期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2,886篇文章
< 1 2 … 145 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
Feedback LSTM Network Based on Attention for Image Description Generator 认领 引用 被引量：2
1
作者 Zhaowei Qu Bingyu Cao +3 位作者 Xiaoru Wang Fu Li Peirong Xu Luhan Zhang 《Computers, Materials & Continua》 SCIE EI 2019年第5期575-589,共15页
Images are complex multimedia data which contain rich semantic information.Most of current image description generator algorithms only generate plain description,with the lack of distinction between primary and second... Images are complex multimedia data which contain rich semantic information.Most of current image description generator algorithms only generate plain description,with the lack of distinction between primary and secondary object,leading to insufficient high-level semantic and accuracy under public evaluation criteria.The major issue is the lack of effective network on high-level semantic sentences generation,which contains detailed description for motion and state of the principal object.To address the issue,this paper proposes the Attention-based Feedback Long Short-Term Memory Network(AFLN).Based on existing codec framework,there are two independent sub tasks in our method:attention-based feedback LSTM network during decoding and the Convolutional Block Attention Module(CBAM)in the coding phase.First,we propose an attentionbased network to feedback the features corresponding to the generated word from the previous LSTM decoding unit.We implement feedback guidance through the related field mapping algorithm,which quantifies the correlation between previous word and latter word,so that the main object can be tracked with highlighted detailed description.Second,we exploit the attention idea and apply a lightweight and general module called CBAM after the last layer of VGG 16 pretraining network,which can enhance the expression of image coding features by combining channel and spatial dimension attention maps with negligible overheads.Extensive experiments on COCO dataset validate the superiority of our network over the state-of-the-art algorithms.Both scores and actual effects are proved.The BLEU 4 score increases from 0.291 to 0.301 while the CIDEr score rising from 0.912 to 0.952. 展开更多
关键词 Image description generator feedback LSTM network attention CBAM
暂未订购 下载PDF
Behavior recognition based on the fusion of 3D-BN-VGG and LSTM network 认领 引用 被引量：5
2
作者 Wu Jin Min Yu +2 位作者 Shi Qianwen Zhang Weihua Zhao Bo 《High Technology Letters》 EI CAS 2020年第4期372-382,共11页
