检索结果-内蒙古大学图书馆

机械设计与制造 2025年第3期409卷 281-287,292页

作者：李彬陶建峰刘成良贡亮上海交通大学机械与动力工程学院上海200240

谐波减速器是工业机器人的核心部件。在其运行过程中,功率信号是表征谐波减速器运行状态的关键参数,因此实时准确地预测谐波减速器功率,对于其失效预警具有指导性意义。提出了基于CNN和BiLSTM的混合深层神经网络(DCBNN),用于处理谐波减... 详细信息

谐波减速器是工业机器人的核心部件。在其运行过程中,功率信号是表征谐波减速器运行状态的关键参数,因此实时准确地预测谐波减速器功率,对于其失效预警具有指导性意义。提出了基于CNN和BiLSTM的混合深层神经网络(DCBNN),用于处理谐波减速器状态监测数据从而准确地预测其功率信号。首先,对测得的运行参数进行数据预处理,并划分好数据集。然后,将分割好的数据集输入到DCBNN中,利用CNN和BiLSTM分支提取状态监测数据的空间特征和双向时序依赖。在此基础上,根据预测结果获得功率实际值和预测值残差的绝对值,利用概率论分布拟合方法拟合残差曲线,以获得谐波减速器失效预警的警报阈值。最后,使用谐波减速器实验数据构建的8个不同数据集来验证所提方法的有效性和优越性。在完整数据集上的试验结果表明,DCBNN模型可以有效的对谐波减速器进行失效预警。

关键词：失效预警谐波减速器功率预测卷积神经网络双向长短期记忆神经网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于气象辐照数据和引力搜索算法优化VMD-BiLSTM的光伏发电功率预测研究

引用

现代电力 2025年

作者：马海洋成贵学王函韵赵晋斌上海电力大学计算机科学与技术学院国网湖州供电公司上海电力大学电气工程学院

为提高光伏发电功率预测精度，保证电力系统安全调度和稳定运行，提出一种基于变分模态分解(variational mode decomposition,VMD)和引力搜索算法(gravitational search algorithm,GSA)优化双向长短期记忆神经网络(bidirectional long s... 详细信息

为提高光伏发电功率预测精度，保证电力系统安全调度和稳定运行，提出一种基于变分模态分解(variational mode decomposition,VMD)和引力搜索算法(gravitational search algorithm,GSA)优化双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测方法。针对影响光伏发电功率的时序信号存在非线性和非平稳性特征的问题，选取倾斜辐照度、水平辐照度、温度、湿度等气象数据作为特征输入变量，利用VMD算法将其分解为若干个不同的模态并对每个分量分别进行建模；针对传统BILSTM模型存在参数选择不确定性和收敛速度较慢的问题，引入GSA算法对模型参数优化，缩短手动调制参数的时间，提高超参数设置的精度和效率。使用南方某园区实际光伏发电数据集对所提模型性能进行验证，结果表明，与传统神经网络预测模型和固定参数组合预测模型相比，该方法具有更高的预测准确性和稳定性。

关键词：光伏功率预测变分模态分解引力搜索算法双向长短期记忆神经网络辐照度

来源：评论

学校读者我要写书评

暂无评论

基于CNN-BiLSTM模型的平原型水库洪水预报研究

引用

水电能源科学 2025年第2期43卷 10-14页

作者：赵忠峰王雪妮晋华郑婕刘晓东郭园太原理工大学水利科学与工程学院山西太原030024 河南省黄河流域水资源节约集约利用重点实验室河南郑州450046 中国电建集团西北勘测设计院有限公司陕西西安710065

在平原型水库反推入库流量过程中,存在明显的噪声干扰,导致传统的洪水预报方法精度下降。对此,提出一种结合卷积神经网络(CNN)与双向长短期记忆神经网络(BiLSTM)的入库洪水预报模型,该模型采用CNN的卷积层挖掘入库洪水数据中的深层特征... 详细信息

在平原型水库反推入库流量过程中,存在明显的噪声干扰,导致传统的洪水预报方法精度下降。对此,提出一种结合卷积神经网络(CNN)与双向长短期记忆神经网络(BiLSTM)的入库洪水预报模型,该模型采用CNN的卷积层挖掘入库洪水数据中的深层特征信息,并赋予不重要特征较低的权重,以便模型更加专注于对目标任务关键的特征信息。此外,利用BiLSTM处理流量序列中的长期依赖问题,通过其遗忘门有选择性地过滤掉权重较低的特征信息,实现对入库洪水过程的准确预测。最后,基于不同预见期评估所构建模型在安徽省合肥市大房郢水库入库洪水预报中的精准度。结果表明,4 h预见期下CNN-BiLSTM模型在入库洪水预报中具有更高的预报精度,相比BiLSTM模型和新安江(XAJ)模型,其确定性系数(D_(DC))分别提升9.9%、39.0%,均方根误差(R_(RMSE))和相对偏差(B_(BIAS))分别降低34.6%、17.1%和148.6%、20.6%。研究成果可为反推入库流量过程的平原型水库入库洪水预报提供新思路和技术支持。

