检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

40 篇 专利
2 篇 期刊文献
1 篇 会议

馆藏范围

43 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

3 篇 工学
- 3 篇 电气工程

主题

3 篇 表面温度预测
1 篇 时序预测
1 篇 rbf神经网络
1 篇 变压器
1 篇 储能技术
1 篇 差异进化算法
1 篇 状态监测
1 篇 偏最小二乘法
1 篇 锂电池
1 篇 粒子群优化算法
1 篇 sf6气体绝缘变压器...
1 篇 transformer模型

机构

10 篇 上海海洋大学
4 篇 中国海洋大学
3 篇 重庆大学
2 篇 湖南云箭智能科技...
2 篇 中原环保股份有限...
2 篇 中国科学院宁波材...
2 篇 国家海洋信息中心
2 篇 北京理工大学
2 篇 浙江大学
1 篇 苏州浪潮智能科技...
1 篇 大唐锅炉压力容器...
1 篇 深圳先进技术研究...
1 篇 华际科工卫星通信...
1 篇 中国大唐集团科学...
1 篇 上海电力公司
1 篇 兰州大学
1 篇 清华大学
1 篇 大唐吉林发电有限...
1 篇 上海交通大学
1 篇 三星电子株式会社

作者

8 篇 黄冬梅
8 篇 贺琪
6 篇 宋巍
6 篇 查铖
4 篇 聂婕
4 篇 刘东旭
4 篇 胡泽煜
4 篇 宋宁
2 篇 陈树果
2 篇 孙正雅
2 篇 刘安安
2 篇 张雪薇
2 篇 谢侃
2 篇 曹翔
2 篇 李世鹏
2 篇 文章苹
2 篇 刘东风
2 篇 赵江鹏
2 篇 王宁飞
2 篇 张永刚

语言

43 篇 中文

检索条件"主题词=表面温度预测"

共 43 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于Transformer模型的锂电池表面温度预测

基于Transformer模型的锂电池表面温度预测

引用

第35届中国过程控制会议

作者：祝孟根阎威武王超韩永强王鹏张曦上海交通大学电子信息与电气工程学院

电池温度预测对锂电池的性能和寿命有关键性的影响,给储能系统的安全运行带来了严峻的挑战。本文提出了一种电池表面温度预测方法,该方法基于时间序列的Transformer模型,融合电池多尺度多因素特征,经过词嵌入层、多头自注意力机制、编... 详细信息

电池温度预测对锂电池的性能和寿命有关键性的影响,给储能系统的安全运行带来了严峻的挑战。本文提出了一种电池表面温度预测方法,该方法基于时间序列的Transformer模型,融合电池多尺度多因素特征,经过词嵌入层、多头自注意力机制、编码层和全连接层,进行电池未来一段时间表面温度的预测。通过多个充放电条件下的多电芯数据进行模型验证。实验结果显示Transformer模型能够提前预测2个小时的电池温度。Transformer模型相比于其它时序预测模型在电池表面温度预测精度具有一定的优势。

关键词：锂电池 Transformer模型时序预测储能技术表面温度预测

来源：评论

学校读者我要写书评

暂无评论

基于双注意力机制的多要素海表面温度预测方法

基于双注意力机制的多要素海表面温度预测方法

引用

作者：贺琪黄冬梅杜艳玲孔令斌李汶龙曹翔刘铖龙 201306 上海市浦东新区沪城环路999号

本发明涉及一种基于双注意力机制的多要素海表面温度预测方法，包括：对海面监测数据进行预处理，获得输入时间序列X，并将其作为要素注意力模块的输入获得k时刻的要素注意力权重再将要素注意力权重和对应的输入时间序列X相乘得到加权特... 详细信息

标准号: CN114819338B

本发明涉及一种基于双注意力机制的多要素海表面温度预测方法，包括：对海面监测数据进行预处理，获得输入时间序列X，并将其作为要素注意力模块的输入获得k时刻的要素注意力权重再将要素注意力权重和对应的输入时间序列X相乘得到加权特征X′；通过编码器对加权特征X′进行转换获得所有时间步长的隐藏状态h^l，并将其作为时间注意力模块的输入获得t时刻的时间注意力权重β^t。上述基于双注意力机制的多要素海表面温度预测方法，通过编码器‑解码器架构的预测模型用于长期时间序列SST预测，显著提高了预测精度。其中要素注意力和时间注意力模块不仅可以自适应地选择最相关的要素特征，还可以适当地捕捉时间序列SST数据的长期时间相关性。

