检索结果-内蒙古大学图书馆

兰州工业学院学报 2025年第1期32卷 60-67页

作者：李越李敬兆何长林王斌李彪安徽理工大学计算机科学与工程学院安徽淮南232001 安徽理工大学电气与信息工程学院安徽淮南232001 淮南矿业集团选煤分公司安徽淮南232000

为及时发现振动筛的故障,提出一种融合改进梅尔频率倒谱系数(MFCC)、密集卷积神经网络(Dense-CNN)和双向长短期记忆网络(BiLSTM)的振动筛故障诊断模型(Dense-CNN-BiLSTM)。首先,利用固有时间尺度分解(ITD)对振动筛音频信号进行时频分析... 详细信息

为及时发现振动筛的故障,提出一种融合改进梅尔频率倒谱系数(MFCC)、密集卷积神经网络(Dense-CNN)和双向长短期记忆网络(BiLSTM)的振动筛故障诊断模型(Dense-CNN-BiLSTM)。首先,利用固有时间尺度分解(ITD)对振动筛音频信号进行时频分析,提取其固有旋转分量(PRC);其次,提取由独立成分分析(ICA)改进的13维MFCC特征参数,并将特征参数输入Dense-CNN-BiLSTM模型,实现振动筛的故障诊断。结果表明:改进的MFCC特征参数能表示振动筛不同运行状态的音频信号特征,验证了基于音频特征融合实现振动筛故障诊断的可行性。

关键词：振动筛梅尔频率倒谱系数密集卷积神经网络双向长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于记忆模式分解的夏日气温极值区间预测方法

引用

沙漠与绿洲气象 2025年

作者：赵子琛甘茹蕙杨毅兰州大学数学与统计学院兰州大学大气科学学院兰州大学兰州天气气候预报与预测研究中心

在气象预测领域，统计学与机器学习的应用正发挥着重要作用。然而，由于非线性与随机性因素的影响，现有的气温极值预测方法面临着准确性不高和预报时长较短的挑战。为了提高夏季气温极值预测的精度，本文基于分数积分统计模型(FISM)与... 详细信息

在气象预测领域，统计学与机器学习的应用正发挥着重要作用。然而，由于非线性与随机性因素的影响，现有的气温极值预测方法面临着准确性不高和预报时长较短的挑战。为了提高夏季气温极值预测的精度，本文基于分数积分统计模型(FISM)与深度学习技术，提出了一种新型的双向长短期记忆网络与支持向量回归相结合的预测模型(FISM-BiLSTM-SVR)。该模型通过分解原始的日最高(低)气温序列，提取其中的天气尺度激励部分(白噪声，WSE)与累积记忆组成部分(CMC)，将CMC作为输入并利用相空间重构建立了多步预测方法，从而在一定程度上消除了原始序列中的随机性，提升了预测的精度。进一步，利用WSE的标准差构建了基于3-sigma准则的回归区间，用于对未来气温日最高(低)气温进行有效区间估计。通过对韩国首尔夏季日最高(低)气温观测数据的实证分析，在20天、25天和30天的预报时长预测任务中，结果显示：和其它5种模型相比，FISM-BiLSTM-SVR模型在不同预报时长的预测任务中表现出色，不仅具备更高的预测精度与稳定性，同时区间预测置信度也达到了100%，显著提高了气温极值预测的可靠性。

关键词：极端天气预报分数积分统计模型双向长短期记忆网络支持向量回归组合预测

来源：评论

学校读者我要写书评

暂无评论

基于双重注意力机制WOA-CNN-BiLSTM模型的变压器油温预测方法

引用

变压器 2025年第1期62卷 41-50页

作者：郭鹏鸿唐治平张光昊王新兵朱美欣孔德靖山东电力设备有限公司山东济南250013 天津国电电力新能源开发有限公司天津300407

针对当前变压器油温预测模型难以充分利用大量时间序列数据的问题,提出一种双重注意力优化WOACNN-BiLSTM的变压器油温预测模型。该模型以变压器历史油温数据作为输入,将输入数据通过滑窗法进行升维,通过将通道注意力机制(Channel Attent... 详细信息

针对当前变压器油温预测模型难以充分利用大量时间序列数据的问题,提出一种双重注意力优化WOACNN-BiLSTM的变压器油温预测模型。该模型以变压器历史油温数据作为输入,将输入数据通过滑窗法进行升维,通过将通道注意力机制(Channel Attention Mechanism,CAM)即挤压激励模块(Squeeze-Excitation-Networks,SENet)与卷积神经网络(Convolutional neural network,CNN)结合挖掘特征关系,并采用双向长短时记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)进一步挖掘时序特征;然后加入时间注意力机制(Time Attention Mechanism,TAM)进行权重分配,将建立好的模型使用鲸鱼算法(Whale Optimization Algorithm,WOA)进行超参数寻优,实现变压器油温预测。最后使用实测数据进行算例分析,验证此方法优越性。

