在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。
短期电力负荷预测是保障国家电力系统运行的基础,准确的电力负荷预测对于保证电力系统稳定的运行起着重要作用。因此如何降低电力负荷预测误差是学者们一直研究的方向,传统短期电力负荷预测方法预测精度较高且易实现,但在面对复杂度较大、非线性、非平稳的负荷数据时,预测效果不理想,且存在模态分解后未完全考虑子序列融合问题,针对上述问题本文结合不同维度的电力负荷数据对短期电力负荷预测进行研究。主要工作内容包括:(1)搭建基于变分模态分解(Variational Mode Decomposition,VMD)和时域卷积网络(Temporal Convolutional Network,TCN)的短期电力负荷预测模型VMD-TCN,该模型通过将VMD分解后获得的子序列与时域卷积网络相结合,利用TCN能够灵活调整记忆长短,且对序列长度大的网络训练效果良好的特性,依次对VMD分解获得的若干个子序列进行训练,使得模型能够更好的表征数据之间的时域特征。(2)利用余弦退火衰减优化算法(Cosine Annealing,COSA)优化神经网络训练中的学习率参数,加快网络训练时模型收敛,后续采用全连接网络(Fully Connected Network,FC)对各时间尺度的子序列进行融合,构建VMD-MTCN-COSA-FC电力负荷预测模型,实现短期电力负荷预测,提升预测精度。并采用实际的电力负荷数据集对模型中各结构进行验证,通过对比同类方法验证模型的优越性。(3)搭建基于TCN和多维长短时记忆网络(Multi Long Short Term Memory,MLSTM)的多维短期电力负荷集成预测模型TCN-MLSTM,利用MLSTM提取出多维数据与电力负荷数据之间相关的特征,并且利用TCN提取数据时域特征,使得模型针对多维数据能够充分提取数据特征,具有更好的预测精度,并采用实际的数据验证集成模型的可行性。
针对现有中文句子级唇语识别技术存在的视觉歧义、特征提取不充分导致识别准确率偏低的问题,提出了一种基于时域卷积网络,采用三维时空卷积的中文句子级唇语识别算法——3DT-CHLipNet(Chinese LipNet based on 3DCNN,TCN)。首先,针对特...
详细信息
针对现有中文句子级唇语识别技术存在的视觉歧义、特征提取不充分导致识别准确率偏低的问题,提出了一种基于时域卷积网络,采用三维时空卷积的中文句子级唇语识别算法——3DT-CHLipNet(Chinese LipNet based on 3DCNN,TCN)。首先,针对特征提取不充分的问题,所提算法采用了比长短期记忆网络(LSTM)感受野更大的时域卷积网络(temporal convolutional network,TCN)来提取长时依赖信息;其次,针对中文唇语识别中存在的“同型异义”视觉歧义问题,将自注意力机制应用于中文句子级唇语识别,以更好地捕获上下文信息,提升了句子预测准确率;最后,在数据预处理方面引入了时间掩蔽数据增强策略,进一步降低了算法模型的错误率。在最大的开源汉语普通话句子级数据集CMLR上的实验测试表明,与现有中文句子级唇语识别代表性算法相比,所提算法的识别准确率提高了2.17%至23.99%。
暂无评论