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478,117篇文章
< 1 2 … 250 >
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：
Recognition and classification of microseismic signals based on Bayesian-optimized CNN-LSTM neural network 认领 引用
1
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
A Dual-Attention CNN-BiLSTM Model for Network Intrusion Detection 认领 引用
2
作者 Zheng Zhang Jie Hao +2 位作者 Liquan Chen Tianhao Hou Yanan Liu 《Computers, Materials & Continua》 SCIE EI 2026年第1期1119-1140,共22页
With the increasing severity of network security threats,Network Intrusion Detection(NID)has become a key technology to ensure network security.To address the problem of low detection rate of traditional intrusion det... With the increasing severity of network security threats,Network Intrusion Detection(NID)has become a key technology to ensure network security.To address the problem of low detection rate of traditional intrusion detection models,this paper proposes a Dual-Attention model for NID,which combines Convolutional Neural Network(CNN)and Bidirectional Long Short-Term Memory(BiLSTM)to design two modules:the FocusConV and the TempoNet module.The FocusConV module,which automatically adjusts and weights CNN extracted local features,focuses on local features that are more important for intrusion detection.The TempoNet module focuses on global information,identifies more important features in time steps or sequences,and filters and weights the information globally to further improve the accuracy and robustness of NID.Meanwhile,in order to solve the class imbalance problem in the dataset,the EQL v2 method is used to compute the class weights of each class and to use them in the loss computation,which optimizes the performance of the model on the class imbalance problem.Extensive experiments were conducted on the NSL-KDD,UNSW-NB15,and CIC-DDos2019 datasets,achieving average accuracy rates of 99.66%,87.47%,and 99.39%,respectively,demonstrating excellent detection accuracy and robustness.The model also improves the detection performance of minority classes in the datasets.On the UNSW-NB15 dataset,the detection rates for Analysis,Exploits,and Shellcode attacks increased by 7%,7%,and 10%,respectively,demonstrating the Dual-Attention CNN-BiLSTM model’s excellent performance in NID. 展开更多
关键词 Network intrusion detection class imbalance problem deep learning
暂未订购 下载PDF
Graph Attention Networks for Skin Lesion Classification with CNN-Driven Node Features 认领 引用
3
作者 Ghadah Naif Alwakid Samabia Tehsin +3 位作者 Mamoona Humayun Asad Farooq Ibrahim Alrashdi Amjad Alsirhani 《Computers, Materials & Continua》 SCIE EI 2026年第1期1964-1984,共21页