关键词：变压器油温预测卷积神经网络双向长短期记忆网络注意力机制鲸鱼算法

来源：评论

学校读者我要写书评

暂无评论

基于改进BiLSTM-KF的WSN数据漂移盲校准算法

引用

计算机技术与发展 2025年第2期35卷 122-129页

作者：史志强古丽米拉·克孜尔别克韩博张瑛进新疆农业大学计算机与信息工程学院新疆乌鲁木齐830052 智能农业教育部工程研究中心新疆乌鲁木齐830052 新疆农业信息化工程技术研究中心新疆乌鲁木齐830052

无线传感器网络数据的准确性对智能系统的决策和环境监测的优化至关重要。针对传感器设备在工作过程中易受外部环境变化及自身特性的影响产生数据漂移现象,导致数据精确度产生偏差的问题,该文提出一种基于CNN-BiLSTM-Attention-KF的无... 详细信息

无线传感器网络数据的准确性对智能系统的决策和环境监测的优化至关重要。针对传感器设备在工作过程中易受外部环境变化及自身特性的影响产生数据漂移现象,导致数据精确度产生偏差的问题,该文提出一种基于CNN-BiLSTM-Attention-KF的无线传感器网络数据漂移校准方法。首先,利用CNN提取数据的局部特征,BiLSTM捕获时序数据的长期依赖关系,并引入Attention增强模型处理数据序列中的关键信息,根据节点数据的时空相关性进行建模,得到待校准节点的预测值。其次,将其预测值与节点的实际观测值作为卡尔曼滤波器的输入,实现对漂移数据的跟踪和校准。在公开数据集IBRL上进行实验,结果表明该方法在各评价指标有所改善,其中平均绝对误差(MAE)降至0.3255,均方误差(MSE)降至0.2289,相关系数(R^(2))达到0.9882,均优于其他算法。CNN-BiLSTM-Attention-KF具有较好的校准效果,对于传感器在长时间工作中保持数据准确性具有重要意义。

关键词：无线传感器网络数据漂移双向长短期记忆网络卡尔曼滤波器盲校准

来源：评论

学校读者我要写书评

暂无评论

ERNIE和序列标注结合的中文文本检错纠错

引用

天津理工大学学报 2025年第1期41卷 83-89页

作者：左壮壮王法玉陈洪涛天津理工大学计算机科学与工程学院天津300384

针对中文文本检错纠错研究任务,提出了基于知识增强的自然语言表示模型(enhanced representation through knowledge integration, ERNIE)与序列标注结合的中文文本检错纠错模型。该模型由检错和纠错两部分组成,检错阶段ERNIE使用全局... 详细信息

针对中文文本检错纠错研究任务,提出了基于知识增强的自然语言表示模型(enhanced representation through knowledge integration, ERNIE)与序列标注结合的中文文本检错纠错模型。该模型由检错和纠错两部分组成,检错阶段ERNIE使用全局注意力机制进行词向量编码输入到BiLSTM-CRF序列标注模型中,双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)提取上下文的信息进行拼接生成双向的词向量,再通过条件随机场(conditional random field, CRF)计算联合概率增加对邻近词标签的依赖性优化整个序列,从而解决标注偏置等问题给出的错误标注。纠错阶段根据检错模型输出的结果采用不同策略分类纠错,将标注为错字、缺字的错误使用ERNIE掩码语言模型和混淆集匹配进行预测,对多字、乱序错误直接纠正。实验结果表明,引入序列标注根据错误类型进行分类纠错有效提升了纠错率,在SIGHAN数据集上测试F1达到了81.8%。

关键词：中文文本检错纠错基于知识增强的自然语言表示模型序列标注双向长短期记忆网络条件随机场多策略纠错

来源：评论

学校读者我要写书评

暂无评论

基于SSA-CNN-BiLSTM对光伏功率预测

引用

现代工业经济和信息化 2025年第1期15卷 235-236页

作者：刘祉妤王鹤炅辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125105

为了更加准确预测光伏功率,提出一种基于麻雀搜索算法优化CNN-BiLSTM模型。考虑到光伏功率受环境因素影响较大,通过CNN对输入数据进行特征提取,然后通过BiLSTM对光伏功率进行预测,进一步利用SSA对CNN-BiLSTM模型的超参数进行优化,经过... 详细信息

为了更加准确预测光伏功率,提出一种基于麻雀搜索算法优化CNN-BiLSTM模型。考虑到光伏功率受环境因素影响较大,通过CNN对输入数据进行特征提取,然后通过BiLSTM对光伏功率进行预测,进一步利用SSA对CNN-BiLSTM模型的超参数进行优化,经过多次迭代得到最终结果。

关键词：光伏功率预测麻雀搜索算法卷积神经网络双向长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

基于优化图卷积神经网络的胶带输送机跑偏预测研究

引用

机械管理开发 2025年第4期40卷 270-272,275页

作者：王岱晋能控股集团设计研究有限责任公司山西大同037000

该研究利用图卷积神经网络对输送带图像进行特征提取,构建了优化图卷积神经网络GCNNS-Bi LSTM组合预测模型,该模型结合了图卷积网络对空间特征的捕捉能力和双向长短期记忆网络对时序信息的处理能力。试验结果表明,该模型在输送带跑偏预... 详细信息

