基于双向时间卷积网络的半监督日志异常检测

1

作者 尹春勇 孔娴 《计算机应用研究》 CSCD 北大核心 2024年第7期2110-2117,共8页

由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然... 由于日志解析准确率不高以及标记样本不足降低了异常检测的准确率,所以提出了一种新的基于日志的半监督异常检测方法。首先,通过改进字典的日志解析方法,保留了日志事件中的部分参数信息,从而提高日志信息的利用率和日志解析的准确率;然后,使用BERT对模板中的语义信息进行编码,获得日志的语义向量;接着采用聚类的方法进行标签估计,缓解了数据标注不足的问题,有效提高了模型对不稳定数据的检测;最后,使用带有残差块的双向时间卷积网络(Bi-TCN)从两个方向捕获上下文信息,提高了异常检测的精度和效率。为了评估该方法的性能,在两个数据集上进行了评估,最终实验结果表明,该方法与最新的三个基准模型LogBERT、PLELog和LogEncoder相比,F 1值平均提高了7%、14.1%和8.04%,能够高效精准地进行日志解析和日志异常检测。 展开更多

关键词 日志解析 异常检测 半监督学习 双向时间卷积网络 上下文相关性

在线阅读 下载PDF 职称材料

基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法 被引量：2

2

作者 梁浩鹏 曹洁 赵小强 《控制与决策》 EI CSCD 北大核心 2024年第4期1288-1296,共9页

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和... 在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征,Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差. 展开更多

关键词 滚动轴承 剩余使用寿命预测 多传感器融合 双向时间卷积网络 双向长短期记忆网络

原文传递

基于双向时间深度卷积网络的中文文本情感分类 被引量：14

3

作者 韩建胜 陈杰 +2 位作者 陈鹏 刘杰 彭德中 《计算机应用与软件》 北大核心 2019年第12期225-231,共7页

普通时间卷积网络对文本进行单向特征提取不能充分捕捉文本特征,对文本的分析能力较弱。提出一种基于双向时间卷积网络(Bi TCN)的情感分析模型。模型使用单向多层空洞因果卷积结构分别对文本进行前向和后向特征提取,将两个方向的序列特... 普通时间卷积网络对文本进行单向特征提取不能充分捕捉文本特征,对文本的分析能力较弱。提出一种基于双向时间卷积网络(Bi TCN)的情感分析模型。模型使用单向多层空洞因果卷积结构分别对文本进行前向和后向特征提取,将两个方向的序列特征融合后进行情感分类。研究并分析模型中卷积层数、卷积核大小和空洞因子三个参数对情感分类结果的影响。实验证明,与单向时间卷积网络情感分析模型相比,双向时间卷积网络模型在四个中文情感分析数据集上的准确率分别提高了2.5%、0.25%、2.33%和2.5%。 展开更多

关键词 情感分析 自然语言处理 空洞卷积 因果卷积 双向时间卷积网络

在线阅读 下载PDF 职称材料

基于LERT和BiTCN的金融领域命名实体识别

4

作者 陈雪松 王璐瑶 王浩畅 《计算机技术与发展》 2025年第3期125-132,共8页

针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过... 针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过在TCN内部增加反向卷积层将其改进为BiTCN,采用BiTCN对字符向量进行编码以提取字符向量的全局语义特征;最后,通过CRF进行解码以得到最佳的预测标签序列。在公开数据集ChFinAnn和自制数据集FinanceNER两个金融领域数据集上进行对比实验,该模型在两个数据集上的F1值分别达到了84.16%和92.17%。相较于其它模型,该模型在金融领域的命名实体识别任务中效果更好,表明该模型具有一定的有效性。同时又在公开的Resume数据集上进行对比实验,该模型F1值相较于基线模型BiGRU-CRF提升2.31%,表明该模型具有一定的泛化性。 展开更多

关键词 LERT模型 金融领域 命名实体识别 双向时间卷积网络 条件随机场

在线阅读 下载PDF 职称材料

基于VMD-CNN-BiTCN滚动轴承故障诊断

5

作者 徐志祥 玄永伟 +1 位作者 王洪洋 王壬杰 《微特电机》 2025年第2期68-73,共6页

针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(V... 针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(VMD)分解为K个本征模函数(IMF);将分解后的信号输入到CNN层中进行特征提取和信号压缩;将该信号送入BiTCN中,提取正反两个方向的时序特征,使用膨胀卷积最大化感受野;通过池化层和全连接层实现滚动轴承故障诊断。实验结果显示,该模型在特征提取能力和时序特征感知具有显著优势,能够在多个数据集中表现出良好的故障诊断性能和泛化能力。 展开更多