关键词：平原型水库卷积神经网络双向长短期记忆神经网络入库洪水预报

来源：评论

学校读者我要写书评

暂无评论

基于组合模态分解与IGWO-BiLSTM的短期风电功率预测

引用

计算机测量与控制 2025年

作者：任爽姚大学刘俊享程天祥东北石油大学电气信息工程学院

为了提高双向长短期记忆神经网络(BiLSTM)进行风电功率预测的精度，针对BiLSTM存在的参数优化问题，通过引入透镜成像反向学习进行种群初始化、改进收敛方式、并结合柯西变异算法，改进了传统的灰狼算法(GWO)来优化BiLSTM超参数，并基于... 详细信息

为了提高双向长短期记忆神经网络(BiLSTM)进行风电功率预测的精度，针对BiLSTM存在的参数优化问题，通过引入透镜成像反向学习进行种群初始化、改进收敛方式、并结合柯西变异算法，改进了传统的灰狼算法(GWO)来优化BiLSTM超参数，并基于ICEEMDAN-VMD组合模态分解和改进后的GWO算法提出了一种ICEEMDAN-VMD-IGWO-BiLSTM组合预测模型；在我国西北地区某风场公开数据集上做了验证，实验结果表明：ICEEMDAN-VMD-IGWO-BiLSTM组合模型的MAE、MSE、RMSE分别为4.9189MW、32.3683MW、5.6893MW；相较于CNN-LSTM、CNN-BiLSTM神经网络模型以及其他组合模型在预测精度上都有明显的提升，能很好的解决风电预测精度不高的问题。

关键词：短期风电功率预测改进灰狼算法分解技术样本熵双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

考虑分时段变化趋势的PCA-SABO-BiLSTM短期电力负荷预测方法研究

引用

电气自动化 2025年第1期47卷 82-85页

作者：袁玉宝屈海云任庆峰石家庄科林电气股份有限公司河北石家庄050071 石家庄科林恒昇电子科技有限公司河北石家庄050091 华北水利水电大学河南郑州450045

为了精确预测某工业园区用电负荷,提出一种考虑负荷分时段变化趋势的主成分分析法耦合减法平均算法优化的双向长短期记忆神经网络预测模型。首先将园区的用电负荷,根据各个时间段的变化趋势分为上升、平缓、下降三个趋势段;其次使用主... 详细信息

为了精确预测某工业园区用电负荷,提出一种考虑负荷分时段变化趋势的主成分分析法耦合减法平均算法优化的双向长短期记忆神经网络预测模型。首先将园区的用电负荷,根据各个时间段的变化趋势分为上升、平缓、下降三个趋势段;其次使用主成分分析方法将影响用电负荷的天气因素进行降维,选择影响程度大的天气因素;再使用一种减法平均优化算法对双向长短期记忆神经网络回归分析方法进行超参数寻优,以提高算法的泛化能力;最后将实际园区用电历史数据输入到优化后的模型进行预测。结果表明:所提算法实现了电力负荷的准确预测,得到了比其他组合模型更好的预测效果,具有一定的适用性与应用价值。

关键词：变化趋势主成分分析减法平均算法双向长短期记忆神经网络负荷预测

来源：评论

学校读者我要写书评

暂无评论

融合遗传算法的GRA-TCN-BiLSTM钢铁工业能耗预测

引用

中国冶金 2025年第4期 155-165页

作者：马将韩宏帅贾钰峰陈子骐杨爱民华北理工大学理学院燕山大学信息科学与工程学院新疆科技学院信息科学与工程学院

针对钢铁工业能耗数据中存在的周期性强、波动性大等特性，为进一步提高钢铁工业能耗预测的准确度，提出了一种融合遗传算法（Genetic Algorithm, GA）优化的深度学习模型GRA-TCN-BiLSTM。模型首先通过灰色关联分析（Grey Correlation A... 详细信息

