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882篇文章
< 1 2 … 45 >
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：
ACSF-ED: Adaptive Cross-Scale Fusion Encoder-Decoder for Spatio-Temporal Action Detection 认领 引用
1
作者 Wenju Wang Zehua Gu +2 位作者 Bang Tang Sen Wang Jianfei Hao 《Computers, Materials & Continua》 SCIE EI 2025年第2期2389-2414,共26页
Current spatio-temporal action detection methods lack sufficient capabilities in extracting and comprehending spatio-temporal information. This paper introduces an end-to-end Adaptive Cross-Scale Fusion Encoder-Decode... Current spatio-temporal action detection methods lack sufficient capabilities in extracting and comprehending spatio-temporal information. This paper introduces an end-to-end Adaptive Cross-Scale Fusion Encoder-Decoder (ACSF-ED) network to predict the action and locate the object efficiently. In the Adaptive Cross-Scale Fusion Spatio-Temporal Encoder (ACSF ST-Encoder), the Asymptotic Cross-scale Feature-fusion Module (ACCFM) is designed to address the issue of information degradation caused by the propagation of high-level semantic information, thereby extracting high-quality multi-scale features to provide superior features for subsequent spatio-temporal information modeling. Within the Shared-Head Decoder structure, a shared classification and regression detection head is constructed. A multi-constraint loss function composed of one-to-one, one-to-many, and contrastive denoising losses is designed to address the problem of insufficient constraint force in predicting results with traditional methods. This loss function enhances the accuracy of model classification predictions and improves the proximity of regression position predictions to ground truth objects. The proposed method model is evaluated on the popular dataset UCF101-24 and JHMDB-21. Experimental results demonstrate that the proposed method achieves an accuracy of 81.52% on the Frame-mAP metric, surpassing current existing methods. 展开更多
关键词 Spatio-temporal action detection encoder-decoder cross-scale fusion multi-constraint loss function
暂未订购 下载PDF
考虑时滞相关性的混合双频RNN光伏功率概率预测 认领 引用
2
作者 马晓琴 薛晓慧 +2 位作者 薛峪峰 周振杰 田光欣 《电子设计工程》 2026年第12期31-35,共5页
针对光伏发电功率易受环境变化影响、预测准确性低的问题,提出一种考虑时滞相关性的混合双频循环神经网络光伏功率概率预测模型。该模型采用变分模态分解对原始时间序列进行频域分解,将趋势项和波动项分别输入深度循环神经网络与深度自... 针对光伏发电功率易受环境变化影响、预测准确性低的问题,提出一种考虑时滞相关性的混合双频循环神经网络光伏功率概率预测模型。该模型采用变分模态分解对原始时间序列进行频域分解,将趋势项和波动项分别输入深度循环神经网络与深度自回归神经网络进行建模预测。通过构建时滞相似度分析机制,增强模型对多站点间功率时空依赖的识别能力。实验结果表明,所提模型在数据集尺寸为1000时的平均绝对百分比误差为0.03,显著优于对比模型如深度自回归概率神经网络的0.06和分位数回归神经网络的0.07,且在不同季节的准确率最高可达94%。研究验证了所提模型在复杂时序预测任务中具备较高的精度与稳定性,为光伏功率预测提供了新的有效方法。 展开更多
关键词 光伏发电 时滞相关性 混合双频RNN 变分模态分解 概率预测
暂未订购 下载PDF
基于RNN与Word2Vec的教学反馈情感分析研究 认领 引用