关键词 滚动轴承 故障诊断 卷积神经网络 双向时间卷积网络 变分模态分解

在线阅读 下载PDF 职称材料

基于AF-BiTCN的弹道中段目标HRRP识别

6

作者 王晓丹 王鹏 +2 位作者 宋亚飞 向前 李京泰 《北京航空航天大学学报》 北大核心 2025年第2期349-359,共11页

针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为... 针对弹道中段目标高分辨距离像(HRRP)的时序特征提取和识别问题,为充分利用弹道中段目标HRRP的双向时序信息,进一步提高识别性能,提出一种基于加性融合双向时间卷积神经网络(AF-BiTCN)的识别方法。对HRRP数据采用双向时序滑窗法处理为双向序列;构建BiTCN逐层提取HRRP的双向深层时序特征,并将双向时序特征采用加性策略融合;利用更加稳健的融合特征实现对弹道中段目标的识别,并使用Adam算法优化AF-BiTCN的收敛速度和稳定性。实验结果表明:所提的基于AF-BiTCN的弹道中段目标HRRP识别方法较堆叠选择长短期记忆网络(SLSTM)、堆叠门控循环单元(SGRU)等6种时序方法具有更高的准确率和更快的识别速度,在测试集上达到了96.60%的准确率,并且在噪声数据集上表现出更好的鲁棒性。 展开更多

关键词 双向时间卷积神经网络 弹道目标识别 特征融合 高分辨距离像 滑窗算法

在线阅读 下载PDF 职称材料

基于BiTCN-BiGRU-AM的光伏电站输出功率预测

7

作者 袁晨曦 《上海节能》 2025年第3期422-430,共9页

随着光伏发电在全球能源结构中的比重不断增加,精确预测光伏电站输出功率成为提高电力系统稳定性和优化能源调度的关键。研究了一种新的组合深度学习模型,结合了双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)... 随着光伏发电在全球能源结构中的比重不断增加,精确预测光伏电站输出功率成为提高电力系统稳定性和优化能源调度的关键。研究了一种新的组合深度学习模型,结合了双向时序卷积网络(bidirectional temporal convolutional network,BiTCN)、双向门控循环单元(bidirectional gated recurrent unit,BiGRU)和注意力机制(attention mechanism,AM),从而捕捉时间序列数据的长期依赖性和复杂特征,旨在提高光伏电站输出功率预测的精确性和鲁棒性。通过横纵比较分析6种模型在4个不同季节背景,以及不同地区数据预测结果,在多个评价指标下的表现,全面评估了模型的预测准确性、稳定性和鲁棒性。该研究结果表明,该模型在预测准确性和稳定性方面表现良好,对光伏电站输出功率预测领域的发展具有积极的贡献。 展开更多

关键词 光伏电站输出功率预测 双向时间卷积网络 双向门控循环单元 注意力机制

在线阅读 下载PDF 职称材料

基于CPO优化BiTCN-BiGRU的短期电力负荷预测

8

作者 刘祉妤 王鹤炅 《现代工业经济和信息化》 2025年第2期98-99,共2页

为有效提高预测的准确性,提出一种基于冠豪猪算法优化BiTCN-BiGRU的短期电力负荷预测模型。首先,BiTCN将输入的时间序列数据进行局部特征提取;其次,BiGRU(双向门控循环单元)将进一步处理BiTCN(双向卷积神经网络)输出的数据,捕捉长期依... 为有效提高预测的准确性,提出一种基于冠豪猪算法优化BiTCN-BiGRU的短期电力负荷预测模型。首先,BiTCN将输入的时间序列数据进行局部特征提取;其次,BiGRU(双向门控循环单元)将进一步处理BiTCN(双向卷积神经网络)输出的数据,捕捉长期依赖关系;最后,采用冠豪猪算法优化四种网络参数,提高该模型的预测精度。实验结果可以验证该模型能够有效提高短期电力负荷预测的准确性,具有一定参考价值。 展开更多

关键词 短期电力负荷预测 冠豪猪算法 双向时间卷积神经网络 双向门控循环单元

在线阅读 下载PDF 职称材料

基于社交媒体文本信息的金融时序预测 被引量：1

9

作者 李大舟 于沛 +1 位作者 高巍 马辉 《计算机工程与设计》 北大核心 2021年第8期2224-2231,共8页

针对传统股票趋势预测模型中忽略社交媒体文本信息对股价变化的影响和时间序列的平稳性处理、长期依赖等问题,提出一种融合社交媒体文本信息和LSTM的股票趋势预测模型(BiTCN-LSTM)。该模型分为情感分析和金融时序预测两部分。情感分析... 针对传统股票趋势预测模型中忽略社交媒体文本信息对股价变化的影响和时间序列的平稳性处理、长期依赖等问题,提出一种融合社交媒体文本信息和LSTM的股票趋势预测模型(BiTCN-LSTM)。该模型分为情感分析和金融时序预测两部分。情感分析层将社交媒体文本信息输入到双向时间卷积网络进行特征提取和情感分析,得到积极或者消极的情感分类表示;金融时序预测层使用LSTM神经网络,将差分运算后的股票历史数据和文本情感特征向量加权融合作为网络输入,完成金融时序预测任务。通过上海证券综合指数数据集的实验验证,与传统金融时序预测模型相比,该模型的RMSE指标降低3.44-43.62。 展开更多