Skin diseases affect millions worldwide.Early detection is key to preventing disfigurement,lifelong disability,or death.Dermoscopic images acquired in primary-care settings show high intra-class visual similarity and ... Skin diseases affect millions worldwide.Early detection is key to preventing disfigurement,lifelong disability,or death.Dermoscopic images acquired in primary-care settings show high intra-class visual similarity and severe class imbalance,and occasional imaging artifacts can create ambiguity for state-of-the-art convolutional neural networks(CNNs).We frame skin lesion recognition as graph-based reasoning and,to ensure fair evaluation and avoid data leakage,adopt a strict lesion-level partitioning strategy.Each image is first over-segmented using SLIC(Simple Linear Iterative Clustering)to produce perceptually homogeneous superpixels.These superpixels form the nodes of a region-adjacency graph whose edges encode spatial continuity.Node attributes are 1280-dimensional embeddings extracted with a lightweight yet expressive EfficientNet-B0 backbone,providing strong representational power at modest computational cost.The resulting graphs are processed by a five-layer Graph Attention Network(GAT)that learns to weight inter-node relationships dynamically and aggregates multi-hop context before classifying lesions into seven classes with a log-softmax output.Extensive experiments on the DermaMNIST benchmark show the proposed pipeline achieves 88.35%accuracy and 98.04%AUC,outperforming contemporary CNNs,AutoML approaches,and alternative graph neural networks.An ablation study indicates EfficientNet-B0 produces superior node descriptors compared with ResNet-18 and DenseNet,and that roughly five GAT layers strike a good balance between being too shallow and over-deep while avoiding oversmoothing.The method requires no data augmentation or external metadata,making it a drop-in upgrade for clinical computer-aided diagnosis systems. 展开更多
关键词 Graph neural network image classification DermaMNIST dataset graph representation
暂未订购 下载PDF
Brief application notes for vision transformer (ViT) and convolutional neural network (CNN) in medical imaging 认领 引用
4
作者 Wei Kitt Wong Melinda Melinda 《Medical Data Mining》 CAS 2026年第2期34-42,共9页
In contemporary computer vision,convolutional neural networks(CNNs)and vision transformers(ViTs)represent the two primary architectural paradigms for image recognition.While both approaches have been widely adopted in... In contemporary computer vision,convolutional neural networks(CNNs)and vision transformers(ViTs)represent the two primary architectural paradigms for image recognition.While both approaches have been widely adopted