In order to effectively solve the problems of low accuracy,large amount of computation and complex logic of deep learning algorithms in behavior recognition,a kind of behavior recognition based on the fusion of 3 dime... In order to effectively solve the problems of low accuracy,large amount of computation and complex logic of deep learning algorithms in behavior recognition,a kind of behavior recognition based on the fusion of 3 dimensional batch normalization visual geometry group(3D-BN-VGG)and long short-term memory(LSTM)network is designed.In this network,3D convolutional layer is used to extract the spatial domain features and time domain features of video sequence at the same time,multiple small convolution kernels are stacked to replace large convolution kernels,thus the depth of neural network is deepened and the number of network parameters is reduced.In addition,the latest batch normalization algorithm is added to the 3-dimensional convolutional network to improve the training speed.Then the output of the full connection layer is sent to LSTM network as the feature vectors to extract the sequence information.This method,which directly uses the output of the whole base level without passing through the full connection layer,reduces the parameters of the whole fusion network to 15324485,nearly twice as much as those of 3D-BN-VGG.Finally,it reveals that the proposed network achieves 96.5%and 74.9%accuracy in the UCF-101 and HMDB-51 respectively,and the algorithm has a calculation speed of 1066 fps and an acceleration ratio of 1,which has a significant predominance in velocity. 展开更多
关键词 behavior recognition deep learning 3 dimensional batch normalization visual geometry group(3D-BN-VGG) long short-term memory(LSTM)network
暂未订购 下载PDF
Prediction of surface subsidence in Changchun City based on LSTM network 认领 引用 被引量：1
3
作者 WANG He WU Qiong 《Global Geology》 2022年第2期109-115,共7页
Monitoring and predicting of urban surface subsidence are important for urban disaster prevention and mitigation.In this paper,the Long Short-Term Memory(LSTM)network was used to predict the surface subsidence process... Monitoring and predicting of urban surface subsidence are important for urban disaster prevention and mitigation.In this paper,the Long Short-Term Memory(LSTM)network was used to predict the surface subsidence process of Changchun City from 2018 to 2020 based on PS-InSAR monitoring data.The results show that the prediction error of 57.89% of PS points in the LSTM network was less than 1mm with the average error of 1.8 mm and the standard deviation of 2.8 mm.The accuracy and reliability of the prediction were better than regression analysis,time series analysis and grey model. 展开更多
关键词 LSTM neural network surface subsidence PS-InSAR
暂未订购 下载PDF