关键词：注意力时间序列表面温度预测注意力机制加权特征编码器权重预处理相乘解码器架构时间相关性监测数据时间步长要素特征隐藏状态预测模型权重和自适应预测海面捕捉转换

来源：评论

学校读者我要写书评

暂无评论

一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法

一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法

引用

作者：韩震张雪薇周玮辰 201306 上海市浦东新区沪城环路999号

本发明公开了一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法，属于海洋遥感技术领域，本发明结合了卷积神经网络和循环神经网络的特点，能有效处理时间序列遥感数据的批量性问题，预测海表面温度季节性和年度长期趋势，并通过... 详细信息

标准号: CN112541613B

本发明公开了一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法，属于海洋遥感技术领域，本发明结合了卷积神经网络和循环神经网络的特点，能有效处理时间序列遥感数据的批量性问题，预测海表面温度季节性和年度长期趋势，并通过时间信息来展示空间信息要素，预测未来海表面温度在周期变化下的空间特征。方法包含如下步骤：接收卫星海表面温度遥感数据；遥感数据预处理；将归一化后的值作为生成器的标签值；建立样本生成器；随机选取生成器中的数据进行训练。海表面温度遥感数据时间序列长，本发明基于遥感数据预测海表面温度的方法，能有效处理时间序列遥感数据的批量性问题，预测海表面温度季节性和年度长期趋势。

关键词：遥感数据时间序列预测长期趋势有效处理批量性生成器季节性表面温度预测卷积神经网络循环神经网络预处理样本生成器海洋遥感空间特征时间信息随机选取信息要素展示空间周期变化归一化多层标签卫星

来源：评论

学校读者我要写书评

暂无评论

一种碳纤维发热线加热后的表面温度预测方法

一种碳纤维发热线加热后的表面温度预测方法

引用

作者：苏宏明张永刚于水鑫沃军康文章苹 315201 浙江省宁波市镇海区中官西路1219号

本发明公开了一种碳纤维发热线加热后的表面温度预测方法，包括：获取碳纤维发热线变量参数，确定变量参数与温度的回归曲线；建立碳纤维发热线表面温度预测数学模型；利用所述碳纤维发热线表面温度预测数学模型，对新的碳纤维发热线表... 详细信息

标准号: CN112861337B

本发明公开了一种碳纤维发热线加热后的表面温度预测方法，包括：获取碳纤维发热线变量参数，确定变量参数与温度的回归曲线；建立碳纤维发热线表面温度预测数学模型；利用所述碳纤维发热线表面温度预测数学模型，对新的碳纤维发热线表面温度进行预测。本发明采用数学模型方法预测加热后碳纤维发热线表面温度，方法简单，高效，利用此方法减少碳纤维发热线接头，提升碳纤维发热线长度的方法，来达到施工简单、提高安全性与美观性、降低成本与重量的效果。

关键词：碳纤维发热线表面温度预测数学模型变量参数加热种碳纤维发热线美观性预测回归施工

来源：评论

学校读者我要写书评

暂无评论

一种基于DBN-SVR的海表面温度预测方法

一种基于DBN-SVR的海表面温度预测方法

引用

作者：杨毅刘一博赵子琛郭树昌甘茹蕙李红 730000 甘肃省兰州市天水南路222号

本发明涉及一种基于DBN‑SVR的海表面温度预测方法，包括以下步骤：⑴选取预测区域，获取海表面温度资料后截取相应区域的数据，经归一化处理得到处理后的数据；⑵处理后的数据作为输入层输入至DBN‑SVR模型中，并以平均绝对误差和均方根... 详细信息

标准号: CN117760592A

本发明涉及一种基于DBN‑SVR的海表面温度预测方法，包括以下步骤：⑴选取预测区域，获取海表面温度资料后截取相应区域的数据，经归一化处理得到处理后的数据；⑵处理后的数据作为输入层输入至DBN‑SVR模型中，并以平均绝对误差和均方根误差作为模型的评价指标；然后进行相空间重构；⑶在所选取的区域内随机选取五个格点的数据，然后对于不同的延迟时间和嵌入维度进行训练，绘制热力图，以选取模型所需的最佳参数；⑷使用计算出来的最佳参数用于模型训练，进行未来30天的预测，并分析对比预测结果的均方根误差和平均绝对误差；⑸将最新的海表面温度观测结果输入到训练好的模型中，对未来30天的海表面温度进行预测。本发明无数据资源限制，且提高了预报效果。