in medical imaging applications,they operate based on fundamentally different computational principles.This report attempts to provide brief application notes on ViTs and CNNs,particularly focusing on scenarios that guide the selection of one architecture over the other in practical medical implementations.Generally,CNNs rely on convolutional kernels,localized receptive fields,and weight sharing,enabling efficient hierarchical feature extraction.These properties contribute to strong performance in detecting spatially constrained patterns such as textures,edges,and anatomical boundaries,while maintaining relatively low computational requirements.ViTs,on the other hand,decompose images into smaller segments referred to as tokens and employ self-attention mechanisms to model relationships across the entire image.This global modeling capability allows ViTs to capture long-range dependencies that may be difficult for convolution-based architectures to learn.However,ViTs typically achieve optimal performance when trained on extremely large datasets or when supported by extensive pretraining,as their reduced inductive bias requires greater data exposure to learn robust representations.This report briefly examines the architectural structure,underlying mathematical foundations,and relative performance characteristics of CNNs and ViTs,drawing upon recent findings from contemporary research.Emphasis is placed on understanding how differences in data availability,computational resources,and task requirements influence model effectiveness across medical imaging domains.Most importantly,the report serves as a concise application guide for practitioners seeking informed implementation decisions between these two influential deep learning frameworks. 展开更多
关键词 convolutional neural network vision transformer comparative study medical imaging
暂未订购 下载PDF
一种改进的CNN-Seq2Seq电池荷电与健康状态联合估计方法 认领 引用 被引量：5
5
作者 张宇 周天宇 +1 位作者 张永康 吴铁洲 《电源学报》 CSCD 北大核心 2026年第1期217-224,共8页
为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-L... 为保证电动汽车长期安全稳定运行,降低锂电池故障率,针对电动汽车电池管理系统能否精准有效地检测电池荷电状态SOC(state-of-charge)与电池健康状态SOH(state-of-health)这2个重要参数的问题,提出了1种基于卷积神经网络-长短期记忆CNN-LSTM(convolutional neural networks-long short-term memory)神经网络改进的卷积神经网络-序列到序列CNN-Seq2Seq(CNN-sequence-to-sequence)神经网络的锂电池SOC与SOH联合估计方法。在公共数据集上的对比实验表明,该方法提高了锂电池SOC与SOH估计结果的稳定性与准确性。 展开更多
关键词 荷电状态 健康状态 卷积神经网络 序列到序列 锂电池 深度学习
暂未订购 下载PDF
基于ACNN-LFSwin Transformer的双通道滚动轴承故障诊断方法 认领 引用 被引量：3
6
作者 火久元 李昕 +1 位作者 常琛 张耀南 《计算机工程》 CAS CSCD 北大核心 2026年第5期430-444,共15页
滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道... 滚动轴承是机械设备中的常用部件,传统方法难以对多噪声环境下具有众多复杂特征的信号进行分类,并且常在一维数据上通过经典深度学习模型进行故障诊断,无法对复杂特征进行充分提取。因此,提出一种基于ACNN-LFSwin Transformer的双通道故障诊断方法,分别在一维数据和二维图像上进行故障诊断。首先,对原始信号分别进行基于完全自适应指数模型分解(CEEMDAN)与短时傅里叶变换(STFT)处理,获取模态分量(IMF)与二维图像;然后,在通道1中将CEEMDAN分解后的IMF送入基于注意力机制的卷积神经网络(ACNN)中进行特征提取,在通道2中将轴承数据构成的二维图像作为局部特征提取的Swin Transformer网络(LFSwin Transformer)的输入,进行图像特征提取;最后,将两通道特征进行串联融合,以进行故障诊断,其中,ACNN运用注意力机制对信号特征进行自动权重分配,以强调关键特征,LFSwin Transformer模型在传统Swin Transformer的基础上进行向量转换,将输入向量转换为图像并对其进行卷积操作,使模型在故障局部特征提取方面更具优势。分别采用CWRU数据集和帕德博恩数据集进行实验验证,结果表明,该方法的故障诊断准确率达97%以上,说明所提方法不仅能对多种故障进行精确诊断,还能有效避免复杂噪声的干扰。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 短时傅里叶变换 Swin Transformer
暂未订购 下载PDF
小样本轴承故障诊断:一种基于Laplace-CNN的图神经网络方法 认领 引用 被引量：1
7
作者 何俊 黄承纬 +3 位作者 刘士亚 陈志文 朱文杰 戴磊 《振动与冲击》 EI CSCD 北大核心 2026年第1期313-320,共8页
基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,... 基于深度图神经网络的小样本学习方法常因图数据的缺失与图结构的不完整性,而面临分类精度低、泛化能力差等性能瓶颈;提出一种基于Laplace嵌入的深度图神经特征提取器,以实现图神经网络构造过程中的非欧几里得空间图数据的完整性。首先,将Laplace小波卷积嵌入到卷积神经网络(convolutional neural network,CNN)的第一层并替换其普通卷积核,以实现原始振动信号的多尺度时频特征提取;然后,利用多头注意力机制处理时频特征并构建特征矩阵,以捕获全局长距离依赖的特征,实现完整的实例图构建与切比雪夫图神经网络故障诊断;最后,分别使用西储大学(CWRU)与东南大学(SEU)轴承数据集进行验证,结果表明所提方法的性能优于其他当前较先进方法。 展开更多
关键词 故障诊断 小样本学习 图神经网络 Laplace-卷积神经网络(CNN)
暂未订购 下载PDF
考虑谐波激励的电工钢片SAMCNN-BiLSTM磁致伸缩特性精细预测方法 认领 引用 被引量：1
8
作者 肖飞 杨北超 +4 位作者 王瑞田 范学鑫 陈俊全 张新生 王崇 《中国电机工程学报》 EI CSCD 北大核心 2026年第3期1274-1285,I0034,共12页
针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,... 针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。 展开更多
关键词 磁致伸缩效应 谐波激励 卷积神经网络 空间注意力机制 双向长短期记忆网络
暂未订购 下载PDF
基于双通道CNN-LSTM-Attention预测模型的晋华炉煤气化过程操作优化 认领 引用 被引量：3
9
作者 韩永明 李帅 +2 位作者 耿志强 汪京培 王孟志 《控制与决策》 EI CSCD 北大核心 2026年第4期1110-1121,共12页
煤气化过程具有强非线性、强耦合以及多目标冲突等特点,传统基于机理模型的操作优化方法难以达到高效且稳健的效果.晋华炉作为我国煤气化工艺中应用广泛的典型炉型,其运行优化亟需智能化建模和决策支持.鉴于此,提出一种基于双通道卷积-... 煤气化过程具有强非线性、强耦合以及多目标冲突等特点,传统基于机理模型的操作优化方法难以达到高效且稳健的效果.晋华炉作为我国煤气化工艺中应用广泛的典型炉型,其运行优化亟需智能化建模和决策支持.鉴于此,提出一种基于双通道卷积-长短期记忆网络-注意力机制(CNN-LSTM-Attention)预测模型的晋华炉操作优化方法.预测模型使用双通道结构融合工艺特征和历史序列信息,并利用层次化注意力机制提升关键特征的表达能力.在氢气、一氧化碳比例预测任务中,所构建双通道CNN-LSTM-Attention模型分别取得0.9322和0.9637的判定系数,显示出良好的精度和鲁棒性.在此基础上,结合粒子群优化算法,将预测模型作为代理模型对关键操作变量进行智能寻优.实验结果表明,优化方案相较于原始工况氢气比例提高了1.22%,一氧化碳比例提高了1.51%,总体有效气含量提升了1.38%.该研究为晋华炉气化过程的智能建模和工况优化提供了有效支撑,对煤气化典型炉型的高效运行具有重要参考价值. 展开更多
关键词 晋华炉 操作优化 LSTM CNN 注意力机制 粒子群算法
暂未订购 下载PDF
融合Transformer与CNN的正样本缓冲滑坡易发性评价模型:以宝鸡市为例 认领 引用 被引量：2
10
作者 瞿伟 边子策 +2 位作者 李久元 唐兴友 陈沛男 《武汉大学学报（信息科学版）》 EI CAS CSCD 北大核心 2026年第4期726-740,共15页