Recognition and classification of microseismic signals based on Bayesian-optimized CNN-LSTM neural network 认领 引用
4
作者 WU Yang LIU Jian-feng +4 位作者 WANG Chun-ping LIU Jun-jie JI Zhen-xing TIAN Cheng-yu XUE Fu-jun 《Journal of Central South University》 SCIE EI CAS CSCD 2026年第6期2762-2787,共26页
Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"S... Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"Surface+Underground"microseismic intelligent monitoring system to evaluate dynamic disaster risks during construction at the Beishan High-level Radioactive Waste Geological Disposal Laboratory in China.The datasets of four typical one-dimensional time-domain microseismic signals,including rock fracture,blasting,TBM tunneling,and drilling,were constructed,and the BO-CNN-LSTM model is developed to identify and classify these signals..Based on the classification results,the typical time-frequency domain characteristics of the four types of signals are analyzed.The classification results of BO-CNN-LSTM,CNN,LSTM and CNN-LSTM models show that the recognition accuracy of the four models is 98.0%,85.7%,66.7%and 91.0%,respectively.Among all types,the four models demonstrate the highest effectiveness in identifying rock fracture and borehole signals.The findings further confirm that the BO-CNN-LSTM model efficiently recognizes and extracts microseismic signal features,demonstrating superior performance and stability in the classification task.Finally,the study suggests several future research directions,particularly in the areas of raw signal denoising,and automation of feature extraction. 展开更多
关键词 deep ground engineering microseismic monitoring signal classification neural network Bayesian optimization convolutional neural network(CNN) long short-term memory network(LSTM) BO-CNN-LSTM model
暂未订购 下载PDF
Urban road collapse risk assessment based on the extended xLSTM Network 认领 引用
5
作者 Jiahao Zhou Juncai Jiang +4 位作者 Yizhao Wang Wenfeng Bai Fei Wang Long Chen Qinglun He 《Journal of Safety Science and Resilience》 EI CSCD 2025年第4期519-530,共12页
Rapid urbanization has substantially increased the complexity of urban underground spaces.This complexity leads to frequent road collapse incidents that pose significant threats to the safety and property of urban res... Rapid urbanization has substantially increased the complexity of urban underground spaces.This complexity leads to frequent road collapse incidents that pose significant threats to the safety and property of urban residents.Therefore,accurate methods of performing early road collapse risk assessments are crucial for preventing these incidents and emergency preparedness.In this study,road collapse incident data for 20162021 