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17篇文章
< 1 >
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：
Enhancing Epileptic Seizure Classification via Multi-Feature Fusion in a Transformer-LSTM Architecture 认领 引用
1
作者 Gaoteng Yuan Ping Qiu +3 位作者 Qika Lin Jianchu Lin Xiang Li Dongping Gao 《Computer Modeling in Engineering & Sciences》 SCIE EI 2026年第6期1134-1154,共21页
Epilepsy is a chronic neurological disorder characterized by recurrent seizures,posing significant challenges to patients’quality of life.Accurate classification of seizure states is crucial for effective interventio... Epilepsy is a chronic neurological disorder characterized by recurrent seizures,posing significant challenges to patients’quality of life.Accurate classification of seizure states is crucial for effective intervention.This paper presents a deep learning-based approach for epileptic seizure classification by integrating multi-feature analysis of electroencephalogram(EEG)signals.The proposed method begins with signal preprocessing,including denoising,segmentation,and label construction.Subsequently,a comprehensive set of temporal,spectral,and wavelet-based features—such as signal mean,power,heart rate,and wavelet coefficients—is extracted.Feature selection is then performed using the Maximal Information Coefficient(MIC)to identify the most discriminative inputs.A hybrid model combining a Transformer encoder and a Long Short-Term Memory(LSTM)network is developed to effectively capture both long-range dependencies and temporal dynamics in EEG sequences for seizure classification.Evaluated on the Bonn dataset using 5-fold cross-validation,the proposed method achieves an accuracy of 96.43%in distinguishing between epileptic patients and healthy subjects,with a sensitivity of 97.53%in detecting seizure states.It also attains a multi-class classification accuracy of 90.14%across different epileptic signal types.Ablation studies confirm that MICbased feature selection improves accuracy by over 2O%compared to using raw features without selection.The results demonstrate that the integration of multi-feature analysis with the Transformer-LSTM architecture offers an effective and reliable solution for EEG-based seizure classification. 展开更多
关键词 Epileptic classification EEG signal wavelet analysis feature selection transformer-LSTM Algorithm 2:MIC algorithm feature selection
暂未订购 下载PDF
基于Transformer-LSTM的农产品产量预测 认领 引用 被引量：1
2
作者 李培 张莉 许莉 《现代农业科技》 2026年第1期167-170,共4页