宝鸡市滑坡灾害频发,但当前该区域滑坡编录数据样本较少,同时若仅采用滑坡点样本训练模型会导致模型的空间代表性不足,从而制约对该区域滑坡易发性评价的精度。针对此,结合卷积神经网络模型(convolutional neural net‐work,CNN)的局部... 宝鸡市滑坡灾害频发,但当前该区域滑坡编录数据样本较少,同时若仅采用滑坡点样本训练模型会导致模型的空间代表性不足,从而制约对该区域滑坡易发性评价的精度。针对此,结合卷积神经网络模型(convolutional neural net‐work,CNN)的局部特征提取优势和注意力机制Transformer的全局建模能力,提出一种融合Transformer与CNN的正样本缓冲滑坡易发性评价模型。依据滑坡规模设置90~130 m动态缓冲区扩展正样本,并综合考虑地形地貌、地质条件、水文气象和人类工程等选取13类滑坡影响因子,通过多重共线性分析后构建了滑坡评价体系。研究结果显示,采用缓冲区将随机森林、CNN、Transformer、Transformer-CNN模型四者的ROC曲线下的面积(area under the curve,AUC)从0.834、0.852、0.847、0.875分别提升至0.883、0.913、0.926、0.959。此外,Transformer-CNN相较CNN、Transformer,未缓冲时AUC分别从0.852、0.847提升至0.875,进行缓冲时分别从0.913、0.926提升至0.959;基于夏普利加性解释算法可解释性分析进一步揭示出岩性、年降雨、坡向三类因子对滑坡易发性预测贡献度最大,贡献度分别达0.55、0.47、0.43,且三者交互效应显著,为锁定区域滑坡高易发区提供了可量化的依据。 展开更多
关键词 滑坡 易发性评价 正样本缓冲 CNN Transformer SHAP
暂未订购 下载PDF
基于时频图特征压缩的低复杂度CNN干扰识别方法 认领 引用 被引量：1
11
作者 刘子龙 张军 +1 位作者 丁良辉 杨峰 《南京邮电大学学报（自然科学版）》 北大核心 2026年第2期39-47,共9页
在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时... 在宽带通信干扰识别中,使用短时傅里叶变换等时频分析方法将信号转换为时频图后输入卷积神经网络(CNN)实现干扰识别的算法存在复杂度高的问题。针对这个问题,提出了一种基于时频图特征压缩的低复杂度CNN干扰识别方法。该算法根据干扰时频图中信息的冗余性和无效性,使用时频图的时域均值滤波、频域均值滤波和极值滤波结果联合表征干扰的时频图特征,将滤波后的三组一维特征序列输入CNN网络,实现干扰识别。所提方法结合减少输入数据量和降低CNN规模两种方式,在保证识别性能的同时显著降低干扰识别复杂度。实验结果表明,针对常见的7种压制式干扰,与传统的基于时频图的CNN识别方法相比,所提方法能减少98.78%的网络参数量和降低93.57%网络计算量,且在低干噪比情况下识别性能提升约2 dB;此外,所提方法在识别准确率和网络复杂度两方面均优于深度可分离卷积、网络剪枝和时频图尺寸压缩这几种低复杂度方案。该方法特别适用于无人机、便携式通信设备等资源受限设备中的实时干扰识别任务,为复杂电磁环境下的干扰识别提供了一种高精度、低复杂度的解决方案。 展开更多
关键词 通信干扰识别 卷积神经网络 宽带通信系统 短时傅里叶变换 时频图
暂未订购 下载PDF
基于MTF-CNN的三相光伏并网逆变器IGBT故障诊断 认领 引用 被引量：2
12
作者 董唯光 王宁 +1 位作者 张周卫 郎雄飞 《电源学报》 CSCD 北大核心 2026年第6期311-318,共8页
绝缘栅双极晶体管IGBT(insulated gate bipolar transistor)是光伏PV(photovolatic)逆变器的核心部件,其稳定性和可靠性对逆变器的正常运行至关重要。因此通过对光伏并网逆变器的故障诊断来确保发电系统的安全和稳定运行尤为重要。针对... 绝缘栅双极晶体管IGBT(insulated gate bipolar transistor)是光伏PV(photovolatic)逆变器的核心部件,其稳定性和可靠性对逆变器的正常运行至关重要。因此通过对光伏并网逆变器的故障诊断来确保发电系统的安全和稳定运行尤为重要。针对三相光伏并网两电平逆变器IGBT常见的单管开路故障,提出一种基于马尔可夫转移场-卷积神经网络MTF-CNN(Markov transition field-convolutional neural network)的三相光伏并网逆变器IGBT开路故障诊断方法。在MATLAB/Simulink上搭建三相光伏并网逆变器仿真模型,模拟几种IGBT开路故障,采集逆变器输出的故障电流信号作为一维时域信号,利用MTF将其转化为二维图像作为2D-CNN的数据集并进行训练,完成故障检测与诊断。实验结果表明,该方法具有较强的抗干扰能力,相较于其他传统方法,诊断速度较快,准确性更高。 展开更多
关键词 故障诊断 马尔可夫转移场 卷积神经网络 绝缘栅双极晶体管
暂未订购 下载PDF
Development and application of an intelligent thermal state monitoring system for sintering machine tails based on CNN-LSTM hybrid neural networks 认领 引用 被引量：1
13
作者 Da-lin Xiong Xin-yu Zhang +3 位作者 Zheng-wei Yu Xue-feng Zhang Hong-ming Long Liang-jun Chen 《Journal of Iron and Steel Research International》 SCIE EI CAS CSCD 2025年第1期52-63,共12页
Real-time prediction and precise control of sinter quality are pivotal for energy saving,cost reduction,quality improvement and efficiency enhancement in the ironmaking process.To advance,the accuracy and comprehensiv... Real-time prediction and precise control of sinter quality are pivotal for energy saving,cost reduction,quality improvement and efficiency enhancement in the ironmaking process.To advance,the accuracy and comprehensiveness of sinter quality prediction,an intelligent flare monitoring