were collected for Foshan,Guangdong Province,a city in southern China.Utilizing InSAR time-series data from Sentinel-1 satellites,ground subsidence maps were generated,and the publicly accessible Ground Subsidence Trend-Based Urban Road Collapse Risk Dataset(GSTURCRD)was constructed.A novel risk assessment method for urban road collapse based on an extended long short-term memory(xLSTM)network was proposed.This method introduces two new LSTM variants,the scalar LSTM(sLSTM)and the matrix LSTM(mLSTM),incorporating exponential gating and an innovative matrix memory structure.These variants are integrated using residual connections to form a comprehensive network architecture that enables effective learning and representation of the temporal features.The experimental results from the dataset demonstrate that the proposed method significantly outperforms the original LSTM network and traditional machine learning methods regarding assessment capability(its accuracy was 0.886,and its recall was 0.857).Furthermore,the method's effectiveness was validated by an analysis of actual incidents that occurred in Foshan;thus,its ability to generate accurate and timely detections and provide early warnings for high-risk road sections in urban areas was confirmed. 展开更多
关键词 Road collapse Ground subsidence Risk assessment Deep learning LSTM network
Load-measurement method for floating offshore wind turbines based on a long short-term memory (LSTM) neural network 认领 引用 被引量：2
6
作者 Yonggang LIN Xiangheng FENG +1 位作者 Hongwei LIU Yong SUN 《Journal of Zhejiang University-SCIENCE A》 SCIE EI CAS CSCD 2025年第5期456-470,共15页
Complicated loads encountered by floating offshore wind turbines(FOWTs)in real sea conditions are crucial for future optimization of design,but obtaining data on them directly poses a challenge.To address this issue,w... Complicated loads encountered by floating offshore wind turbines(FOWTs)in real sea conditions are crucial for future optimization of design,but obtaining data on them directly poses a challenge.To address this issue,we applied machine learning techniques to obtain hydrodynamic and aerodynamic loads of FOWTs by measuring platform motion responses and wave-elevation sequences.First,a computational fluid dynamics(CFD)simulation model of the floating platform was established based on the dynamic fluid body interaction technique and overset grid technology.Then,a long short-term memory(LSTM)neural network model was constructed and trained to learn the nonlinear relationship between the waves,platform-motion inputs,and hydrodynamic-load outputs.The optimal model was determined after analyzing the sensitivity of parameters such as sample