅读 下载PDF
基于长短期记忆网络的脑电相位预测方法研究
16
作者 庞紫胭 赵鑫雨 +4 位作者 买文姝 赵悦茁 刘志朋 殷涛 靳静娜 《医疗卫生装备》 2025年第3期1-8,共8页
目的:为了提高经颅磁刺激(transcranial magnetic stimulation,TMS)中脑电相位同步预测的准确性和鲁棒性,提出一种基于长短期记忆网络(long short-term memory network,LSTM)的脑电相位预测方法。方法:首先,构建由输入层、LSTM层、ReLU... 目的:为了提高经颅磁刺激(transcranial magnetic stimulation,TMS)中脑电相位同步预测的准确性和鲁棒性,提出一种基于长短期记忆网络(long short-term memory network,LSTM)的脑电相位预测方法。方法:首先,构建由输入层、LSTM层、ReLU激活层、全连接层和回归层组成的LSTM,通过输入门、遗忘门和输出门的协同作用捕获脑电信号特征。其次,对30名健康受试者的睁眼静息态脑电数据使用LSTM训练得到预测模型,用于脑电信号和脑电相位预测。最后,对比LSTM方法与传统自回归(autoregressive,AR)方法在总体和个体水平上的相位预测误差以及2种方法对波峰、波谷的预测性能,并采用线性回归模型探究LSTM方法下脑电瞬时幅值、信噪比与相位预测误差的关系。结果:LSTM方法的总相位预测误差为0.04°±5.69°,小于传统AR方法(总相位预测误差为-3.36°±51.13°),且对于每位受试者,LSTM方法的相位预测准确性均优于传统AR方法,差异有统计学意义(P<0.001)。LSTM方法可准确预测约89%的波峰(谷),而传统AR方法仅可准确预测约10%的波峰(谷)。不同于传统AR方法,在LSTM方法下,脑电瞬时幅值和信噪比与相位预测误差均无线性关系(P分别为0.58、0.18)。结论:基于LSTM的脑电相位预测方法具有高准确性和鲁棒性,可为脑电相位同步TMS方式提供一种有效的相位预测方法。 展开更多
关键词 经颅磁刺激 脑电 脑电相位 长短期记忆网络 自回归 脑电信号
在线阅读 下载PDF
基于卷积和长短期记忆网络的地浸开采铀浓度预测研究 被引量：1
17
作者 贾明滔 谭笑 +2 位作者 苏学斌 陈梅芳 鲁芳 《铀矿地质》 CAS CSCD 2024年第3期578-586,共9页
文章通过集成经验模态分解(Empirical Mode Decomposition,EMD)、卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、傅里叶变换,提出了一种新型地浸单元浸出液铀浓度预测方法。该方法... 文章通过集成经验模态分解(Empirical Mode Decomposition,EMD)、卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆网络(Long Short-Term Memory,LSTM)、傅里叶变换,提出了一种新型地浸单元浸出液铀浓度预测方法。该方法将浸出液铀浓度监测值时间序列使用EMD进行分解,分解为趋势项、周期项和随机项。通过构建CNN+LSTM网络,并结合傅里叶变换和多项式拟合对铀浓度趋势项、周期项和随机项进行预测,3者预测之和作为铀浓度预测结果。实证结果表明:EMD能够有效分解铀浓度时间序列,模型拟合度比未进行EMD分解的模型提升超50%;基于EMD、CNN+LSTM和傅里叶变换的集成方法预测精度良好,预测的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)为0.348,与LSTM、反向传播(Back Propagation,BP)和门控循环网络(Gate Recurrent Unit,GRU)等模型相比最高提升超80%。文章提出的集成方法能够准确预测浸采单元铀浓度变化,解决了原有方法和模型无法对非线性、非平稳铀浓度序列进行准确预测的问题,从而为地浸矿山生产规划提供技术支持,并有助于提升中国铀矿山的数字化、信息化程度。 展开更多
关键词 铀浓度预测 经验模态分解 卷积神经网络 长短期记忆 傅里叶变换
在线阅读 下载PDF
长短期记忆网络在P波初至震相识别中的实验研究
18
作者 王天哲 张万佶 +1 位作者 祁善博 江国明 《CT理论与应用研究(中英文)》 2025年第2期205-215,共11页
初至震相的识别是地震数据处理中的基本内容。由于人工识别效率较低,且受到人为主观因素的影响,因此近年来陆续发展出许多自动识别初至震相的方法。然而,这些自动识别方法主要基于背景噪声和地震信号的差异,并且通常需要一个阈值,因此... 初至震相的识别是地震数据处理中的基本内容。由于人工识别效率较低,且受到人为主观因素的影响,因此近年来陆续发展出许多自动识别初至震相的方法。然而,这些自动识别方法主要基于背景噪声和地震信号的差异,并且通常需要一个阈值,因此难以在复杂的地震区域实施或应对海量的地震数据。为克服这些不足,本文搭建7层基于长短期记忆网络(Lstm)的卷积循环神经网络,开展P波初至震相识别的实验研究,并利用南加州公开的数据集对新建的卷积循环神经网络进行训练和测试。通过与传统的卷积神经网络、自动识别算法、Pick-Net、EQtransformer网络等进行对比,本研究搭建的卷积循环神经网络的识别精度相对较高,因此可直接使用地震波形数据作为时间序列进行训练。此外,虽然本研究建立的卷积循环神经网络只有7层网络,但基本达到复杂网络模型的震相识别精度,充分说明卷积循环神经网络的优势。综上,本研究提出的基于时间序列卷积循环神经网络为P波初至震相的自动识别提供一种新思路,为快速精准的自动识别震相问题提供技术支持。 展开更多
关键词 深度学习 初至震相 卷积循环神经网络 长短期记忆网络 时间序列
在线阅读 下载PDF
基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测 被引量：1
19
作者 崔明勇 董文韬 卢志刚 《现代电力》 北大核心 2024年第4期631-641,共11页
近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition wi... 近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。 展开更多
关键词 风电功率预测 密度聚类 自适应噪声完备集成经验模态分解 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于注意力长短期记忆深度网络的变电站上游水库水文防汛数据建模
20
作者 梁允 郭志民 +2 位作者 孟高军 卢明 李哲 《电子器件》 2025年第1期182-186,共5页
对变电站上游水库流入量的可靠预测是变电站防汛预报的一个关键因素。流入量的预测由于需要综合考虑气候和水文变化的影响,使其成为一项复杂的任务。开发了一种基于卷积长短期记忆的深度学习方法来实时预测排水量。这种实时预测不仅有... 对变电站上游水库流入量的可靠预测是变电站防汛预报的一个关键因素。流入量的预测由于需要综合考虑气候和水文变化的影响,使其成为一项复杂的任务。开发了一种基于卷积长短期记忆的深度学习方法来实时预测排水量。这种实时预测不仅有助于水资源的有效运行,同时可以有效地监测放水的日常变化,提高运行的可靠性。通过考虑历史观测日数据中的降水量、温度、土壤含水量等信息,利用注意力长短期记忆网络异常检测算法对变电站所处地区的防汛工作进行预测。多瑙河流域观察日数据上进行的实验结果表明,所提出的方法减少了每个分析的水位测量站的误差,高水位时期的实验结果也证实所提出的方法要优于浅层模型。 展开更多
关键词 洪水预测 长短期记忆网络 注意力机制 预测模型
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 246 下一页 到第 页
使用帮助 返回顶部