精准的农产品产量预测是农业管理和政策制定的重要依据之一。针对湖南省农产品种类繁多的特点,本文提出了基于Transformer-LSTM集成算法模型,综合利用了Transformer全局特征捕捉能力和LSTM时序建模的优点,将自注意力机制引入时间序列特... 精准的农产品产量预测是农业管理和政策制定的重要依据之一。针对湖南省农产品种类繁多的特点,本文提出了基于Transformer-LSTM集成算法模型,综合利用了Transformer全局特征捕捉能力和LSTM时序建模的优点,将自注意力机制引入时间序列特征中,构建了一种复合式预测模型,并在玉米产量、稻谷产量及棉花产量数据集上做了大量试验。结果表明:相比单一LSTM模型,本文提出的模型能取得更好的预测效果,MAE降低了32.4%,RMSE降低了28.6%,R2提高到0.912,有较好的泛化性和实用性。 展开更多
关键词 农产品产量预测 注意力机制 Transformer-LSTM 深度学习
暂未订购 下载PDF
一种基于Transformer-LSTM组合模型的建筑物沉降预测方法 认领 引用 被引量：2
3
作者 钟志平 《城市勘测》 2026年第1期149-153,共5页
针对传统建筑物沉降预测方法在复杂多因素耦合场景下精度不足、泛化能力弱的问题,本文提出一种基于Transformer-LSTM组合模型的建筑物沉降预测方法。该方法通过融合Transformer模型的全局特征提取能力与LSTM模型的局部时序依赖建模优势... 针对传统建筑物沉降预测方法在复杂多因素耦合场景下精度不足、泛化能力弱的问题,本文提出一种基于Transformer-LSTM组合模型的建筑物沉降预测方法。该方法通过融合Transformer模型的全局特征提取能力与LSTM模型的局部时序依赖建模优势,构建双路径深度学习架构,实现多变量时序数据的高效解析。本文以建筑物沉降监测中的地质参数、环境因素及结构特征为输入变量,采用滑动窗口机制划分时间序列样本,通过Transformer编码器捕捉跨时间步的全局关联特征,结合LSTM网络提取局部动态变化模式,最终通过全连接层输出沉降量预测值。研究结果表明,Transformer-LSTM组合模型在施工沉降阶段的预测精度较Transformer提升3.197%,较LSTM提升7.519%,均方根误差(RMSE)降至0.132 mm,平均绝对误差(MAE)降至0.28 mm。 展开更多
关键词 建筑物 全局注意力 局部记忆 Transformer-LSTM组合模型 沉降预测
暂未订购 下载PDF
基于Transformer-LSTM的选煤厂电缆精准感温监测与预警系统设计与实现 认领 引用
4
作者 杜建军 陈阳 《科技创新与应用》 2026年第21期115-119,共5页
针对选煤厂运行环境复杂、电缆易发热失效等安全问题,该文提出一种基于Transformer-LSTM模型的电缆精准感温监测与预警系统。系统融合分布式光纤测温(DTS)、边缘计算与云端智能分析技术,形成“感知-计算-预警”一体化架构,实现电缆运行... 针对选煤厂运行环境复杂、电缆易发热失效等安全问题,该文提出一种基于Transformer-LSTM模型的电缆精准感温监测与预警系统。系统融合分布式光纤测温(DTS)、边缘计算与云端智能分析技术,形成“感知-计算-预警”一体化架构,实现电缆运行状态的多维感知与智能预测。现场验证表明,该系统可有效降低电缆过热风险,为煤炭企业的安全生产提供可靠保障,并能有效降低选煤厂电缆过热的概率,增强运行安全性。 展开更多
关键词 电缆温度监测 Transformer-LSTM 分布式光纤测温 边缘计算 智能预警
暂未订购 下载PDF
基于Transformer-LSTM的泥水平衡盾构姿态预测研究 认领 引用 被引量：6
5
作者 仉文岗 严玉苗 +4 位作者 刘汉龙 孙伟鑫 吴志昊 何齐海 刘松林 《应用基础与工程科学学报》 EI CSCD 北大核心 2025年第3期690-700,共11页
盾构机掘进姿态的控制对隧道施工质量与周围环境的影响至关重要,当盾构机姿态控制不足时可能会导致一系列工程问题.现阶段对盾构机姿态的控制主要依赖于工程经验,暂无精确可行的方法协助校核盾构机的掘进姿态.针对该问题,提出一种基于Tr... 盾构机掘进姿态的控制对隧道施工质量与周围环境的影响至关重要,当盾构机姿态控制不足时可能会导致一系列工程问题.现阶段对盾构机姿态的控制主要依赖于工程经验,暂无精确可行的方法协助校核盾构机的掘进姿态.针对该问题,提出一种基于Transformer-LSTM组合模型的泥水平衡盾构姿态预测方法,结合实际工程中泥水平衡盾构机的26种不同施工参数,采用相关性分析和层次聚类的方法来筛选模型输入特征,对盾构机的掘进姿态进行了预测.研究结果表明:基于Transformer-LSTM组合模型的泥水平衡盾构掘进姿态垂直偏差和水平偏差的MAE分别为0.054和0.061,RMSE分别为0.064和0.085,R2分别为0.883和0.913;基于Transformer-LSTM组合模型的预测结果明显优于基于LSTM模型的预测结果,可以用来协助校核盾构机的掘进姿态. 展开更多
关键词 泥水平衡盾构 盾构隧道 姿态预测 Transformer-LSTM模型 机器学习 参数筛选
暂未订购 下载PDF
基于Transformer-LSTM混合神经网络的迫弹外弹道及落点预测方法 认领 引用 被引量：2
6
作者 杨守怀 黄江流 +4 位作者 陈志华 黄振贵 吴明雨 邱荣贤 郑纯 《兵工学报》 EI CAS CSCD 北大核心 2025年第11期181-191,共11页