3
作者 刘超慧 胡家豪 +2 位作者 张欣欣 白紫莹 曾芝灿 《计算机应用文摘》 2026年第14期97-99,103,共3页
针对教学反馈文本短小、语境依赖性强以及情感表达较为隐晦等特点所导致的情感分析准确率不高问题,提出一种融合循环神经网络(RNN)与Word2Vec词向量的情感分类模型.首先,对教学评论文本进行数据清洗和分词处理,并利用Word2Vec训练生成... 针对教学反馈文本短小、语境依赖性强以及情感表达较为隐晦等特点所导致的情感分析准确率不高问题,提出一种融合循环神经网络(RNN)与Word2Vec词向量的情感分类模型.首先,对教学评论文本进行数据清洗和分词处理,并利用Word2Vec训练生成高质量词向量,以充分挖掘文本的语义特征;其次,构建由嵌入层、SimpleRNN层和输出层组成的RNN模型,通过学习文本序列中的上下文依赖关系,实现教学反馈情感的有效分类.实验结果表明,该模型在教学反馈情感分析任务中取得了较好的性能.基于该模型,进一步设计并实现了一个集用户管理、数据采集、情感分析和结果查询等功能于一体的教学反馈情感分析系统,为教学质量评价与改进提供了有效的技术支持. 展开更多
关键词 情感分析 循环神经网络 Word2Vec 词向量 教学反馈 文本分类
暂未订购 下载PDF
基于RNN网络的电力设备台账数据智能校验方法 认领 引用
4
作者 张子瑛 刘瀚林 +2 位作者 周刚 徐思尧 黄泽荣 《电子设计工程》 2026年第9期134-138,143,共5页
为提升电力设备台账数据校验效率与准确性,该文设计了一种优化RNN模型对电力设备台账数据进行智能校验。所设计的RNN模型能获取电力设备台账数据序列;将其输入到RNN模型中,并选用sigmoid函数作为模型的激活函数,对所构建RNN模型中的数... 为提升电力设备台账数据校验效率与准确性,该文设计了一种优化RNN模型对电力设备台账数据进行智能校验。所设计的RNN模型能获取电力设备台账数据序列;将其输入到RNN模型中,并选用sigmoid函数作为模型的激活函数,对所构建RNN模型中的数据进行训练,通过调整学习率和训练迭代次数,获得优化后的RNN模型;处理电力设备台账数据,并设计台账数据显性校验规则及协同校验电力设备台账数据流程,实现对电力设备台账数据的全面校验和审核。结果表明:相较于另外两种方法,所提校验方法在不同变压器功率下,其校验得到的运行电流与实际运行电流误差均不超过0.3 A,具有更高的校验准确性;数据校验耗时仅为12.1 s;台账数据校验准确率可达99.8%。该方法不仅能提高电力台账数据校验的准确性,还能提高校验效率。 展开更多
关键词 数据校验 智能控制 电力设备 台账数据 RNN网络
暂未订购 下载PDF
基于改进RNN模型的空分厂低压配电系统三相负荷平衡优化 认领 引用
5
作者 王新跃 韦玉柱 +2 位作者 马伟东 杨良齐 任帅 《电工技术》 2026年第11期34-36,39,共3页
针对空分厂低压配电系统因非线性负荷的随机性与不确定性引发的严重三相不平衡问题,开展基于改进RNN模型的负荷平衡优化方法研究。利用改进粒子群算法优化RNN初始权重,构建高精度短期非线性负荷预测模型,为后续优化提供前瞻性数据。结... 针对空分厂低压配电系统因非线性负荷的随机性与不确定性引发的严重三相不平衡问题,开展基于改进RNN模型的负荷平衡优化方法研究。利用改进粒子群算法优化RNN初始权重,构建高精度短期非线性负荷预测模型,为后续优化提供前瞻性数据。结合遵循Steinmetz理论的三相四线制不平衡补偿方法与以降低不平衡度和换相次数为目标的负荷优化调整策略,形成一套完整的“预测-补偿-调整”闭环优化方案。通过优化效果分析证明该方法能显著提升系统三相平衡度,有效改善功率因数,大幅降低网络损耗,并释放系统供电潜力。 展开更多
关键词 改进RNN模型 低压配电系统 负荷平衡 空分厂
暂未订购 下载PDF
基于RNN-T改进的BC-T端到端语音识别 认领 引用
6
作者 王亚豪 高鹭 +2 位作者 张飞 任晓颖 郝斌 《计算机与数字工程》 2026年第5期1384-1390,共7页
基于RNN-T的端到端语音识别模型语言建模能力存在不足,需要大量数据进行训练且耗时耗力,因此无法在实际应用中广泛使用。针对以上问题,论文提出了基于RNN-T改进的BC-T端到端模型。首先在RNN-T编码器中引入改进的Conformer模块,通过交换... 基于RNN-T的端到端语音识别模型语言建模能力存在不足,需要大量数据进行训练且耗时耗力,因此无法在实际应用中广泛使用。针对以上问题,论文提出了基于RNN-T改进的BC-T端到端模型。首先在RNN-T编码器中引入改进的Conformer模块,通过交换卷积模块和多头自注意力模块的顺序获取有效的隐式相对位置信息,让RNN-T模型有效利用Conformer实现高效提取高层抽象特征和并行计算能力的特性,加快模型的训练速度,提高模型的识别精度;其次,使用BERT微调RNN-T的预测网络,有效利用BERT模型提供的语言信息,增加语言建模能力,极大提高模型的识别性能;最后,在Ashell-1数据集上对提出的方法进行验证,实验结果表明,BC-T模型相对于采用基线的RNN-T模型,字错误率降低至4.64%。 展开更多
关键词 语音识别 端到端 RNN-T Conformer BERT
暂未订购 下载PDF
基于RNN的洱海流域智能网格气温订正研究 认领 引用
7
作者 马易微 《河南科技》 2026年第4期30-35,共6页
【目的】解决大理洱海流域复杂地形与气候条件下,智能网格气温预报存在偏差的问题。【方法】基于循环神经网络(RNN)的预报订正方案,采用长短期记忆网络(LSTM)构建气温订正模型。以洱海流域内大理站和洱源站这两个代表性气象站点的逐日... 【目的】解决大理洱海流域复杂地形与气候条件下,智能网格气温预报存在偏差的问题。【方法】基于循环神经网络(RNN)的预报订正方案,采用长短期记忆网络(LSTM)构建气温订正模型。以洱海流域内大理站和洱源站这两个代表性气象站点的逐日气温实况数据与智能网格原始预报数据为基础,构建“前7天预报序列—当日实况值”的时序映射关系。【结果】通过数据标准化、序列构建、模型训练与验证,实现对洱海流域智能网格气温预报的误差修正。【结论】修正后RNN(LSTM)模型能显著降低预报误差,可为洱海流域生态保护、农业生产、旅游服务等场景的精细化气象保障服务提供技术支撑,也可为云南高原湖泊流域智能网格预报的业务化应用提供参考。 展开更多