characteristics,network layers,and neuron numbers.Subsequently,the effectiveness of the hydrodynamic load model was validated under different simulation conditions,and the aerodynamic load calculation was completed based on the D'Alembert principle.Finally,we built a hybrid-scale FOWT model,based on the software in the loop strategy,in which the wind turbine was replaced by an actuation system.Model tests were carried out in a wave basin and the results demonstrated that the root mean square errors of the hydrodynamic and aerodynamic load measurements were 4.20%and 10.68%,respectively. 展开更多
关键词 Floating offshore wind turbine(FOWT) Long short-term memory(LSTM)neural network Machine learning technique Load measurement Hybrid-scale model test
暂未订购 下载PDF
基于多尺度CNN和残差LSTM网络的储能电站SOC估计 认领 引用 被引量：2
7
作者 黄晓凡 李佳瑞 +3 位作者 秦玉文 汤效平 王彤 王兹尧 《电源学报》 CSCD 北大核心 2026年第1期233-241,共9页
随着储能电站在新型电力系统中的大范围应用,提高锂离子电池荷电状态SOC(state-of-charge)预测精度对提升储能电站乃至电力系统安全稳定具有重大意义。提出1种结合多尺度卷积神经网络CNN(convo-lutional neural network)和残差长短期记... 随着储能电站在新型电力系统中的大范围应用,提高锂离子电池荷电状态SOC(state-of-charge)预测精度对提升储能电站乃至电力系统安全稳定具有重大意义。提出1种结合多尺度卷积神经网络CNN(convo-lutional neural network)和残差长短期记忆LSTM(long short-term memory)网络的电池SOC预测方法,首先利用多尺度CNN自动提取传感器数据中的不同类型特征,然后将特征输入LSTM网络挖掘时间维度的关联性,同时在LSTM网络两端加入残差连接以避免模型过拟合。在储能系统实测数据上的对比实验表明,所提出的模型在各指标下均取得了最好的预测结果,特别是在电池处于复杂工作情况时更能提取关键特征,从而表现出更优秀的预测性能。 展开更多
关键词 锂离子电池 荷电状态 多尺度卷积网络 长短期记忆网络 残差连接 深度学习
暂未订购 下载PDF
基于多健康因子LSTM的电池容量估计方法 认领 引用 被引量：4
8
作者 莫易敏 陈佳浩 +3 位作者 叶鹏 范文健 韦军 孙静宇 《电源学报》 CSCD 北大核心 2026年第1期207-216,共10页
为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用... 为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。 展开更多
关键词 容量估计 电池健康状态 长短期记忆神经网络 锂离子电池
暂未订购 下载PDF
基于LSTM神经网络的渡槽温度场预测 认领 引用 被引量：2
9
作者 王铁虎 刘平安 +3 位作者 欧玉鹏 越斐 朱泽众 张迅 《灌溉排水学报》 CAS CSCD 2026年第2期73-81,共9页
【目的】准确预测渡槽的离散点温度及内外表面温差,基于长短期记忆神经网络(LSTM)提出一种渡槽温度场预测模型。【方法】以某大跨度简支U形渡槽为依托,基于实测数据分析了渡槽内部温度以及渡槽各部位内外表面温差的变化规律;根据结构内... 【目的】准确预测渡槽的离散点温度及内外表面温差,基于长短期记忆神经网络(LSTM)提出一种渡槽温度场预测模型。【方法】以某大跨度简支U形渡槽为依托,基于实测数据分析了渡槽内部温度以及渡槽各部位内外表面温差的变化规律;根据结构内部温度传感器返回的数据建立温度时序数据库,训练神经网络模型实现未来各测点温度及渡槽内外表面温差预测。【结果】渡槽表面及内部温度呈日周期及年周期变化,跨中与支座截面温度在8月达到最高值,分别为45℃与40℃,1月降至最低值,接近0℃与5℃;渡槽内部温度达到峰值的时间随着深度的增加而推迟,表面达到最低温度时渡槽出现负温度梯度,表面达到最高温度时渡槽出现正温度梯度;LSTM神经网络预测结果相对CNN及MLP神经网络的平均绝对误差(MAE)更小、决定系数(R2)更接近于1;基于LSTM神经网络的预测温度曲线与实测曲线基本一致,误差不超过1.681℃;渡槽各部位内外温差的预测误差值不超过2.22℃/m,预测结果准确性较高。【结论】LSTM神经网络预测方法性能优异,可为渡槽未来安全性预测提供参考。 展开更多
关键词 渡槽结构 温度变化 温度场预测 长短期(LSTM)神经网络
暂未订购 下载PDF
基于LSTM-NGO-MPC控制器的农机横向跟踪控制方法 认领 引用 被引量：2
10
作者 王瞧 魏世博 +2 位作者 吴翔 牛群峰 王莉 《农机化研究》 北大核心 2026年第7期117-125,共9页