system for sintering machine tails that combines hybrid neural networks integrating convolutional neural network with long short-term memory(CNN-LSTM)networks was proposed.The system utilized a high-temperature thermal imager for image acquisition at the sintering machine tail and employed a zone-triggered method to accurately capture dynamic feature images under challenging conditions of high-temperature,high dust,and occlusion.The feature images were then segmented through a triple-iteration multi-thresholding approach based on the maximum between-class variance method to minimize detail loss during the segmentation process.Leveraging the advantages of CNN and LSTM networks in capturing temporal and spatial information,a comprehensive model for sinter quality prediction was constructed,with inputs including the proportion of combustion layer,porosity rate,temperature distribution,and image features obtained from the convolutional neural network,and outputs comprising quality indicators such as underburning index,uniformity index,and FeO content of the sinter.The accuracy is notably increased,achieving a 95.8%hit rate within an error margin of±1.0.After the system is applied,the average qualified rate of FeO content increases from 87.24%to 89.99%,representing an improvement of 2.75%.The average monthly solid fuel consumption is reduced from 49.75 to 46.44 kg,leading to a 6.65%reduction and underscoring significant energy saving and cost reduction effects. 展开更多
关键词 Sinter quality Convolutional neural network Long short-term memory Image segmentation FeO prediction
暂未订购 下载PDF
基于多维故障特征提取的CNN-BiGRU-ATT多分支配电网故障定位 认领 引用 被引量：1
14
作者 张玉敏 王德龙 +4 位作者 张晓 吉兴全 张祥星 黄心月 王学林 《中国电力》 CSCD 北大核心 2026年第1期163-174,共12页
针对多分支配电网故障定位在微弱故障条件下故障特征提取困难的问题,提出了基于多维故障特征提取的卷积神经网络(convolution neural network,CNN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)-注意力机制(attention m... 针对多分支配电网故障定位在微弱故障条件下故障特征提取困难的问题,提出了基于多维故障特征提取的卷积神经网络(convolution neural network,CNN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)-注意力机制(attention mechanism,ATT)多分支配电网故障定位方法。首先,分析不同故障位置和故障分支的行波特性,采用基于直线检测(line segment detector,LSD)的波头标定方法提取故障波头的坐标、幅值和斜率等信息,利用主成分分析法(principal component analysis,PCA)构造与故障位置成映射关系的多维故障特征空间;其次,构建CNN-BiGRU-ATT故障定位模型,深入挖掘时序特征和幅值特征与故障位置之间的关联;最后,结合分类与回归任务,分别实现故障区段定位与精准定位。在有限样本的情况下,区段定位准确率达99.6429%,精准定位误差55.77 m,跨工况误差最低2.95 m。结果表明,该模型能有效关联多维故障特征与故障信息,较对比模型具有更优的故障定位精度稳定性与场景泛化能力。 展开更多
关键词 故障定位 多分支配电网 LSD 多维故障特征 CNN-BiGRU-ATT
暂未订购 下载PDF
基于CNN的光伏发电功率预测 认领 引用 被引量：1
15
作者 刘安茳 龙金莲 +2 位作者 张丰硕 张依轩 马帅 《电力大数据》 2026年第1期85-92,共8页