关键词 循环神经网络(RNN) 长短期记忆网络(LSTM) 智能网格预报 气温订正 洱海流域
暂未订购 下载PDF
基于注意力增强型RNN的Java代码上下文感知补全应用研究 认领 引用
8
作者 张芮斌 石佳伟 《软件》 2026年第2期49-51,共3页
随着软件开发规模的不断扩大,代码补全技术成为提高编程效率的重要手段。本文针对Java代码补全中的上下文感知问题,提出了一种基于注意力增强型RNN的代码补全模型。该模型引入注意力机制,能够有效捕捉代码序列中的关键信息,增强了模型... 随着软件开发规模的不断扩大,代码补全技术成为提高编程效率的重要手段。本文针对Java代码补全中的上下文感知问题,提出了一种基于注意力增强型RNN的代码补全模型。该模型引入注意力机制,能够有效捕捉代码序列中的关键信息,增强了模型对代码上下文的理解能力。实验结果表明,提出的注意力增强型RNN在数值预测任务中准确率达到83.7%。相较于指针混合网络模型提升了5.2%;与无递归机制的BPE-TCN模型相比,引入递归结构后准确率提高了1.7%。 展开更多
关键词 注意力机制 RNN 代码补全 上下文感知 Java
暂未订购 下载PDF
基于RNN-BiLSTM-CNN的智能电网稳定性诊断 认领 引用
9
作者 孙亚 巩秀中 +2 位作者 潘巧波 曹席华 张骏 《电工技术》 2026年第6期159-162,共4页
由于可再生能源出力的强间歇性与终端负荷的多维动态特性,智能电网面临系统稳定性困境。稳定性诊断算法作为智能电网安全运行的“神经中枢”,不仅为风险前馈控制提供决策依据,更成为优化潮流分布、挖掘柔性资源潜力的关键技术支撑。通... 由于可再生能源出力的强间歇性与终端负荷的多维动态特性,智能电网面临系统稳定性困境。稳定性诊断算法作为智能电网安全运行的“神经中枢”,不仅为风险前馈控制提供决策依据,更成为优化潮流分布、挖掘柔性资源潜力的关键技术支撑。通过融合循环神经网络(Recurrent Neural Network,RNN)、双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)与卷积神经网络(Convolutional Neural Network,CNN)构建了智能电网稳定性诊断模型RNN-BiLSTM-CNN。利用RNN处理时间序列数据,捕捉时序依赖性,通过BiLSTM双向编码增强特征提取能力、捕捉长短期依赖,CNN通过卷积层自动提取局部特征来提升特征学习与预测能力。实验结果表明,在20次遍历中,RNN-BiLSTM-CNN对智能电网稳定性诊断的准确率、精确率、召回率和F1分数,最高分别达到了99.43%、99.21%、99.41%和0.9859。 展开更多
关键词 智能电网 稳定性诊断 循环神经网络 双向长短期记忆网络 卷积神经网络
暂未订购 下载PDF
国家医学中心建设背景下基于RNN视角科技成果转化收益分配机制研究——以妇幼健康领域为例 认领 引用
10
作者 徐旭 刘佳 +1 位作者 王彬 陈伟 《中国妇幼健康研究》 CAS 2026年第5期82-87,共6页
国家医学中心建设是实现公立医院高质量发展的重要抓手。医疗科技成果的转化是推动健康领域科技创新的重要环节,是医务工作者在临床实践中积累经验后进行知识转化与技术转移的过程。然而,现有研究对医疗科技成果转化收益分配过程性认识... 国家医学中心建设是实现公立医院高质量发展的重要抓手。医疗科技成果的转化是推动健康领域科技创新的重要环节,是医务工作者在临床实践中积累经验后进行知识转化与技术转移的过程。然而,现有研究对医疗科技成果转化收益分配过程性认识不够深入,且大多仅限于收益分配比例的选择,与理想化的医疗科技成果转化收益分配机制存在一定差距。本文结合国家医学中心建设背景,以妇幼健康领域为入口,论证神经网络模型(RNN)在跨学科转化中的适应性,提出针对妇幼健康技术的差异化分配策略,为医疗科技成果转化收益分配机制提出实践参考和专业依据。国家医学中心通过制度创新实现了资源整合的乘数效应,其运行机制主要包括“揭榜挂帅”攻关组织模式以及专业化转化队伍。妇幼健康领域的科技成果转化模式包括技术成果化、成果产品化、产品产业化三环节。合理的收益分配机制不仅有助力攻克技术难题,加速成果转化,还能通过激励科技人员提升其创新积极性,推动科技成果的临床应用并形成螺旋上升的转化发展。 展开更多
关键词 国家医学中心 循环神经网络 科技成果转化 收益分配机制 妇幼健康
暂未订购 下载PDF
基于encoder-decoder框架的城镇污水厂出水水质预测 认领 引用 被引量：6
11
作者 史红伟 陈祺 +1 位作者 王云龙 李鹏程 《中国农村水利水电》 北大核心 2023年第11期93-99,共7页
由于污水厂的出水水质指标繁多、污水处理过程中反应复杂、时序非线性程度高,基于机理模型的预测方法无法取得理想效果。针对此问题,提出基于深度学习的污水厂出水水质预测方法,并以吉林省某污水厂监测水质为来源数据,利用多种结合encod... 由于污水厂的出水水质指标繁多、污水处理过程中反应复杂、时序非线性程度高,基于机理模型的预测方法无法取得理想效果。针对此问题,提出基于深度学习的污水厂出水水质预测方法,并以吉林省某污水厂监测水质为来源数据,利用多种结合encoder-decoder结构的神经网络预测水质。结果显示,所提结构对LSTM和GRU网络预测能力都有一定提升,对长期预测能力提升更加显著,ED-GRU模型效果最佳,短期预测中的4个出水水质指标均方根误差(RMSE)为0.7551、0.2197、0.0734、0.3146,拟合优度(R2)为0.9013、0.9332、0.9167、0.9532,可以预测出水质局部变化,而长期预测中的4个指标RMSE为1.7204、1.7689、0.4478、0.8316,R2为0.4849、0.5507、0.4502、0.7595,可以预测出水质变化趋势,与顺序结构相比,短期预测RMSE降低10%以上,R2增加2%以上,长期预测RMSE降低25%以上,R2增加15%以上。研究结果表明,基于encoder-decoder结构的神经网络可以对污水厂出水水质进行准确预测,为污水处理工艺改进提供技术支撑。 展开更多
