检索结果-内蒙古大学图书馆

吉林大学学报（工学版） 2024年第10期54卷 2771-2780页

作者：顾明臣熊慧媛刘增军罗清玉刘宏交通运输部规划研究院北京100028 综合交通规划数字化实验室北京100028 吉林大学交通学院长春130022

为了提高实时货车载重估计的便捷性和精准度,辅助开展大范围低等级公路网的货车运输过程中载重的实时监管,本文从货车动静态信息的交互效应出发,提出了一种融合多头注意力机制的货车载重估计模型(Mix-MAN)。首先,在模型中引入了多头注... 详细信息

为了提高实时货车载重估计的便捷性和精准度,辅助开展大范围低等级公路网的货车运输过程中载重的实时监管,本文从货车动静态信息的交互效应出发,提出了一种融合多头注意力机制的货车载重估计模型(Mix-MAN)。首先,在模型中引入了多头注意力机制,增强网络对运动学时序特征的提取能力;其次,利用堆叠自编码器捕获货车的静态特征;最后,设计了一种特征融合结构,融合提取动态特征和静态特征,建立输入特征与货车载重之间的非线性映射关系,得到货车载重估计结果。试验结果表明:与未考虑货车静态信息的MAN模型对比,Mix-MAN的平均绝对值误差减小了6%,均方根误差减小了5%,平均绝对百分比误差减小了0.5%。本文模型可为我国公路货物运输监管、道路养护等方面提供技术支持。

关键词：交通运输系统工程载重估计多头注意力特征融合堆叠自编码器

来源：评论

学校读者我要写书评

暂无评论

面向卫星电源系统的一种新颖异常检测方法

引用

宇航学报 2019年第12期40卷 1468-1477页

作者：张怀峰江婧张香燕皮德常南京航空航天大学计算机科学与技术学院南京211106 北京空间飞行器总体设计部北京100094

面向卫星电源高维周期性时序遥测数据,提出了一种新颖的代表性特征自编码器(RFAE)模型,并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法,从而使模型可以学习到相位相同样本的代表性特征;然后根据代表性特征重构... 详细信息

面向卫星电源高维周期性时序遥测数据,提出了一种新颖的代表性特征自编码器(RFAE)模型,并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法,从而使模型可以学习到相位相同样本的代表性特征;然后根据代表性特征重构样本,根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常,然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验,RFAE异常检测准确率达到99%,检测效果明显优于目前的其他异常检测算法,具有较高应用价值。

关键词：卫星电源堆叠自编码器异常检测无监督学习

来源：评论

学校读者我要写书评

暂无评论

堆叠图嵌入极限学习机算法

引用

吉林大学学报（工学版） 2019年第1期49卷 230-241页

作者：孙玮婷葛宏伟姚瑶孙亮大连理工大学计算机科学与技术学院辽宁大连116024 吉林大学符号计算与知识工程教育部重点实验室长春130012

极限学习机(Extreme learning machine,ELM)因其训练参数少、学习速度快、泛化能力强等特点,已被广泛应用于训练单隐藏层前馈神经网络。本文首先结合图嵌入框架提出一种新的极限学习机自编码器(GEELM-AE),在ELM空间中挖掘数据的局部近... 详细信息

极限学习机(Extreme learning machine,ELM)因其训练参数少、学习速度快、泛化能力强等特点,已被广泛应用于训练单隐藏层前馈神经网络。本文首先结合图嵌入框架提出一种新的极限学习机自编码器(GEELM-AE),在ELM空间中挖掘数据的局部近邻结构信息和全局结构信息。在GEELM-AE中,采用局部Fisher判别分析构建了图嵌入框架下的本征图和惩罚图。进而,通过堆叠多个GEELM-AE提出了深度框架下的堆叠图嵌入极限学习机(SGE-ELM)算法。在多个标准数据集上的实验结果表明,与已有算法比较,本文算法获得了更高的精度并具有较快的训练速度。这验证了提出的图嵌入极限学习机自编码器能够对原始数据进行有效的特征表示,堆叠的多层图嵌入极限学习机能够获得数据的有效的高层次抽象表征。

关键词：人工智能极限学习机图嵌入堆叠自编码器深度神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的柔性直流线路单端量波形特征保护