关键词：平均绝对误差均方根误差最佳参数表面温度预测归一化处理相空间重构分析对比模型训练评价指标随机选取温度观测温度资料相应区域预报效果预测结果预测区域资源限制嵌入维输入层预测截取格点延迟绘制

来源：评论

学校读者我要写书评

暂无评论

一种融合经验模态分解和Informer模型的海表面温度预测方法

一种融合经验模态分解和Informer模型的海表面温度预测方法

引用

作者：黄豪彩魏丹妮丁维涛许世杰 310058 浙江省杭州市西湖区余杭塘路866号

本发明公开了一种融合经验模态分解和Informer模型的海表面温度预测方法，包括：获取海表面温度历史数据；对海表面温度历史数据进行预处理，得到有效海表面温度数据集，选取每一天中同一时刻的海表面温度组合成新的海表面温度时间序列... 详细信息

标准号: CN116739161A

本发明公开了一种融合经验模态分解和Informer模型的海表面温度预测方法，包括：获取海表面温度历史数据；对海表面温度历史数据进行预处理，得到有效海表面温度数据集，选取每一天中同一时刻的海表面温度组合成新的海表面温度时间序列；采用融合经验模态分解方法对新的海表面温度时间序列进行分解，得到多个IMF分量；将IMF分量输入Informer模型，通过Informer模型对IMF分量进行预测输出，得到相应的预测值，对预测值进行对应叠加求和，得到最终的预测值结果。本发明将经验模态分解方法和Informer模型结合，构建EMD‑Informer模型来预测海表面温度，本发明可对长时间序列数据进行有效预测，降低了数据的不平稳性对模型预测的影响，具有更高的预测精度和运行效率。

关键词：预测经验模态分解温度历史数据时间序列预处理表面温度数据表面温度预测时间序列数据模型结合模型预测同一时刻运行效率组合成新平稳性融合求和构建叠加分解输出

来源：评论

学校读者我要写书评

暂无评论

一种结合注意力机制的区域型海表面温度预测方法

一种结合注意力机制的区域型海表面温度预测方法

引用

作者：贺琪查铖宋巍赵丹枫黄冬梅胡泽煜 201306 上海市浦东新区沪城环路999号

本发明公开了一种结合注意力机制的区域型海表面温度预测方法，步骤包括：1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA‑ConvLSTM模型的输入；2)、对SST矩阵进行处理，通过卷积层提取各个... 详细信息

标准号: CN110197307B

本发明公开了一种结合注意力机制的区域型海表面温度预测方法，步骤包括：1)、将区域内每天的SST数据处理成一个矩阵，依次按时间先后进行排列，构成矩阵序列，作为CA‑ConvLSTM模型的输入；2)、对SST矩阵进行处理，通过卷积层提取各个记录点的分布特征；3)、利用注意力机制为获得的矩阵特征分配注意力权重，然后将注意力权重乘上对应的矩阵特征，得到加权特征；4)、最后，将加权特征作为ConvLSTM模型的输入，利用ConvLSTM训练预测模型，最终获得预测结果。本发明将区域内SST整理为一个矩阵，作为一个整体输入到模型中，便于模型提取SST的时间和空间相关性。

关键词：矩阵注意力机制加权特征矩阵特征权重注意力表面温度预测空间相关性分布特征矩阵序列模型提取预测结果预测模型整体输入数据处理记录点卷积分配

来源：评论

学校读者我要写书评

暂无评论

一种基于CNN-LSTM的区域海表面温度预测方法

一种基于CNN-LSTM的区域海表面温度预测方法

引用

作者：孙苗姜晓轶赵龙飞 300171 天津市河东区六纬路93号

本发明的一种基于CNN‑LSTM的区域海表面温度预测方法，涉及物理海洋、计算机图形图像处理和深度学习领域。包括训练样本建立、模型构建和模型算法调整三步：首先采用留出法对区域海表面温度数据进行分割处理，并对预测的时间窗口进行设... 详细信息