关键词 污水厂出水 encoder-decoder 多指标水质预测 GRU模型
暂未订购 下载PDF
耦合Encoder-Decoder的LSTM径流预报模型研究 认领 引用 被引量：16
12
作者 林康聆 陈华 +3 位作者 陈清勇 罗宇轩 刘峰 陈杰 《武汉大学学报（工学版）》 CAS CSCD 北大核心 2022年第8期755-761,共7页
将长短期记忆神经网络(long short-term memory neural network,LSTM)与Encoder-Decoder结构耦合应用为LSTM-ED模型,并与LSTM人工智能径流预报模型进行比较。通过在闽江建溪流域进行应用,结果表明,相较于LSTM,LSTM-ED在检验期整体和各... 将长短期记忆神经网络(long short-term memory neural network,LSTM)与Encoder-Decoder结构耦合应用为LSTM-ED模型,并与LSTM人工智能径流预报模型进行比较。通过在闽江建溪流域进行应用,结果表明,相较于LSTM,LSTM-ED在检验期整体和各预见期具有更高的精度和稳定性,且对于典型洪水的预报洪峰误差更小,其独有的语义向量可以保持水文信息的连续性,预报径流过程不易受降雨波动干扰。2个模型的预报能力都与流域最大汇流时间密切相关,当预见期小于流域最大汇流时间时,2个模型都有很好的预报能力;当预见期大于流域最大汇流时间时,模型预报能力显著变差;当预见期远大于流域最大汇流时间时,2个模型都失去预报可靠性。 展开更多
关键词 径流预报 Encoder-Decoder结构 长短期记忆神经网络 深度学习 人工神经网络
暂未订购 下载PDF
基于时空特征融合的Encoder-Decoder多步4D短期航迹预测 认领 引用 被引量：5
13
作者 石庆研 张泽中 韩萍 《信号处理》 CSCD 北大核心 2023年第11期2037-2048,共12页
航迹预测在确保空中交通安全、高效运行中扮演着至关重要的角色。所预测的航迹信息是航迹优化、冲突告警等决策工具的输入,而预测准确性取决于模型对航迹序列特征的提取能力。航迹序列数据是具有丰富时空特征的多维时间序列,其中每个变... 航迹预测在确保空中交通安全、高效运行中扮演着至关重要的角色。所预测的航迹信息是航迹优化、冲突告警等决策工具的输入,而预测准确性取决于模型对航迹序列特征的提取能力。航迹序列数据是具有丰富时空特征的多维时间序列,其中每个变量都呈现出长短期的时间变化模式,并且这些变量之间还存在着相互依赖的空间信息。为了充分提取这种时空特征,本文提出了基于融合时空特征的编码器-解码器(Spatio-Temporal EncoderDecoder,STED)航迹预测模型。在Encoder中使用门控循环单元(Gated Recurrent Unit,GRU)、卷积神经网络(Convolutional Neural Network,CNN)和注意力机制(Attention,AT)构成的双通道网络来分别提取航迹时空特征,Decoder对时空特征进行拼接融合,并利用GRU对融合特征进行学习和递归输出,实现对未来多步航迹信息的预测。利用真实的航迹数据对算法性能进行验证,实验结果表明,所提STED网络模型能够在未来10 min预测范围内进行高精度的短期航迹预测,相比于LSTM、CNN-LSTM和AT-LSTM等数据驱动航迹预测模型具有更高的精度。此外,STED网络模型预测一个航迹点平均耗时为0.002 s,具有良好的实时性。 展开更多
关键词 4D航迹预测 时空特征 Encoder-Decoder 门控循环单元
暂未订购 下载PDF
A Road Extraction Method for Remote Sensing Image Based on Encoder-Decoder Network 认领 引用 被引量：31
14
作者 Hao HE Shuyang WANG +2 位作者 Shicheng WANG Dongfang YANG Xing LIU 《Journal of Geodesy and Geoinformation Science》 2020年第2期16-25,共10页
According to the characteristics of the road features,an Encoder-Decoder deep semantic segmentation network is designed for the road extraction of remote sensing images.Firstly,as the features of the road target are r... According to the characteristics of the road features,an Encoder-Decoder deep semantic segmentation network is designed for the road extraction of remote sensing images.Firstly,as the features of the road target are rich in local details and simple in semantic features,an Encoder-Decoder network with shallow layers and high resolution is designed to improve the ability to represent detail information.Secondly,as the road area is a small proportion in remote sensing images,the cross-entropy loss function is improved,which solves the imbalance between positive and negative samples in the training process.Experiments on large road extraction datasets show that the proposed method gets the recall rate 83.9%,precision 82.5%and F1-score 82.9%,which can extract the road targets in remote sensing images completely and accurately.The Encoder-Decoder network designed in this paper performs well in the road extraction task and needs less artificial participation,so it has a good application prospect. 展开更多