随着全球能源结构向低碳转型,新能源尤其是光伏发电,越来越多地融入电力系统中。然而光伏发电固有的间歇性、随机性和波动性给配电网络系统的安全稳定运行带来了重大挑战。为解决这一问题,提出一种基于深度学习卷积神经网络(convolution... 随着全球能源结构向低碳转型,新能源尤其是光伏发电,越来越多地融入电力系统中。然而光伏发电固有的间歇性、随机性和波动性给配电网络系统的安全稳定运行带来了重大挑战。为解决这一问题,提出一种基于深度学习卷积神经网络(convolutional neural network,CNN)的光伏发电功率短期预测方法。首先,对原始数据进行最小-最大归一化处理,以消除不同数据的量纲影响,并采用主成分分析对历史光伏功率、辐照度、环境温度等六个维度特征进行降维,成功将特征空间降至五维,保留了超过95%的原始信息。随后,利用滑动窗口法对时间序列数据进行重构,构建了适用于一维卷积神经网络模型的输入张量。在模型构建中,采用了带渗漏线性整流单元(leaky rectified linear unit,Leaky ReLU)激活函数以避免神经元死亡,并结合最大池化和Dropout正则化技术,如此来加强模型的鲁棒性和泛化能力。通过对比不同训练循环次数下的预测效果,实验结果表明,在训练循环次数为100次时,模型表现出最佳性能,其平均绝对误差为28.0365,均方根误差为33.5684,显著优于欠拟合(20次循环)和过拟合(500次循环)情况下的结果。研究证明,所构建的CNN模型能够有效捕捉光伏功率序列中的局部特征和时序依赖关系,为配电网的稳定运行和调度提供了精准的短期功率预测支持。 展开更多
关键词 光伏发电 功率预测 卷积神经网络(CNN) 主成分分析(PCA)
暂未订购 下载PDF
Learning Laws for Deep Convolutional Neural Networks With Guaranteed Convergence 认领 引用 被引量：1
16
作者 Sitan Li Chien Chern Cheah 《IEEE/CAA Journal of Automatica Sinica》 SCIE EI CSCD 2026年第1期170-185,共16页
Convolutional neural networks(CNNs)have shown remarkable success across numerous tasks such as image classification,yet the theoretical understanding of their convergence remains underdeveloped compared to their empir... Convolutional neural networks(CNNs)have shown remarkable success across numerous tasks such as image classification,yet the theoretical understanding of their convergence remains underdeveloped compared to their empirical achievements.In this paper,the first filter learning framework with convergence-guaranteed learning laws for end-to-end learning of deep CNNs is proposed.Novel update laws with convergence analysis are formulated based on the mathematical representation of each layer in convolutional neural networks.The proposed learning laws enable concurrent updates of weights across all layers of the deep convolutional neural network and the analysis shows that the training errors converge to certain bounds which are dependent on the approximation errors.Case studies are conducted on benchmark datasets and the results show that the proposed concurrent filter learning framework guarantees the convergence and offers more consistent and reliable results during training with a trade-off in performance compared to stochastic gradient descent methods.This framework represents a significant step towards enhancing the reliability and effectiveness of deep convolutional neural network by developing a theoretical analysis which allows practical implementation of the learning laws with automatic tuning of the learning rate to guarantee the convergence during training. 展开更多
关键词 Convergence convolution neural networks(CNNs) end-to-end learning online learning
暂未订购 下载PDF
基于CNN-BiLSTM-SSA的锅炉再热器壁温预测模型 认领 引用 被引量：1
17
作者 徐世明 何至谦 +6 位作者 彭献永 商忠宝 范景玮 王俊略 曲舒杨 刘洋 周怀春 《动力工程学报》 CAS CSCD 北大核心 2026年第1期121-130,共10页