引用

清华大学学报（自然科学版） 2021年第5期61卷 478-486页

作者：和敬涵张可欣李猛聂铭宋元伟北京交通大学电气工程学院北京100044

多端柔性直流电网是未来智能电网的一种重要发展趋势,但对线路保护性能提出了更严苛的要求。针对现有柔性直流线路保护四性协调困难、阈值整定繁杂、耐受过渡电阻能力不足等问题,该文指出反行波波形特征蕴含丰富的故障位置信息,并以此... 详细信息

多端柔性直流电网是未来智能电网的一种重要发展趋势,但对线路保护性能提出了更严苛的要求。针对现有柔性直流线路保护四性协调困难、阈值整定繁杂、耐受过渡电阻能力不足等问题,该文指出反行波波形特征蕴含丰富的故障位置信息,并以此为基础提出了基于深度学习的柔性直流线路单端量波形特征保护方案。该方案首先经极模变换、基于线路依频参数计算反行波;将归一化反行波作为输入量,通过所构建的深度学习模型自适应深入挖掘反行波波形特征,从而实现区内双极故障判别及区内单极故障选极。经仿真测试表明,所提方案可在2ms内实现故障判别且可耐受200Ω的过渡电阻。

关键词：柔性直流电网电压反行波堆叠自编码器单端量保护故障选极

来源：评论

学校读者我要写书评

暂无评论

基于SAE-GA-SVM模型的雷达新型干扰识别

引用

计算机工程 2020年第6期46卷 281-287页

作者：罗彬珅刘利民董健刘璟麒陆军工程大学电子与光学工程系石家庄050003

针对频谱弥散干扰、切片组合干扰、灵巧噪声干扰、噪声调幅-距离欺骗加性复合干扰与噪声调频-距离欺骗加性复合干扰5种干扰类型的识别问题,提出一种基于SAE-GA-SVM的检测模型算法。建立目标回波与干扰信号的数学模型,采用多域联合的特... 详细信息

针对频谱弥散干扰、切片组合干扰、灵巧噪声干扰、噪声调幅-距离欺骗加性复合干扰与噪声调频-距离欺骗加性复合干扰5种干扰类型的识别问题,提出一种基于SAE-GA-SVM的检测模型算法。建立目标回波与干扰信号的数学模型,采用多域联合的特征提取方法提取47维特征。为有效去除冗余信息并保持较高的识别率,运用深度学习中的稀疏自编码器(SAE),通过SAE结构建立高维空间和低维空间的双向映射,从而获得原始数据的相应最优低维表示。利用遗传算法优化支持向量机的惩罚因子和核函数参数,构建基于SAE-GA-SVM的雷达新型干扰识别检测模型。仿真结果表明,该模型能够有效降低特征维度,相比传统的GA-SVM检测模型识别准确率提高10%。

关键词：新型干扰特征提取特征降维堆叠自编码器遗传算法

来源：评论

学校读者我要写书评

暂无评论

基于SVD-SAE-GPR的锂离子电池RUL预测

引用

储能科学与技术 2023年第4期12卷 1257-1267页

作者：董渊昌庞晓琼贾建芳史元浩温杰李笑张鑫中北大学计算机科学与技术学院中北大学电气与控制工程学院山西太原030051

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数... 详细信息

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。

关键词：锂离子电池剩余使用寿命(RUL) 奇异值分解堆叠自编码器高斯过程回归

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的电力变压器智能故障诊断方法

引用

电子测量与仪器学报 2020年第1期32卷 81-89页

作者：张朝龙何怡刚杜博伦张兰芳江善和安庆师范大学物理与电气工程学院安庆246011 武汉大学电气与自动化学院武汉430072

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification,RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。... 详细信息

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification,RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。

关键词：变压器故障诊断无源射频识别堆叠自编码器加权贝叶斯分类模型

来源：评论

学校读者我要写书评

暂无评论

基于特征融合的贝叶斯正则化神经网络的卷烟感官评价指标预测方法

引用

计算机集成制造系统 2024年

作者：朱赛花贺子桐冯叶孙楠夏平宇范湘红陈晓方湖南中烟工业有限责任公司技术中心中南大学自动化学院

烤烟型卷烟产品的各项感官质量指标是评价烟草制造品质的重要依据，在生产过程中对各项感官质量评价指标进行准确地预测有助于对卷烟制造工艺过程进行及时改进，提高质量稳定性。针对卷烟感官质量评价数据具有特征稀疏、冗余性、多噪声... 详细信息