标准号: CN112906989B

本发明的一种基于CNN‑LSTM的区域海表面温度预测方法，涉及物理海洋、计算机图形图像处理和深度学习领域。包括训练样本建立、模型构建和模型算法调整三步：首先采用留出法对区域海表面温度数据进行分割处理，并对预测的时间窗口进行设置；而后采用基于卷积神经网络CNN和长短期记忆神经网络LSTM相结合的算法，对海表面温度训练样本进行训练并建立海表面温度预测模型；最后根据模型的误差采用试错法对模型的参数进行调整训练并确定预测模型参数，实现区域海表面温度的高效预测。实践证明该方法可以通过CNN对海表面温度的空间特征进行提取，再通过LSTM对时序特征进行提取，从而提高海表面温度的预测精度和效率，扩展了深度学习方法在区域海表面温度预测中的应用。

关键词：表面温度预测训练样本预测计算机图形图像表面温度数据记忆神经网络卷积神经网络分割处理空间特征模型构建模型算法时间窗口时序特征预测模型算法学习海洋应用

来源：评论

学校读者我要写书评

暂无评论

基于时空多重特性图卷积的海表面温度预测方法及网络

基于时空多重特性图卷积的海表面温度预测方法及网络

引用

作者：聂婕叶敏陈树果左子杰宋宁温琦 266100 山东省青岛市崂山区松岭路238号

本发明属于海表面温度预测技术领域，公开了基于时空多重特性图卷积的海表面温度预测方法及网络，包括图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块，图构建模块通过海表面温度时空网格序列构建图节点特征... 详细信息

标准号: CN116822382B

本发明属于海表面温度预测技术领域，公开了基于时空多重特性图卷积的海表面温度预测方法及网络，包括图构建模块、时空关联特征挖掘模块、偏差纠正模块、周期依赖模块、融合模块，图构建模块通过海表面温度时空网格序列构建图节点特征序列和邻接矩阵；时空关联特征挖掘模块通过双图输入和多层时空卷积块堆叠进行高维特征抽取；偏差纠正模块通过引入时空编码和空间注意力机制，构建空间点偏差校正图；周期依赖模块针对性的提取预测海表面温度序列的时间段所对应的历史数据时间段的周期性特征，得到预测序列；融合模块将时空关联特征挖掘模块、偏差纠正模块和周期依赖模块的输出进行融合，并得出最终预测结果。通过本发明提高长时序预测的准确性。

关键词：时空关联特征偏差纠正表面温度预测融合模块时间段图构建挖掘周期性特征注意力机制多重特性历史数据邻接矩阵偏差校正时空编码时空网格时序预测特征抽取特征序列温度序列序列构建预测结果空间点图节点预测堆叠多层高维构建卷积输出融合引入网络

来源：评论

学校读者我要写书评

暂无评论

融合深度学习和物理机制的海表面温度预测方法

融合深度学习和物理机制的海表面温度预测方法

引用

作者：史本云冯柳 211816 江苏省南京市江北新区浦珠南路30号

一种融合深度学习和物理机制的海表面温度预测方法，采用深度神经网络模型作为海表面温度预测模型，采集当前时刻的海表面温度作为预测模型的输入，由预测模型输出预测的海表面温度。在预测模型中，经编码器编码得到的海表面温度数据的... 详细信息

标准号: CN117252290A

一种融合深度学习和物理机制的海表面温度预测方法，采用深度神经网络模型作为海表面温度预测模型，采集当前时刻的海表面温度作为预测模型的输入，由预测模型输出预测的海表面温度。在预测模型中，经编码器编码得到的海表面温度数据的新表示分别输入到时空卷积模块和物理动力学模块，分别的到从数据中学习到的时空特征和物理约束信息，随后再将所得到的时空特征和物理约束信息传入注意力融合模块进行信息融合与处理，将融合结果传入解码器进行解码，得到最终的预测结果。本发明方法可以在已知过去某一段时间内的海表面温度数据的情况下，实现未来时间段的海表面温度预测问题。

关键词：表面温度预测预测模型表面温度数据时空特征物理约束神经网络模型解码器编码器编码物理动力学解码融合模块输出预测物理机制信息融合预测结果融合时间段卷积注意力采集时空学习

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共5页 << < 1 2 3 4 5 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：