针对智能农机路径跟踪控制中车辆动力学模型不准确和所用控制器权重难以自适应调节问题,提出了一种基于融合长短期记忆(LSTM)神经网络和北方苍鹰优化(NGO)算法的农机横向跟踪模型预测控制(MPC)方法,以提高农机横向跟踪控制精度。首先,... 针对智能农机路径跟踪控制中车辆动力学模型不准确和所用控制器权重难以自适应调节问题,提出了一种基于融合长短期记忆(LSTM)神经网络和北方苍鹰优化(NGO)算法的农机横向跟踪模型预测控制(MPC)方法,以提高农机横向跟踪控制精度。首先,在传统MPC路径跟踪控制的基础上,利用LSTM网络对车辆动力学模型进行补偿,从而更准确地反映农机的真实动力学特性。其次,设定横向误差阈值,一旦超过该误差阈值,利用NGO对MPC控制器固定权重参数进行在线自动更新,使二次规划输出的控制量有更好的控制效果。最后,通过MATLAB/Simulink和CarSim软件搭建农机跟踪控制联合仿真系统,通过不同曲率的2个单弯道路径和1个多弯道路径对跟踪效果进行验证实验,结果表明,LSTM-NGO-MPC控制器在车速15 km/h和20 km/h下的跟踪精度远优于传统控制器,在车速为15 km/h的3种路径跟踪中比NGO-MPC控制器提高40.71%、27.86%、11.80%,在车速为20 km/h的3种路径跟踪中比NGO-MPC控制器提高21.28%、22.22%、44.66%。 展开更多
关键词 智能农机 横向跟踪 模型预测控制 长短期记忆神经网络 北方苍鹰优化算法
暂未订购 下载PDF
基于HPO-LSTM网络的锂电池健康状态估计 认领 引用 被引量：3
11
作者 王庭华 鄢博 +1 位作者 吴静云 何大瑞 《电源学报》 CSCD 北大核心 2026年第1期225-232,共8页
电池健康状态SOH(state-of-health)是评价电池性能的重要指标。针对电池健康状态难以准确估算的问题,提出猎人猎物优化HPO(hunter-prey optimizer)算法和长短期记忆LSTM(long short-term memory)神经网络相结合的锂电池健康状态估计方... 电池健康状态SOH(state-of-health)是评价电池性能的重要指标。针对电池健康状态难以准确估算的问题,提出猎人猎物优化HPO(hunter-prey optimizer)算法和长短期记忆LSTM(long short-term memory)神经网络相结合的锂电池健康状态估计方法。通过分析电流、温度对容量增量IC(incremental capacity)曲线的影响,引入IC曲线中最高峰的峰值及其对应的电压、温度、电流作为模型输入,利用HPO算法对LSTM网络进行动态调参,最后采用储能环境下削峰填谷工况的电池充放电数据进行实验验证。结果表明:基于HPO-LSTM网络的锂电池健康状态估计方法相较传统的LSTM网络方法具有更高的估算精度,在不同网络训练量下具有较好的鲁棒性。 展开更多
关键词 锂电池 健康状态 容量增量曲线 猎人猎物优化算法 长短期记忆神经网络
暂未订购 下载PDF
基于注意力机制LSTM神经网络的北方岩溶大泉水位预测研究 认领 引用 被引量：1
12
作者 黄林显 徐征和 +7 位作者 支传顺 李双 刘治政 邢立亭 朱恒华 王晓玮 毕雯雯 胡晓农 《地学前缘》 EI CAS CSCD 北大核心 2026年第1期419-431,共13页
岩溶地下水是北方岩溶区重要供水水源,准确预测其水位动态对地下水资源科学管理和保护具有重要意义。但岩溶含水系统具有强烈的非均质性和各向异性,导致其水位动态往往体现出非平稳及非线性波动状态,造成进行地下水位预测时易产生较大... 岩溶地下水是北方岩溶区重要供水水源,准确预测其水位动态对地下水资源科学管理和保护具有重要意义。但岩溶含水系统具有强烈的非均质性和各向异性,导致其水位动态往往体现出非平稳及非线性波动状态,造成进行地下水位预测时易产生较大误差。论文提出一种耦合注意力机制(Attention)和长短时记忆(LSTM,Long Short-Term Memory)神经网络的多变量趵突泉地下水位预测模型,利用泉域2013—2024年日降水(代表补给项)及水汽压、日气温和开采量(代表排泄项)进行模型训练和预测,结果表明:①采用BEAST(Bayesian Estimator of Abrupt Change,Seasonality,and Trend)算法对1958—2024年趵突泉水位时间序列进行分解,共识别出四个突变点并以此为依据将水位动态划分为四个阶段;②互相关分析揭示降雨和趵突泉水位动态变化之间存在2~3个月的时间滞后,表明两者之间动态变化较为一致;③所提出的预测模型以多种变量(降水量、水汽压、气温及开采量)作为模型输入,不同变量间的交互作用可相互验证,能有效提升预测精度;④采用正弦函数拟合日气温数据,可消除测量误差影响,能在一定程度上提高预测精度;⑤相较于单一LSTM神经网络和门控循环单元(GRU)神经网络,LSTM_Attention神经网络由于引入注意力机制,能聚焦更重要特征的影响,从而显著提高预测精度,其水位预测RMSE和R 2值分别为0.13 m和0.94。总体来说,本文所提出的LSTM_Attention神经网络岩溶地下水位预测模型具有较强的准确性和稳定性,可为岩溶地下水位精确预测提供借鉴。 展开更多
关键词 北方岩溶 水位预测 多变量模拟 LSTM_Attention神经网络
暂未订购 下载PDF
基于健康因子和PSO-LSTM的锂离子电池健康状态估计 认领 引用 被引量：2
13
作者 宁雪峰 石正禄 许加柱 《电源学报》 CSCD 北大核心 2026年第2期223-232,共10页
锂离子电池LIBs(lithium-ion batteries)健康状态SOH(state-of-health)是表征电池实际寿命的关键参数。为了提高锂离子电池SOH估计精度,提出了1种基于健康因子和改进的长短期记忆LSTM(long short-term memory)神经网络的SOH估计方法。... 锂离子电池LIBs(lithium-ion batteries)健康状态SOH(state-of-health)是表征电池实际寿命的关键参数。为了提高锂离子电池SOH估计精度,提出了1种基于健康因子和改进的长短期记忆LSTM(long short-term memory)神经网络的SOH估计方法。首先选取10个与SOH变化高度相关的健康因子作为SOH特征,然后引入粒子群优化PSO(particle swarm optimization)算法对LSTM超参数进行寻优,构建PSO-LSTM估计模型,最后用提取的健康因子作为模型输入实现SOH的准确估计。结果表明,分别以整个样本70%、60%和50%的数据作为训练集,剩余数据作为测试集,其SOH估计误差主要分布在2%以内。同时与现有的LSTM和前馈神经网络FNN(feed-forward neural networks)相比,PSO-LSTM表现出较高的估计精度和较好的鲁棒性。 展开更多
