检索结果-内蒙古大学图书馆

电气工程学报 2025年

作者：田源高树国邢超朱瑞敏姜士哲国网河北省电力有限公司电力科学研究院华北电力大学电力工程系

针对电力电子设备精准运维和半导体功率器件的态势感知需求，提出一种基于多头注意力机制（Multi-head Attention mechanism， MA）和时域卷积网络（Temporal convolutional network， TCN）-双向长短时记忆（Bidirectional long short-... 详细信息

针对电力电子设备精准运维和半导体功率器件的态势感知需求，提出一种基于多头注意力机制（Multi-head Attention mechanism， MA）和时域卷积网络（Temporal convolutional network， TCN）-双向长短时记忆（Bidirectional long short-term memory， BiLSTM）网络融合的IGBT剩余寿命预测方法。首先，基于IGBT封装模块老化机理的深入分析，设计并搭建加速老化实验平台，通过控制功率循环过程中的结温波动，施加电流加速IGBT模块的老化进程，采用高精度数据采集系统获取特征参量集-射极饱和压降Vce（sat）老化数据。其次，以TCN模型为基础，引入多头注意力机制和BiLSTM神经网络，构建预测模型，对IGBT劣化特征序列进行预测验证。结果表明，在相同条件下，本文模型相对于传统时序预测模型，在不显著增加模型复杂度和计算负担的情况下，具有更高的精度，充分验证了该模型在工程实践中应用于IGBT剩余寿命在线预测的可行性与高效性。

关键词： IGBT 时域卷积网络双向长短时记忆网络多头注意力机制老化预测

来源：评论

学校读者我要写书评

暂无评论

基于多尺度胶囊网络的交通流预测实验设计与实现

引用

实验室研究与探索 2025年第5期44卷 96-100,105页

作者：汪承焱金强陈滨嘉兴大学人工智能学院浙江嘉兴314001 浙江理工大学计算机科学与技术学院(人工智能学院) 杭州310018

针对神经网络的预测方法对交通流时空特性表征效果差、预测准确率低的问题,提出一种基于多尺度胶囊网络的交通流预测模型(MST-CapsNet)。通过胶囊网络多尺度特征提取和动态路由机制,模型能有效捕捉交通流多尺度空间特征,并引入时域卷积... 详细信息

针对神经网络的预测方法对交通流时空特性表征效果差、预测准确率低的问题,提出一种基于多尺度胶囊网络的交通流预测模型(MST-CapsNet)。通过胶囊网络多尺度特征提取和动态路由机制,模型能有效捕捉交通流多尺度空间特征,并引入时域卷积网络提取交通流不同维度的时域特征,克服传统卷积神经网络在交通流特征提取时的局限性。实验结果表明,所提模型在预测精度上优于基线模型,尤其是在交通流波动较大时更具有优势。该交通流预测模型具有较好的拓展性,为学生课后的研究与实践提供了新的方向。

关键词：交通路网矩阵多尺度胶囊网络时域卷积网络交通流预测

来源：评论

学校读者我要写书评

暂无评论

基于TCN模型的软件系统老化预测框架

引用

计算机应用与软件 2025年第5期42卷 25-29,61页

作者：王艳超姚江毅李雄伟刘林云陆军工程大学石家庄校区河北石家庄050003

随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架... 详细信息

随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架。采集可用内存数据作为框架的输入,经TCN模型进行预测,通过检查预测输出的内存与实际内存的平均误差评价模型的效率。与ARIMA模型和RNN(LSTM)模型预测结果进行对比表明,TCN模型对时间序列平稳性要求低、适应性更强,不存在梯度爆炸或消失的问题,对采集的老化数据预测效果最好。

关键词：软件老化时域卷积网络老化预测框架预测误差差分自回归滑动平均模型长短时记忆模型

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的雅砻江流域洪水预报研究

引用

水电能源科学 2025年第5期43卷 15-20页

作者：何彦锋许涵冰刘洁周研来陈华郭生练武汉大学水资源工程与调度全国重点实验室湖北武汉430072 中国电建集团成都勘测设计研究院有限公司四川成都610072 成都大学建筑与土木工程学院四川成都610106

雅砻江干流水力资源丰富,流域内已形成梯级水库格局,开展流域梯级水库洪水预报对实现精细化水库调度、洪水资源高效利用具有重要意义。采用自适应模糊推理系统(ANFIS)、长短期记忆神经网络(LSTM)和时域卷积网络(TCN)建立洪水预报模型。... 详细信息