关键词 remote sensing road extraction deep learning semantic segmentation Encoder-Decoder network
暂未订购 下载PDF
Rethinking the Encoder-decoder Structure in Medical Image Segmentation from Releasing Decoder Structure 认领 引用 被引量：1
15
作者 Jiajia Ni Wei Mu +1 位作者 An Pan Zhengming Chen 《Journal of Bionic Engineering》 SCIE EI CSCD 2024年第3期1511-1521,共11页
Medical image segmentation has witnessed rapid advancements with the emergence of encoder-decoder based methods.In the encoder-decoder structure,the primary goal of the decoding phase is not only to restore feature ma... Medical image segmentation has witnessed rapid advancements with the emergence of encoder-decoder based methods.In the encoder-decoder structure,the primary goal of the decoding phase is not only to restore feature map resolution,but also to mitigate the loss of feature information incurred during the encoding phase.However,this approach gives rise to a challenge:multiple up-sampling operations in the decoder segment result in the loss of feature information.To address this challenge,we propose a novel network that removes the decoding structure to reduce feature information loss(CBL-Net).In particular,we introduce a Parallel Pooling Module(PPM)to counteract the feature information loss stemming from conventional and pooling operations during the encoding stage.Furthermore,we incorporate a Multiplexed Dilation Convolution(MDC)module to expand the network's receptive field.Also,although we have removed the decoding stage,we still need to recover the feature map resolution.Therefore,we introduced the Global Feature Recovery(GFR)module.It uses attention mechanism for the image feature map resolution recovery,which can effectively reduce the loss of feature information.We conduct extensive experimental evaluations on three publicly available medical image segmentation datasets:DRIVE,CHASEDB and MoNuSeg datasets.Experimental results show that our proposed network outperforms state-of-the-art methods in medical image segmentation.In addition,it achieves higher efficiency than the current network of coding and decoding structures by eliminating the decoding component. 展开更多
关键词 Medical image segmentation Encoder-decoder architecture Attention mechanisms Releasing decoder architecture Neural network