关键词 健康因子 锂离子电池 改进的长短期记忆神经网络 健康状态估计
暂未订购 下载PDF
基于IDBO-LSTM神经网络的异步电机故障辨识 认领 引用 被引量：1
14
作者 梁天添 杨健雄 钱振明 《大连交通大学学报》 CAS 2026年第1期130-139,共10页
针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步... 针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步电机系统模型;其次,利用精英反向学习策略、分段线性混沌映射、动态混沌权重因子和动态权重系数等方法改进蜣螂优化算法;最后,使用改进蜣螂优化算法对LSTMNN的关键超参数进行寻优。仿真结果表明,相较于基于蜣螂优化算法和基于改进麻雀算法的LSTMNN,提出的优化LSTMNN对故障及其他变量的辨识均方根误差分别降低了51.93%、36.49%,平均绝对误差分别降低了56.83%、43.99%,平均绝对百分误差分别降低了29.91%、22.25%,表明采用改进的蜣螂优化算法对LSTMNN的关键超参数寻优,可显著提高LSTM网络对电机故障及其他变量的辨识能力。 展开更多
关键词 异步电机 故障辨识 长短期记忆神经网络 改进的蜣螂优化算法
暂未订购 下载PDF
利用ICEEMDAN-LSTM的台风登陆期间电离层TEC扰动探测 认领 引用 被引量：1
15
作者 杨芸珍 刘立龙 +3 位作者 韩青宏 黄东桂 张亚丽 林俊良 《导航定位学报》 CSCD 北大核心 2026年第2期1-9,共9页
针对台风电离层异常扰动探测参考背景值的精度直接影响探测结果的准确性,而传统方法确定背景值的精度较低的问题,提出一种台风登陆期间电离层TEC扰动探测方法:结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)和长短期记忆(LSTM)神... 针对台风电离层异常扰动探测参考背景值的精度直接影响探测结果的准确性,而传统方法确定背景值的精度较低的问题,提出一种台风登陆期间电离层TEC扰动探测方法:结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)和长短期记忆(LSTM)神经网络构建短时电离层总电子含量(TEC)背景值的确定方法;然后将其用于2023年台风“苏拉”登陆期间电离层TEC异常扰动探测。结果表明:1)ICEEMDAN-LSTM模型在地磁活跃期和平静期确定背景值的相对精度分别为91.18%和93.10%,较四分位距法、LSTM模型和CEEMDAN-LSTM模型可提高0.58~60.35个百分点;而均方根误差和偏差则减小数倍;ICEEMDAN-LSTM模型确定背景值的精度显著高于四分位距法和单一的LSTM模型。2)将提出的方法用于2023年台风“苏拉”登陆期间的电离层TEC扰动探测,发现台风登陆点周围的4个格网点电离层TEC在登陆当天和登陆后第1天分别表现出负异常和正负异常现象;结合日地空间环境,台风登陆当天的电离层扰动与“苏拉”存在一定联系,且距离台风路径越近,电离层TEC扰动越显著。 展开更多
关键词 台风 电离层扰动 总电子含量(TEC) 长短期记忆(LSTM)神经网络 改进的自适应噪声完备集合经验模态分解(ICEEMDAN)
暂未订购 下载PDF
基于Kmeans-ADE-LSTM模型的电动汽车直流充电桩充电效率研究 认领 引用
16
作者 张煌辉 方杰 +4 位作者 张杰梁 叶熙领 金涛 邵海明 肖蕾 《电测与仪表》 CSCD 北大核心 2026年第4期89-98,共10页
在电动汽车充电过程中,交直流电的转换、电能与化学能的转化等现象都会造成不可避免的电能损耗。为了以有限计量设备精准计算该损耗大小,文中提出了基于Kmeans-ADE-LSTM(Kmeans-adaptive differential evolution-long short-term memory... 在电动汽车充电过程中,交直流电的转换、电能与化学能的转化等现象都会造成不可避免的电能损耗。为了以有限计量设备精准计算该损耗大小,文中提出了基于Kmeans-ADE-LSTM(Kmeans-adaptive differential evolution-long short-term memory)的充电桩效率计算理论。所提方法使用记忆型神经网络对历史充电数据进行模型训练,得出直流侧电气数据、温度数据与充电效率之间的模型关系,再进行新的充电数据验证。创新性地提出将所采集到的充电数据在进行效率计算之前,先对数据样本进行Kmeans聚类分析,处理后的数据再进行后续的神经网络训练。此外,为改善传统差分进化算法的变异系数选取困难问题,文中选用了高效的全局优化算法——差分进化算法,对变异系数进行自适应处理,进行长短期记忆(long short-term memory,LSTM)网络的超参数最优选取;基于充电效率与时间等的关联性,结合LSTM神经网络进行充电转换效率计算。对比实验结果表明,所提出的Kmeans-ADE-LSTM充电桩充电效率预测方法具有较高的预测精度。 展开更多
关键词 长短期记忆网络 差分进化算法 充电桩 充电效率预测 Kmeans聚类
暂未订购 下载PDF
基于LSTM-PI的刮板输送机多电动机功率平衡自适应控制方法 认领 引用
17
作者 张传伟 赵昶轩 +5 位作者 路正雄 马悦杨 杨彬 李林岳 田嘉玮 黄骏峰 《工矿自动化》 CSCD 北大核心 2026年第4期149-156,共8页
