针对无法有效利用脑电通道拓扑结构学习更有鉴别性的脑电特征问题,本文基于长短期记忆网络和图卷积神经网络,提出动态图卷积联合记忆网络(Dynamic Graph Convolutional Joint Long Short Term Memory Network,DGCJMN)方法。首先将脑电...针对无法有效利用脑电通道拓扑结构学习更有鉴别性的脑电特征问题,本文基于长短期记忆网络和图卷积神经网络,提出动态图卷积联合记忆网络(Dynamic Graph Convolutional Joint Long Short Term Memory Network,DGCJMN)方法。首先将脑电通道作为图的节点,微分熵作为节点特征,利用动态参数学习最优的脑电通道拓扑结构,构建特征图;之后,由图卷积神经网络提取图域特征,并结合长短期记忆网络和池化进一步提取特征;最后将图卷积网络、长短期记忆网络和池化提取的特征融合后进行情绪分类。所提方法在SEED数据集上针对积极、中性和消极3种情绪取得的平均准确率为95.93%,精确率、召回率和F1值分别为96.11%、95.93%和0.96,Kappa系数为0.939。混淆矩阵表明,模型对于3种情绪都达到了较好的分类效果。展开更多
准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法...准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。展开更多
目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地...目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。展开更多
针对海上无人集群系统的运动特性,提出了一种基于多层长短时记忆(multi-layer long short-term memory)网络模型的海上无人集群系统航迹预测方法。应用海上无人集群时间序列信息,构建海上无人集群系统航迹预测模型,能够实现对海上无人...针对海上无人集群系统的运动特性,提出了一种基于多层长短时记忆(multi-layer long short-term memory)网络模型的海上无人集群系统航迹预测方法。应用海上无人集群时间序列信息,构建海上无人集群系统航迹预测模型,能够实现对海上无人集群系统航迹准确可靠的预测。试验表明:基于多层长短期记忆网络的航迹预测技术具有较高的准确性和可靠性,可为未来海上无人集群系统在航运中的航行动态行为预测提供新的思路。展开更多
文摘针对无法有效利用脑电通道拓扑结构学习更有鉴别性的脑电特征问题,本文基于长短期记忆网络和图卷积神经网络,提出动态图卷积联合记忆网络(Dynamic Graph Convolutional Joint Long Short Term Memory Network,DGCJMN)方法。首先将脑电通道作为图的节点,微分熵作为节点特征,利用动态参数学习最优的脑电通道拓扑结构,构建特征图;之后,由图卷积神经网络提取图域特征,并结合长短期记忆网络和池化进一步提取特征;最后将图卷积网络、长短期记忆网络和池化提取的特征融合后进行情绪分类。所提方法在SEED数据集上针对积极、中性和消极3种情绪取得的平均准确率为95.93%,精确率、召回率和F1值分别为96.11%、95.93%和0.96,Kappa系数为0.939。混淆矩阵表明,模型对于3种情绪都达到了较好的分类效果。
文摘准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。
文摘目前,大量煤巷设计规程数据处于休眠状态,并未给设计人员提供参考,支护设计主要依靠专家经验。为解决这一问题,将基于深度学习的长短期记忆网络(Long Short Term Memory,LSTM)算法引入煤矿巷道领域进行支护设计参数预测。收集全国各地煤矿巷道支护规程文本资料,利用LSTM算法构建煤矿巷道支护设计参数预测模型。结果表明,LSTM模型能较好地达到煤矿巷道支护设计参数预测的效果;为了更加直观地看出模型测试集的整体预测效果,随机选取测试集中的9条数据,可视化展示模型效果。最后,将模型运用在M煤矿F6204工作面巷道工程,模型生成的新方案与实际方案基本吻合,验证了模型的实用性和智能性。
文摘针对海上无人集群系统的运动特性,提出了一种基于多层长短时记忆(multi-layer long short-term memory)网络模型的海上无人集群系统航迹预测方法。应用海上无人集群时间序列信息,构建海上无人集群系统航迹预测模型,能够实现对海上无人集群系统航迹准确可靠的预测。试验表明:基于多层长短期记忆网络的航迹预测技术具有较高的准确性和可靠性,可为未来海上无人集群系统在航运中的航行动态行为预测提供新的思路。