该研究利用图卷积神经网络对输送带图像进行特征提取,构建了优化图卷积神经网络GCNNS-Bi LSTM组合预测模型,该模型结合了图卷积网络对空间特征的捕捉能力和双向长短期记忆网络对时序信息的处理能力。试验结果表明,该模型在输送带跑偏预测上具有较高的准确性和鲁棒性。

关键词：卷积神经网络双向长短期记忆网络胶带运输机

来源：评论

学校读者我要写书评

暂无评论

基于CNN-BiLSTM-Attention的光伏功率预测模型

引用

电工技术 2025年第4期 50-52,57页

作者：冯秀坤刘国通李占峰余小涛中企科信技术股份有限公司山东聊城252000 国网江西省电力有限公司余干县供电分公司江西上饶334000 青岛鼎信通讯股份有限公司山东青岛266000

为了准确预测光伏发电功率,提出一种基于卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制(Attention)的预测模型。首先使用皮尔逊相关系数分析法对输入特征进行筛选,然后使用CNN提取空间特征,随后将提取的特征序列输入双向L... 详细信息

为了准确预测光伏发电功率,提出一种基于卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制(Attention)的预测模型。首先使用皮尔逊相关系数分析法对输入特征进行筛选,然后使用CNN提取空间特征,随后将提取的特征序列输入双向LSTM层进行时序建模,并融合注意力机制分配权重以增强重要特征,最后由全连接层输出预测结果。实验结果表明:基于CNN-BiLSTM-Attention的光伏功率预测模型的预测精度达到99.97%,预测误差均在1%以内。相较于LSTM和CNN-LSTM-Attention模型,CNN-BiLSTM-Attention模型具有更高的预测精度,表现出一定的优越性和可靠性。

关键词：光伏发电卷积神经网络双向长短期记忆网络注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于Bi-LSTM的普通话测试仪回声消除研究

引用

自动化与仪器仪表 2025年第4期 228-232页

作者：何小华卢宙蒙沛清广西工业职业技术学院南宁530000 广西职业技术学院南宁530000

为了提升普通话测试仪的语音识别效率,研究提出了一种基于双向长短期记忆网络的回声消除算法。研究方法借助连接时序分类算法建立了声学识别模块,再以短时傅里叶变换转化音频优化网络对音频特征的提取,强化了算法对普通话识别效率。结... 详细信息

为了提升普通话测试仪的语音识别效率,研究提出了一种基于双向长短期记忆网络的回声消除算法。研究方法借助连接时序分类算法建立了声学识别模块,再以短时傅里叶变换转化音频优化网络对音频特征的提取,强化了算法对普通话识别效率。结果显示,研究算法对测试音频的回声消除效率为83.11%~87.43%,对残余回声的消除效率均值为76.89%。表明研究算法在普通话测试过程中可以有较好的回声消除效果,在初始回声消除阶段的消除率较高,后期残余回声的消除效果也很明显。并且相较于其他算法,研究算法的音频重构能力更强,在普通话识别效果和音频重构效果上都具有明显的优势。因此,研究算法可以为普通话测试仪的性能优化提供有效的技术方向。

关键词：普通话测试仪双向长短期记忆网络回声消除短时傅里叶变换

来源：评论

学校读者我要写书评

暂无评论

基于SEResNet-BiLSTM网络的综合能源负荷预测方法

引用

电力需求侧管理 2025年第3期27卷 58-64页

作者：宋峥峥辛锐赵黎媛王经书张鹏飞李士林国网河北省电力有限公司信息通信分公司石家庄050000 电工装备可靠性与智能化国家重点实验室(河北工业大学) 天津300401 河北工业大学人工智能与数据科学学院天津300401 国网河北省电力有限公司石家庄050000

准确预测多能源负荷对综合能源系统的优化调度和经济运行至关重要。针对区域综合能源系统随机性强和多能源耦合关系等特点,提出一种基于SEResNet-BiLSTM网络和注意力机制的多任务短期负荷预测模型。首先,采用压缩与激励网络与残差网络... 详细信息

准确预测多能源负荷对综合能源系统的优化调度和经济运行至关重要。针对区域综合能源系统随机性强和多能源耦合关系等特点,提出一种基于SEResNet-BiLSTM网络和注意力机制的多任务短期负荷预测模型。首先,采用压缩与激励网络与残差网络相结合的模型(squeeze-and-excitation networks-residual network,SEResNet)作为高维特征提取单元,挖掘多能源之间的耦合关系,实现多能源负荷数据的高维特征提取;然后,利用双向长短期记忆网络捕获数据之间的时序特征,实现对负荷数据的预测;通过硬权重共享的方式实现多任务负荷学习,从而实现多元负荷预测。最后,通过仿真实验验证了所提方法的有效性,所提出的方法在精度方面相比于其他模型有明显的提升。

关键词：综合能源系统多能源负荷预测残差网络双向长短期记忆网络多任务学习

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：