针对现有刮板输送机电动机功率控制方法在不同工况下存在控制滞后、无法在线动态调节及抗干扰能力差等问题,将长短期记忆(LSTM)网络与PI控制相结合,提出了一种基于LSTM-PI的刮板输送机多电动机功率平衡自适应控制方法。该方法在传统PI... 针对现有刮板输送机电动机功率控制方法在不同工况下存在控制滞后、无法在线动态调节及抗干扰能力差等问题,将长短期记忆(LSTM)网络与PI控制相结合,提出了一种基于LSTM-PI的刮板输送机多电动机功率平衡自适应控制方法。该方法在传统PI控制的基础上引入LSTM网络,根据电动机电流及额定链速与实际链速的差值对电动机输出功率进行预测,将电动机功率预测值与实际值的差值进行非线性映射,实现PI控制参数的在线动态调整,通过PI控制器调整电动机的输出电磁转矩,从而实现刮板输送机多电动机功率平衡。仿真结果表明:LSTM网络能有效跟踪实际功率的变化,预测结果展现出较强的时序连续性和趋势一致性,避免了预测值的大幅波动;在启动、负载突变及负载不均衡等典型工况下,LSTM-PI控制能有效抑制链速波动与电流振荡,链速、电流波动幅值较传统PI控制分别减少了3%和4%,提高了运行稳定性;在高负载、低速重载及单侧偏载等边界工况下,LSTM-PI能更加快速、平稳地完成功率调节,抑制功率波动,提高了功率调节效率与抗干扰能力。 展开更多
关键词 刮板输送机 多电动机驱动 功率平衡 LSTM网络 PI控制 自适应控制
暂未订购 下载PDF
基于改进LSTM算法的无线网络DDoS攻击防御方法 认领 引用 被引量：1
18
作者 徐伟 冷静 《现代电子技术》 北大核心 2026年第8期61-64,70,共4页
为有效防御无线网络中的DDoS攻击,保证网络服务的连续性与稳定性及安全通信,提出一种基于改进LSTM算法的无线网络DDoS攻击防御方法。该方法分析无线网络中DDoS攻击的模式特点和影响,确定网络在攻击下的流量变化规律;在LSTM算法中添加门... 为有效防御无线网络中的DDoS攻击,保证网络服务的连续性与稳定性及安全通信,提出一种基于改进LSTM算法的无线网络DDoS攻击防御方法。该方法分析无线网络中DDoS攻击的模式特点和影响,确定网络在攻击下的流量变化规律;在LSTM算法中添加门控机制和存储单元,构建BiLSTM网络,以快速捕获DDoS攻击下无线网络中所有节点的流量数据集;依据检测结果,采用弹性一致性算法拦截异常流量,从而实现对无线网络DDoS的防御。实验结果表明,所提方法可以快速、准确地检测流量表中的无线网络DDoS攻击,实现有效防御,数据包转发成功率大于96%,对无线网络DDoS攻击具有很好的防御效果,可以保证网络服务的连续性。 展开更多
关键词 改进LSTM算法 无线网络 DDoS攻击 攻击防御 弹性一致性 流量数据 攻击模式
暂未订购 下载PDF
融合注意力机制的LSTM职工心理压力状态评价方法 认领 引用
19
作者 曹海青 姚志英 +1 位作者 吕淑然 姚翠友 《中国安全科学学报》 EI CAS CSCD 北大核心 2026年第3期229-237,共9页
为确保职工身心健康,提升心理压力评价方法的准确性与可解释性,以多模态生理时间序列数据为研究对象,提出一种融合注意力机制(AM)的长短期记忆(LSTM)网络方法(LSTMA),实现职工心理压力状态的准确评价。首先,以数据集WESAD中多模态生理... 为确保职工身心健康,提升心理压力评价方法的准确性与可解释性,以多模态生理时间序列数据为研究对象,提出一种融合注意力机制(AM)的长短期记忆(LSTM)网络方法(LSTMA),实现职工心理压力状态的准确评价。首先,以数据集WESAD中多模态生理时间序列数据(血容量脉搏(BVP)、心电图(ECG)、皮肤电活动(EDA)、肌电图(EMG)、呼吸(RESP)、体温(TEMP)和三轴加速度(ACC))为研究对象,通过分模态LSTM模块的门控记忆机制,精准捕获跨时间步时序依赖特征,有效保留与心理状态强相关的关键生理特征,并过滤短期随机噪声,确保生理特征数据能真实表征职工心理状态的动态演化;然后,在特征融合后引入AM,基于各模态、各时间步生理数据的特征重要性自适应分配注意力权重系数,强化对心理压力状态敏感的关键特征与微小响应特征,同时抑制冗余信息干扰;最后,通过全连接神经网络完成心理压力状态准确评价。结果表明:LSTMA在中性、压力、愉悦、冥想4分类任务中,心理压力状态评价准确率达94.56%;经留一法交叉验证后,准确率提升至98.08%;消融试验验证了分模态LSTM与AM的协同增强效应,模型解释性分析进一步佐证LSTMA方法设计的科学性与合理性。 展开更多
关键词 注意力机制(AM) 长短时记忆(LSTM)网络 心理压力 状态评价 生理时间序列数据 多模态
暂未订购 下载PDF
基于ARIMA-LSTM模型的MSWI过程CO2排放浓度多步预测 认领 引用
20
作者 汤健 王子 +2 位作者 夏恒 王天峥 乔俊飞 《北京工业大学学报》 CAS CSCD 北大核心 2026年第2期175-188,共14页
针对城市固废焚烧(municipal solid waste incineration,MSWI)过程CO2排放兼具线性趋势与非线性波动的复杂动态特性,现有单一预测难以准确拟合的问题,提出基于差分整合移动平均自回归-长短期记忆(autoregressive integrated moving a... 针对城市固废焚烧(municipal solid waste incineration,MSWI)过程CO2排放兼具线性趋势与非线性波动的复杂动态特性,现有单一预测难以准确拟合的问题,提出基于差分整合移动平均自回归-长短期记忆(autoregressive integrated moving average-long short-term memory,ARIMA-LSTM)模型的CO2排放浓度的多步预测方法。首先,采用ARIMA算法构建线性主模型以进行CO2排放浓度预测;然后,以主模型的预测残差为真值,采用LSTM算法构建非线性补偿模型;最后,将主模型和补偿模型的预测值进行组合得到超前多步的预测结果。基于北京某MSWI工厂的真实CO2数据集验证了所构建混合模型的有效性。 展开更多
关键词 城市固废焚烧(municipal solid waste incineration,MSWI) CO2排放 多步预测 差分整合移动平均自回归模型 长短期记忆(long short-term memory,LSTM)网络 混合模型
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 145 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