关键词 情感分析 双向时间卷积网络 差分运算 长短时记忆 金融时间序列预测

在线阅读 下载PDF 职称材料

基于双向长效注意力特征表达的少样本文本分类模型研究 被引量：2

10

作者 徐彤彤 孙华志 +2 位作者 马春梅 姜丽芬 刘逸琛 《数据分析与知识发现》 CSSCI CSCD 北大核心 2020年第10期113-123,共11页

【目的】针对当前文本分类任务中存在的训练数据匮乏以及模型泛化性能低等问题,在少样本环境下研究文本分类问题,提出一种少样本文本分类模型。【方法】基于元学习中的分段训练机制将文本分类任务划分为多个子任务;为了捕捉每个子任务... 【目的】针对当前文本分类任务中存在的训练数据匮乏以及模型泛化性能低等问题,在少样本环境下研究文本分类问题,提出一种少样本文本分类模型。【方法】基于元学习中的分段训练机制将文本分类任务划分为多个子任务;为了捕捉每个子任务中文本的长效上下文信息,提出双向时间卷积网络;为了捕获辨别力更强的特征,联合双向时间卷积网络和注意力机制提出双向长效注意力网络;利用一种新的神经网络模型度量每个子任务中查询样本与支持集的相关性,从而实现少样本文本分类。【结果】在ARSC数据集上进行实验,实验结果表明,在少样本环境下,该模型的分类准确率高达86.80%,比现有先进的少样本文本分类模型ROBUSTTC-FSL和Induction-Network-Routing的准确率分别提高了3.68%和1.17%。【局限】仅针对短文本分类问题,对于篇幅较长的文本,其分类能力有限。【结论】双向长效注意力网络克服了训练数据匮乏问题且充分捕获文本的语义信息,有效提高了少样本文本分类性能。 展开更多

关键词 少样本文本分类 注意力机制 少样本学习 双向时间卷积网络

原文传递

基于模态分解和误差修正的短期电力负荷预测

11

作者 鄢化彪 李东丽 +2 位作者 黄绿娥 张航菘 姚龙龙 《电子测量技术》 2025年第5期92-101,共10页

针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大... 针对电力负荷非线性、高波动性和强随机性等特性导致无法充分提取时序特征引起预测误差较大的问题,提出了基于改进的自适应白噪声完全集合经验模态分解和误差修正的双向时间卷积网络-双向长短期记忆网络短期电力负荷预测方法。先由最大信息系数筛选出与负荷高度相关的特征集,以削弱特征冗余;通过改进的自适应白噪声完全集合经验模态分解将高波动性的负荷分解为频率各异的本征模态分量和残差,以降低非平稳性;引入样本熵将复杂度相近的分量重构成新子序列,以降低计算量;然后,结合并行双向时间卷积网络提取不同尺度的特征,利用双向长短期记忆网络对负荷序列初步预测,使用麻雀优化算法对神经网络超参数调优;最后,误差序列通过误差修正模块对初始预测值进行修正。经实验验证,与其他预测模型相比,RMSE最多降低51.42%,最少降低34.26%,验证了模型的准确性和有效性。 展开更多

关键词 电力负荷 短期预测 自适应经验模态分解 样本熵 双向时间卷积网络 双向长短期记忆 麻雀搜索算法

在线阅读 下载PDF 职称材料

基于超参数优化的重质碳酸钙粉体粒度预测研究

12

作者 黄何 邹帅 +1 位作者 杨靖 黄福川 《电子测量技术》 2025年第4期51-61,共11页

重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙... 重质碳酸钙粉磨系统中,粒度是衡量产品质量的关键指标之一,准确预测粒度有助于控制产品质量并指导立磨(VRM)进行参数调节。因此,该研究提出了一种基于常春藤算法(IVYA)的双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)相结合的重钙粉体粒度预测模型。首先对特征和标签数据进行预处理,利用时变滤波经验模态分解联合小波阈值去除分级机电流中的高频噪声;然后通过BiTCN从前后两个方向挖掘时间序列中多维特征间的关联性,在BiGRU输出端融入注意力模块赋予每一个位置不同的权重,从而有效关注序列中的的关键数据。其次,在整个模型上引入IVYA寻找神经网络中关键超参数的最优解。最后,以某碳酸钙粉磨工厂实测数据为例进行模型实验。实验表明,IVYA优化后的模型相比较于其他单一模型和组合模型具有更高的预测性能,其均方根误差、平均绝对误差、平均相对百分误差和决定系数分别为:0.8244、0.4230、1.2954%、98.95%。 展开更多

关键词 双向时间卷积网络 双向门控循环单元 超参数优化 粒度预测

在线阅读 下载PDF 职称材料