雅砻江干流水力资源丰富,流域内已形成梯级水库格局,开展流域梯级水库洪水预报对实现精细化水库调度、洪水资源高效利用具有重要意义。采用自适应模糊推理系统(ANFIS)、长短期记忆神经网络(LSTM)和时域卷积网络(TCN)建立洪水预报模型。研究结果表明,相较ANFIS,TCN的纳什效率系数改善率最高为17.47%(二滩,t+12),LSTM的纳什效率系数改善率最高为15.44%(桐子林,t+12)。TCN和LSTM对两河口水库入库洪水预报整体上能达到甲等精度。与ANFIS和LSTM相比,TCN在洪峰误差和峰现时差方面表现最优,有效克服了时滞和误差累计的影响,显著降低了系统误差。结果表明,构建的TCN模型能够提高洪水预报准确性和可靠性。

关键词：雅砻江流域洪水预报自适应模糊推理系统长短期记忆神经网络时域卷积网络

来源：评论

学校读者我要写书评

暂无评论

煤层顶板涌水量TCN-LSTM-SVM时间序列预测模型构建与应用

引用

煤田地质与勘探 2025年

作者：刘譞姬亚东朱开鹏赵春虎李凯李超峰袁晨瀚李盼盼闫鹏珍煤炭科学研究总院中煤科工西安研究院(集团)有限公司煤矿灾害防控全国重点实验室陕西省煤矿水害防治技术重点实验室

【背景】矿井涌水量的准确预测对于煤矿水害防治、安全高效生产起着重要的作用。【方法】为构建适用于西部受巨厚砂岩水害威胁的矿井涌水量预测模型，以受该种水害严重影响的彬长矿区某典型矿井为研究对象，基于工作面回采进尺与涌水量... 详细信息

【背景】矿井涌水量的准确预测对于煤矿水害防治、安全高效生产起着重要的作用。【方法】为构建适用于西部受巨厚砂岩水害威胁的矿井涌水量预测模型，以受该种水害严重影响的彬长矿区某典型矿井为研究对象，基于工作面回采进尺与涌水量数据之间的相关关系，选取其作为矿井涌水量时间序列预测的特征变量，提出基于时域卷积网络（temporal convolutional networks,TCN）的长短期记忆网络（long-short term memory,LSTM）-支持向量机（support vector machines,SVM）矿井工作面涌水量耦合预测模型，即TCN-LSTM-SVM模型。该模型首先通过TCN框架对原数据进行处理，提取回采进尺与涌水量之间的依赖关系和动态特征，随后将提取特征输出到后续的LSTM-SVM组合模型，以进一步捕捉回采进尺与涌水量之间的时序关系和特征。【结果】模型训练与预测结果显示：TCN-LSTM-SVM耦合模型的训练集、验证集和测试集的平均绝对误差(EMA)为56.02～129.89 m3/h，平均绝对百分比误差(EMAP)为3%～7%，均方根误差(ERMS)为82.60～162.61m3/h，决定系数（R2）为0.81～0.98，预测结果较BP神经网络、随机森林（RF）、Transformer等常用预测模型的准确度更高，并且避免了其中多数模型在验证集和测试集中出现的误差过大的情况。研究发现该耦合模型既具备TCN模型的并行处理优势和多尺度特征提取能力，同时也具备LSTM-SVM组合模型优秀的预测性能和泛化能力，针对研究矿井的工作面涌水量预测与以往模型相比具有一定的优越性和适用性。【结论】研究成果为矿区相似地质条件的矿井涌水量预测提供了新的方法，对该矿地质条件类似的工作面预测矿井涌水量以及防治水工作有一定的现实意义。

关键词：煤层顶板涌水量预测时域卷积网络长短期记忆网络支持向量机彬长矿区

来源：评论

学校读者我要写书评

暂无评论

融合改进TCN与DRSN的IoT入侵检测模型

引用

小型微型计算机系统 2025年第2期46卷 474-481页

作者：赵建姜伟哈尔滨师范大学计算机科学与信息工程学院哈尔滨150025

入侵检测系统已逐步成为物联网安全的重要防护手段.然而,现有物联网入侵检测模型的样本数据存在类别不平衡、特征提取不足等问题,这导致了对于小类别攻击的低识别率与较低的精确率.因此,本文提出了一种融合改进时域卷积网络与深度残差... 详细信息

入侵检测系统已逐步成为物联网安全的重要防护手段.然而,现有物联网入侵检测模型的样本数据存在类别不平衡、特征提取不足等问题,这导致了对于小类别攻击的低识别率与较低的精确率.因此,本文提出了一种融合改进时域卷积网络与深度残差收缩网络的物联网入侵检测模型.首先,利用扩张因果卷积与一维卷积充分提取数据的时空特征,形成深层层次的网络结构;然后引入自我注意的软门槛,能够无需专家经验自动地设置门槛,消除冗余特征;最后,使用焦点损失函数来增强对少数类的识别率.实验在TON-IoT数据集上的总体准确率和F1值分别高达99.88%和99.64%,其中小样本类的F1值为100%.实验结果表明,与其他模型相比,所提模型显著提高了对于不平衡入侵数据的检测能力.