利用Encoder-Decoder框架的深度学习网络实现绕射波分离及成像 认领 引用 被引量：5
16
作者 马铭 包乾宗 《石油地球物理勘探》 EI CSCD 北大核心 2023年第1期56-64,共9页
利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础,对应的实施方法得到了广泛研究,且有效地应用于实际勘探。但现有技术在微小尺度异常体成像方面收效甚微,相关研究多数以射线传播理论为基础,对于影响绕射波分离成像精度的... 利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础,对应的实施方法得到了广泛研究,且有效地应用于实际勘探。但现有技术在微小尺度异常体成像方面收效甚微,相关研究多数以射线传播理论为基础,对于影响绕射波分离成像精度的因素分析并不完备。相较于反射波,由于存在不连续构造而产生的绕射波能量微弱并且相互干涉,同时环境干扰使得绕射波进一步湮没。因此,更高精度的波场分离及单独成像是现阶段基于绕射波超高分辨率处理、解释的重点研究方向。为此,首先针对地球物理勘探中地质异常体的准确定位,以携带高分辨率信息的绕射波为研究对象,系统分析在不同尺度、不同物性参数的异常体情况下绕射波的能量大小及形态特征,掌握绕射波与其他类型波叠加的具体形式;然后根据相应特征性质提出基于深度学习技术的绕射波分离成像方法,即利用Encoder-Decoder框架的空洞卷积网络捕获绕射波场特征,从而实现绕射波分离,基于速度连续性原则构建单纯绕射波场的偏移速度模型并完成最终成像。数据测试表明,该方法最终可满足微小地质异常体高精度识别的需求。 展开更多
关键词 绕射波分离成像 深度神经网络 Encoder-Decoder框架 方差最大范数
暂未订购 下载PDF
Underwater Acoustic Signal Noise Reduction Based on a Fully Convolutional Encoder-Decoder Neural Network 认领 引用
17
作者 SONG Yongqiang CHU Qian +2 位作者 LIU Feng WANG Tao SHEN Tongsheng 《Journal of Ocean University of China》 SCIE CAS CSCD 2023年第6期1487-1496,共10页
Noise reduction analysis of signals is essential for modern underwater acoustic detection systems.The traditional noise reduction techniques gradually lose efficacy because the target signal is masked by biological an... Noise reduction analysis of signals is essential for modern underwater acoustic detection systems.The traditional noise reduction techniques gradually lose efficacy because the target signal is masked by biological and natural noise in the marine environ-ment.The feature extraction method combining time-frequency spectrograms and deep learning can effectively achieve the separation of noise and target signals.A fully convolutional encoder-decoder neural network(FCEDN)is proposed to address the issue of noise reduc-tion in underwater acoustic signals.The time-domain waveform map of underwater acoustic signals is converted into a wavelet low-frequency analysis recording spectrogram during the denoising process to preserve as many underwater acoustic signal characteristics as possible.The FCEDN is built to learn the spectrogram mapping between noise and target signals that can be learned at each time level.The transposed convolution transforms are introduced,which can transform the spectrogram features of the signals into listenable audio files.After evaluating the systems on the ShipsEar Dataset,the proposed method can increase SNR and SI-SNR by 10.02 and 9.5dB,re-spectively. 展开更多
关键词 deep learning convolutional encoder-decoder neural network wavelet low-frequency analysis recording spectrogram
暂未订购 下载PDF
Classification of Arrhythmia Based on Convolutional Neural Networks and Encoder-Decoder Model 认领 引用
18