针对钢铁工业能耗数据中存在的周期性强、波动性大等特性，为进一步提高钢铁工业能耗预测的准确度，提出了一种融合遗传算法（Genetic Algorithm, GA）优化的深度学习模型GRA-TCN-BiLSTM。模型首先通过灰色关联分析（Grey Correlation Analysis, GRA）处理原始数据，降低计算复杂度；然后，集成时间卷积神经网络（Temporal Convolutional Network, TCN）的深度特征提取能力与双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）的深度多维时序感知能力，充分捕捉复杂动态数据中的全局时序模式与局部依赖性，在此过程中融合遗传算法优化超参数配置，提高计算效率。通过2组消融试验验证了模型各部分对总体性能提升的有效性；通过与7种能耗预测领域常用模型的预测结果对比，所提模型的平均绝对误差(Mean Absolute Error,EMA)、均方根误差(Root Mean Square Error,ERMS)和决定系数（R-Square,R2）均优于其他模型。其中，所提模型较基础结构模型在EMA上的提升最高可达33.33%,在ERMS上的提升最高可达35.60%;较强化组合模型在EMA上的提升最高可达64.97%,在ERMS上的提升最高可达51.29%,显示出其在捕捉高层抽象特征和时间依赖性方面表现突出，具有更高的预测性能。同时，所提模型在计算效率上表现良好，实现了性能与资源利用之间的协调平衡。

关键词：钢铁工业能耗预测灰色关联分析遗传算法时间卷积神经网络双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于卷积双向长短期神经网络的调制方式识别

引用

火力与指挥控制 2020年第6期45卷 129-134页

作者：谭继远张立民钟兆根海军航空大学研究生一队山东烟台264001 海军航空大学信息融合研究所山东烟台264001 海军航空大学航空基础学院山东烟台264001

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制... 详细信息

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。

关键词：调制识别卷积神经网络双向长短期记忆神经网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于累积模糊熵与Bi-LSTM的滚动轴承退化趋势预测

引用

机械制造与自动化 2025年第2期54卷 37-41页

作者：唐斌池茂儒赵明花西南交通大学轨道交通运载系统全国重点实验室四川成都610031 青岛国家高速列车技术创新中心山东青岛266111

为了弥补模糊熵特征难以反映滚动轴承在退化过程中单调性劣化趋势的不足,更准确地实现轴承的退化趋势预测,提出一种结合累积模糊熵特征指标与双向长短期记忆神经网络(Bi-LSTM)的预测方法。依据模糊熵算法提取振动信号的特征序列;通过累... 详细信息

为了弥补模糊熵特征难以反映滚动轴承在退化过程中单调性劣化趋势的不足,更准确地实现轴承的退化趋势预测,提出一种结合累积模糊熵特征指标与双向长短期记忆神经网络(Bi-LSTM)的预测方法。依据模糊熵算法提取振动信号的特征序列;通过累积变换得到累积模糊熵特征指标;基于历史状态退化特征通过Bi-LSTM预测轴承的退化趋势。实验结果表明:累积模糊熵特征指标不仅可以反映轴承的早期退化,而且具有良好的单调性;基于相同的累积模糊熵特征指标与LSTM、GRU预测模型相比,所构建的Bi-LSTM预测模型具有更高的预测准确性。

关键词：滚动轴承退化趋势预测累积模糊熵双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于VMD-Transformer-BiLSTM的短期天然气负荷预测分析

引用

集成电路应用 2025年第1期 400-402页

作者：曹翔邵必林文越俞敏刘春晖西安建筑科技大学管理学院

阐述针对短期天然气负荷波动性强和预测精度低的问题，提出一种基于变分模态分解（VMD）、Transformer和双向长短期记忆（BiLSTM）神经网络相结合的短期天然气负荷预测模型。实验结果表明，所提模型的预测精度比传统模型平均提高6.48%。

关键词：变分模态分解 Transformer 双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于残差修正的合环电流预测研究

引用

国外电子测量技术 2025年第2期44卷 17-24页

作者：龙欣雨舒征宇陈昌松姚钦童华敏三峡大学电气与新能源学院国网湖北省电力有限公司宜昌供电公司

随着大规模以光伏、风电为主的分布式能源接入和负荷需求的复杂化，传统合环电流计算方法难以满足精度要求和反映合环特性的不确定性，本文提出了一种基于残差修正的合环电流预测方法。针对大量分布式能源接入和负荷需求复杂化的影响，... 详细信息

随着大规模以光伏、风电为主的分布式能源接入和负荷需求的复杂化，传统合环电流计算方法难以满足精度要求和反映合环特性的不确定性，本文提出了一种基于残差修正的合环电流预测方法。针对大量分布式能源接入和负荷需求复杂化的影响，采用自适应噪声完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）对数据进行处理，分解为稳定分量以提取更多内部特征信息。构建CNN-BiLSTM神经网络模型，利用卷积神经网络（Convolutional Neural Network,CNN）提取数据全局特征，通过双向长短期记忆神经网络（Bidirectional Long Short-Term Memory, BiLSTM）捕捉数据长期依赖关系，进行合环电流时段预测。最后，为减小由于源荷的不确定性和出力波动性导致的误差，引入马尔科夫链模型对预测结果进行残差修正。仿真结果表明，该方法能够有效提高合环电流预测精度，证明所提方法的优越性和可行性。

关键词：自适应噪声完备集成经验模态分解合环电流马尔科夫链卷积神经网络双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：