烤烟型卷烟产品的各项感官质量指标是评价烟草制造品质的重要依据，在生产过程中对各项感官质量评价指标进行准确地预测有助于对卷烟制造工艺过程进行及时改进，提高质量稳定性。针对卷烟感官质量评价数据具有特征稀疏、冗余性、多噪声和数据缺失的特点，提出一种基于多源特征融合的深度贝叶斯正则化神经网络（Multisource Feature Fusion Deep Bayesian Regularized Artificial Neural Network，MFF-DBRANN）的方法对感官质量评价指标进行预测。首先，利用编码器-解码器结构，对输入数据建立堆叠自动编码器提取深层特征；其次，在产品化学成分数据与工艺参数数据的编码器中引入基于信息熵的互信息损失，训练得到输入样本的共享特征表示；最后，在决策层引入深度贝叶斯正则化神经网络作为预测器。在该预测器中，基于贝叶斯公式自适应更新正则化系数以及预测误差权重系数的显示表达式；在学习训练中，使用Broyden–Fletcher–Goldfarb–Shanno（BFGS）算法进行目标函数的优化，同时利用BFGS算法中对Hessian矩阵逆的估计，自适应更新正则化系数以及预测误差权重系数，提高该神经网络的泛化能力，减少过拟合风险。以国内某烟草公司主要卷烟品牌产品为试验对象验证了所提方法的有效性，该方法有助于卷烟产品感官评价指标的智能化预测和生产过程数据赋能，从而提升生产过程的精准制造能力。

关键词：感官质量评价预测贝叶斯正则化多源特征融合堆叠自编码器自适应正则化系数

来源：评论

学校读者我要写书评

暂无评论

基于独立稀疏SAE的多风电场超短期功率预测

引用

电力系统及其自动化学报 2022年第2期34卷 23-30页

作者：李丹王奇杨保华张远航三峡大学电气与新能源学院宜昌443002 新能源微电网湖北省协同创新中心宜昌443002

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法。该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏... 详细信息

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法。该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏双层堆叠自编码器提取多维风电功率的空间独立特征,并将其作为预测对象分别预测,最后将特征预测的结果重构解码,获得多风电场功率的预测结果。对实际算例的验证结果表明,独立稀疏堆叠自编码器能增强提取特征的可靠性、独立性和合理性,从而有效提高多风电场超短期功率预测的精度和效率。

关键词：多风电场功率预测堆叠自编码器稀疏性约束独立性约束

来源：评论

学校读者我要写书评

暂无评论

面向传感器突发故障的监测模型自适应快速调整技术研究

引用

机械科学与技术 2023年第4期42卷 592-596页

作者：钱政程淑玉夏红霞安徽电子信息职业技术学院信息工程学院安徽蚌埠233000 安徽电子信息职业技术学院软件工程学院安徽蚌埠233000

针对多传感器监测场景中传感器突发故障导致监测模型失效的问题,本文提出了一种堆叠自编码器深度学习模型的自适应快速调整方法。根据传感器故障时采集数据的分布特点自适应调整原始数据集,采用调整后的数据集正向传播和监测误差反向传... 详细信息

针对多传感器监测场景中传感器突发故障导致监测模型失效的问题,本文提出了一种堆叠自编码器深度学习模型的自适应快速调整方法。根据传感器故障时采集数据的分布特点自适应调整原始数据集,采用调整后的数据集正向传播和监测误差反向传播微调模型更新模型的权重和偏置,实现监测模型自适应快速调整。以机械加工过程中刀具磨损状态监测为例,采用加州大学伯克利分校的BEST实验室提供的刀具数据集验证了自适应调整方法的有效性。结果表明,该方法可解决当传感器突发故障时,在实时监测不中断的情况下,自适应调整后的监测模型可以准确地对刀具状态进行监测。

关键词：传感器突发故障堆叠自编码器模型自适应调整刀具状态监测

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：