关键词：物联网入侵检测时域卷积网络深度残差收缩网络样本不平衡焦点损失函数

来源：评论

学校读者我要写书评

暂无评论

基于优化变分模态分解的大坝变形组合预测模型:以丰满水电站为例

引用

科学技术与工程 2024年第26期24卷 11401-11408页

作者：叶玉龙张研袁普龙王峻峰桂林理工大学土木工程学院桂林541004 广西岩土力学与工程重点实验室桂林541004

大坝的变形通常受到多种因素的影响,监测数据表现出一定的非平稳性和随机性,为提高大坝变形预测的精度,提出了基于优化变分模态分解的大坝变形组合预测模型。该模型首先采用粒子群优化算法(particle swarm optimization,PSO)寻找变分模... 详细信息

大坝的变形通常受到多种因素的影响,监测数据表现出一定的非平稳性和随机性,为提高大坝变形预测的精度,提出了基于优化变分模态分解的大坝变形组合预测模型。该模型首先采用粒子群优化算法(particle swarm optimization,PSO)寻找变分模态分解(variational mode decomposition,VMD)的最优超参数,然后将大坝变形分解为趋势项、周期项和随机项分量。针对分解后各分量的时序特点,采用时域卷积网络(temporal convolutional network,TCN)和长短时记忆网络(long short-term memory,LSTM)进行组合预测,对各分量预测值重构加成得到最终预测值。以实际工程数据为例,采用平均绝对误差(mean absolute error,MAE),均方误差(mean square error,MSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)等指标对模型量化评估,并与单一的预测模型进行比较。结果表明:本文提出的基于优化变分模态分解的大坝变形组合预测模型精度更高,可以有效提取大坝变形数据中隐含的信息特征,降低大坝变形时序数据的非平稳性,具有较高推广应用价值,为精准预测大坝变形提供了借鉴和指导。

关键词：大坝变形预测变分模态分解粒子群算法时域卷积网络长短时记忆网络组合模型

来源：评论

学校读者我要写书评

暂无评论

改进TCN结合Bi-GRU的人体动作识别方法

引用

重庆邮电大学学报（自然科学版） 2024年第5期36卷 1015-1022页

作者：路永乐罗毅肖轩粟萍李娜修蔚然重庆邮电大学光电工程学院重庆400065 智能传感技术与微系统重庆市高校工程研究中心重庆400065 西南技术工程研究所重庆400039

针对传统人体动作识别方法特征提取不完善和泛化性能不足导致识别精度不高的问题,提出一种基于深度学习的动作识别模型。改进了传统时域卷积网络(TCN),逐层指数级缩减空洞率,优化了时域卷积的残差结构,实现在浅层网络中提取到长时间间... 详细信息

针对传统人体动作识别方法特征提取不完善和泛化性能不足导致识别精度不高的问题,提出一种基于深度学习的动作识别模型。改进了传统时域卷积网络(TCN),逐层指数级缩减空洞率,优化了时域卷积的残差结构,实现在浅层网络中提取到长时间间隔数据之间的时域特征和规范网络输出。重构结构进一步结合双向门控循环单元网络(Bi-GRU),提取数据局部特征输入到全连接层整合特征并进行Softmax分类。实验表明,提出的模型在自建数据集和公开数据集UCI-HAR上保持较低参数量的同时,准确率分别达到99.61%和94.16%,具备可靠的识别性能。

关键词：人体动作识别惯性传感器时域卷积网络双向门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于TCN和迁移学习的混凝土坝变形预测方法

引用

人民黄河 2024年第4期46卷 142-147页

作者：张健飞叶亮王磊河海大学力学与材料学院江苏南京211100

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足,使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度,提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的... 详细信息

混凝土坝变形测点数据丢失或者新增测点测量时间太短都会导致这部分测点的数据量不足,使得变形预测精度受到影响。为了提高这些小数据量测点的变形预测精度,提出了将时域卷积网络(TCN)与迁移学习相结合的变形预测方法。以数据量充足的测点为源域,以缺少数据的测点为目标域,将在源域上训练好的TCN模型的结构和参数迁移到目标域模型中,固定其中的冻结层参数,利用目标域中的数据对目标域模型可调层参数进行调整。同时,采用动态时间规整选择与目标域数据序列相似度最高的监测数据作为最佳源域数据,提升迁移学习效果。工程实例分析表明:迁移学习后的目标域模型的均方根误差和平均绝对误差与利用足量数据训练的TCN模型的预测误差相比,差异仅分别为1.73%和8.09%,小数据量情况下TCN预测模型的精度得到了提高。

关键词：时域卷积网络迁移学习动态时间规整变形预测

来源：评论

学校读者我要写书评

暂无评论

基于VMD和TCN的多尺度短期电力负荷预测

引用

电子科技大学学报 2022年第4期51卷 550-557页

作者：刘杰金勇杰田明哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用... 详细信息

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。

关键词：短期电力负荷预测子序列融合时域卷积网络变分模态分解

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：