作者 Jian Liu Xiaodong Xia +2 位作者 Chunyang Han Jiao Hui Jim Feng 《Computers, Materials & Continua》 SCIE EI 2022年第10期265-278,共14页
As a common and high-risk type of disease,heart disease seriously threatens people’s health.At the same time,in the era of the Internet of Thing(IoT),smart medical device has strong practical significance for medical... As a common and high-risk type of disease,heart disease seriously threatens people’s health.At the same time,in the era of the Internet of Thing(IoT),smart medical device has strong practical significance for medical workers and patients because of its ability to assist in the diagnosis of diseases.Therefore,the research of real-time diagnosis and classification algorithms for arrhythmia can help to improve the diagnostic efficiency of diseases.In this paper,we design an automatic arrhythmia classification algorithm model based on Convolutional Neural Network(CNN)and Encoder-Decoder model.The model uses Long Short-Term Memory(LSTM)to consider the influence of time series features on classification results.Simultaneously,it is trained and tested by the MIT-BIH arrhythmia database.Besides,Generative Adversarial Networks(GAN)is adopted as a method of data equalization for solving data imbalance problem.The simulation results show that for the inter-patient arrhythmia classification,the hybrid model combining CNN and Encoder-Decoder model has the best classification accuracy,of which the accuracy can reach 94.05%.Especially,it has a better advantage for the classification effect of supraventricular ectopic beats(class S)and fusion beats(class F). 展开更多
关键词 Electroencephalography convolutional neural network long short-term memory encoder-decoder model generative adversarial network
暂未订购 下载PDF
应用LSTM-RNN的特高压直流输电系统继电保护故障检测方法 认领 引用 被引量：12
19
作者 张学友 石永建 +2 位作者 李冀 郭振宇 戴剑丰 《中国测试》 CAS 北大核心 2025年第3期177-184,共8页
为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测... 为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。 展开更多
关键词 LSTM-RNN 特高压直流输电线路 继电保护 快速傅里叶变换 故障识别
暂未订购 下载PDF
多因素影响下融合RNN和AUKF的 矿用锂离子电池SOC估计 认领 引用 被引量：5
20
作者 窦元运 张成知 封居强 《电源技术》 CAS 北大核心 2025年第4期764-771,共8页
针对矿用锂离子电池在实际应用中面临的荷电状态(SOC)估计难题,提出了一种结合递归神经网络(RNN)和自适应无迹卡尔曼滤波(AUKF)的新方法,该方法考虑了温度、倍率等多因素对SOC估计的影响。对228 Ah大容量矿用锂离子电池进行多因素影响实... 针对矿用锂离子电池在实际应用中面临的荷电状态(SOC)估计难题,提出了一种结合递归神经网络(RNN)和自适应无迹卡尔曼滤波(AUKF)的新方法,该方法考虑了温度、倍率等多因素对SOC估计的影响。对228 Ah大容量矿用锂离子电池进行多因素影响实验,构建改进的一阶RC等效电路模型。利用RNN回归分析多因素对OCV-SOC关系及模型参数的影响。采用AUKF算法对电池在不同复杂工况下的模型进行有效辨识和SOC估计。实验结果表明,该方法能够显著提高矿用锂离子电池SOC估计的准确性和鲁棒性。研究结果可为矿用设备的智能化管理和维护提供重要的技术支持。 展开更多
关键词 SOC估计 矿用锂离子电池 多因素 递归神经网络 自适应无迹卡尔曼滤波
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 … 45 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