针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成... 针对锅炉高温再热器壁温动态特点,提出了一种基于稀疏自注意力(SSA)、卷积神经网络(CNN)及双向长短期记忆神经网络(BiLSTM)相融合的再热器壁温软测量模型。首先,采用核主成分分析(KPCA)算法对原始候选变量进行筛选降维,选择前26个主成分变量作为模型的最终输入。其次,考虑利用CNN捕捉局部相关性,BiLSTM学习数据的长期序列依赖性的优势,使用卷积神经网络-双向长短期记忆神经网络(CNN-BiLSTM)捕捉时序数据中的短期和长期依赖关系,引入稀疏自注意力SSA机制,通过为不同特征部分分配自适应权重,从而增强CNN-BiLSTM模型的特征提取与建模能力,最后利用在役1000 MW超超临界锅炉的历史数据进行仿真实验。结果表明:CNN-BiLSTM-SSA模型在高温再热器壁温预测中的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)分别为4.92℃、3.81℃和0.6241%,相应的指标均优于CNN、LSTM、BiLSTM、CNN-LSTM和CNN-BiLSTM模型。 展开更多
关键词 再热器壁温软测量 深度学习 卷积神经网络 长短期记忆网络 注意力机制 核主成分分析 CNN-BiLSTM
暂未订购 下载PDF
融合注意力增强CNN与Transformer的电网关键节点识别 认领 引用
18
作者 黎海涛 乔禄 +2 位作者 杨艳红 谢冬雪 高文浩 《北京工业大学学报》 CAS CSCD 北大核心 2026年第2期117-129,共13页
为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、... 为了精确识别电网关键节点以保障电力系统的可靠运行,提出一种基于融合拓扑特征与电气特征的双重自注意力卷积神经网络(convolutional neural network,CNN)的电网关键节点识别方法。首先,构建包含节点的局部拓扑特征、半局部拓扑特征、电气距离及节点电压的多维特征集;然后,利用压缩-激励(squeeze-and-excitation,SE)自注意力机制改进CNN以增强对节点特征的提取能力,并引入多头自注意力的Transformer编码器以实现拓扑特征与电气特征的深度融合。结果表明:在IEEE 30节点和IEEE 118节点的标准测试系统上,该方法识别关键节点的准确性更高,并且在节点影响力评估和网络鲁棒性方面,得到的电网关键节点对网络的影响更大,鲁棒性更好,为电网的安全稳定运行提供了有效的决策支持。 展开更多
关键词 复杂网络 电网 关键节点识别 卷积神经网络(convolutional neural network,CNN) 注意力 特征融合
暂未订购 下载PDF
基于差分进化的Faster-RCNN钻杆目标定位方法研究 认领 引用
19
作者 张溟晨 王清峰 +3 位作者 杨蕊伊 张世涛 辛德忠 陈航 《矿业安全与环保》 CAS 北大核心 2026年第3期251-256,共6页
传统钻杆装卸系统主要采用机械定位方式,缺乏目标随动性。针对此问题,提出了一种基于差分进化(Differential Evolution,DE)的Faster-RCNN钻杆定位方法。该方法可通过机器视觉获取钻杆箱内钻杆的三维空间坐标,为智能钻机钻杆自动装卸提... 传统钻杆装卸系统主要采用机械定位方式,缺乏目标随动性。针对此问题,提出了一种基于差分进化(Differential Evolution,DE)的Faster-RCNN钻杆定位方法。该方法可通过机器视觉获取钻杆箱内钻杆的三维空间坐标,为智能钻机钻杆自动装卸提供支持。以相机俯拍的钻杆图像为研究对象,采用MobileNetV2部分卷积模块作为算法的特征提取主干,并利用差分进化算法对模型批处理大小和SGD优化器的动量系数进行优化,构建了DE-Faster-RCNN模型。在此基础上,采用深度相机实时测量目标深度信息,以实现钻杆三维空间坐标的动态获取。实验结果表明,该方法的定位精度为10 mm,相较于现有方法具有定位精度高且执行速度快的特点,满足钻杆装卸系统的目标定位需求。DE-Faster-RCNN钻杆目标定位方法具有定位精度高、结构简单、参数自适应的特点,为智能钻机的钻杆自动装卸技术的实现提供了有力支撑。 展开更多
关键词 智能化钻机 钻杆定位 深度学习 目标检测 差分进化 卷积神经网络
暂未订购 下载PDF
基于CEEMDAN-SE和串行CNN-GRU的光伏功率组合预测模型 认领 引用
20
作者 窦真兰 吴松梅 +2 位作者 郭慧 张春雁 汪飞 《太阳能学报》 EI CAS CSCD 北大核心 2026年第2期67-75,共9页
为提高光伏功率的预测精度,提出一种基于完全自适应噪声经验模态分解(CEEMDAN)和串行卷积神经网络及门控神经网络(CNN-GRU)的光伏功率组合预测模型。首先,针对光伏功率波动性对预测结果的影响,采用CEEMDAN将原始光伏功率分解为若干子序... 为提高光伏功率的预测精度,提出一种基于完全自适应噪声经验模态分解(CEEMDAN)和串行卷积神经网络及门控神经网络(CNN-GRU)的光伏功率组合预测模型。首先,针对光伏功率波动性对预测结果的影响,采用CEEMDAN将原始光伏功率分解为若干子序列降低序列的非平稳性,并通过样本熵(SE)计算各子序列的复杂度,将SE值相近的序列,进行重组以减少计算量。其次,为克服单一神经网络在学习光伏功率历史数据特征的局限性,提出串行CNN-GRU混合神经网络以充分挖掘光伏功率的时空特征;将各子序列输入串行CNN-GRU得到预测结果,并将子序列预测结果叠加得到光伏功率预测结果。最后,对两个地区的光伏电站进行实例验证,同时构建LSTM、GRU、CEEMDAN-LSTM、CEEMDAN-GRU和串行CNN-GRU,进行对比验证。结果表明,所提模型能得到良好的预测结果,拥有良好的预测精度和泛化能力。 展开更多
关键词 光伏功率预测 CNN GRU 混合神经网络 CEEMDAN SE
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 … 250 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