针对现代战场对迫弹类目标外弹道轨迹及落点的快速精准预测需求,提出基于Transformer-长短期记忆(Transformer-Long Short-Term Memory,Transformer-LSTM)混合神经网络的迫弹外弹道预测方法。利用Transformer网络提取T~T+K时刻迫弹速度... 针对现代战场对迫弹类目标外弹道轨迹及落点的快速精准预测需求,提出基于Transformer-长短期记忆(Transformer-Long Short-Term Memory,Transformer-LSTM)混合神经网络的迫弹外弹道预测方法。利用Transformer网络提取T~T+K时刻迫弹速度与三维坐标的内在联合特征,LSTM网络将该时间序列特征作为输入,映射出T+K+1时刻的三维坐标信息。为优化网络模型,研究并分析不同滑动窗口步长对外弹道预测模型收敛性能的影响。将所提混合网络与门控循环神经网络、Transformer-LSTM分别进行单步、多步和落点预测的对比分析。实验结果表明:新的混合网络对外弹道三维坐标的预测精度分别可达99.78%、99.72%、99.81%,均优于其他2个网络;新的混合网络的外弹道单步预测耗时仅为1.2 ms,大幅度提升了预测精度与效率。新方法可实现精确且快速的外弹道及落点预测,为迫弹拦截任务提供更多的响应时间。 展开更多
关键词 外弹道预测 深度学习 Transformer-LSTM混合神经网络 滑动窗口
暂未订购 下载PDF
基于特征选择与Transformer-LSTM的滚动轴承寿命预测 认领 引用 被引量：3
7
作者 李沁远 雷文平 +2 位作者 闫灏 娄永威 陈阳 《组合机床与自动化加工技术》 北大核心 2025年第2期200-206,211,共7页
滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。针对以往剩余使用寿命(RUL)预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度和不同特征组合对预测模型精度的影响,提出一种基于特征选择与Transformer-LSTM的剩... 滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。针对以往剩余使用寿命(RUL)预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度和不同特征组合对预测模型精度的影响,提出一种基于特征选择与Transformer-LSTM的剩余使用寿命预测模型。首先基于单调性、趋势性以及最大相关最小冗余特征选择算法对振动信号的时域、频域、时频域特征进行重要性排序和筛选,从而捕获特征与剩余寿命以及特征之间的相互的关系。然后将筛选后的特征输入Transformer-LSTM预测模型中,深度挖掘输入特征与RUL之间的复杂映射关系,从而更准确地进行预测。通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越。 展开更多
关键词 剩余使用寿命 特征选择 最大相关最小冗余 Transformer-LSTM模型
暂未订购 下载PDF
基于Transformer-LSTM分位数回归的全球股市极端风险溢出研究 认领 引用 被引量：2
8
作者 姚银红 王晓旭 +1 位作者 陈炜 陈振松 《中国管理科学》 CSSCI CSCD 北大核心 2025年第8期1-13,共13页
全球经济不确定性的增加和极端事件的频发使得精确测度全球股市极端风险溢出效应成为应对跨国金融冲击的重要途径。现有研究在综合考虑时间序列非线性、长期依赖性和多变量交互影响方面存在一定的局限性。因此,本文提出Transformer-LST... 全球经济不确定性的增加和极端事件的频发使得精确测度全球股市极端风险溢出效应成为应对跨国金融冲击的重要途径。现有研究在综合考虑时间序列非线性、长期依赖性和多变量交互影响方面存在一定的局限性。因此,本文提出Transformer-LSTM分位数回归模型,在提取数据时序特征的同时,利用Transformer中的多头注意力机制并行处理多个注意力函数,以更精确地捕捉全球股市极端风险的时间演变特征,并构建溢出网络测度全样本和金融危机等危机事件发生期间的风险溢出效应。基于2001年12月—2024年3月共19个国家周度股指数据的实证结果表明:(1)本文提出的模型相较于多层感知机(MLP)、长短期记忆网络(LSTM)以及Transformer具有更强的预测能力。(2)各国股市在全样本期间的溢出效应具有非对称性,其中,美国股市存在显著的风险溢出效应,中国股市没有明显的风险溢出和接收效应。(3)危机事件发生时,极端风险溢出效应增加且非对称性增强。金融危机期间,美国股市风险溢出效应显著,多国存在显著的双向溢出效应;欧债危机期间,风险溢出效应主要集中在欧洲国家的股票市场;中美贸易摩擦期间,美国股市对中国股市的风险冲击明显增强;新冠疫情期间,美国、英国等发达国家股市仍是主要的风险溢出源。本文提出的模型为金融市场的极端风险溢出研究提供了新思路,研究结果对危机时期的全球股市风险管理具有重要的参考借鉴价值。 展开更多
关键词 全球股市 极端风险溢出 CoVaR Transformer-LSTM 分位数回归
暂未订购 下载PDF
基于Transformer-LSTM算法的电子商务平台用户行为预测研究 认领 引用
9
作者 周文钦 《电子商务评论》 2025年第7期1902-1910,共9页
本文探讨了在电子商务领域,利用Transformer-LSTM混合神经网络算法对用户行为进行预测的方法。随着网络购物的普及,用户浏览、收藏、加入购物车等在电商平台产生的大量行为数据成为预测其购买行为的关键信息。在处理此类序列性和依附关... 本文探讨了在电子商务领域,利用Transformer-LSTM混合神经网络算法对用户行为进行预测的方法。随着网络购物的普及,用户浏览、收藏、加入购物车等在电商平台产生的大量行为数据成为预测其购买行为的关键信息。在处理此类序列性和依附关系复杂的数据时,传统的机器学习方法有一定的局限性。因此,本文提出了一种结合Transformer和LSTM的混合神经网络模型,以提高预测的准确性和效率。Transformer模型擅长在序列数据中捕捉长时间的依赖关系和并行计算,而LSTM则可以针对梯度消失和爆炸等问题,对长序列数据进行有效处理。本文的模型首先通过Transformer对用户行为数据进行编码,提取关键特征,然后利用LSTM对提取的特征序列进行建模,最终实现对用户购买行为的预测。实验结果显示,该模型比传统的LSTM模型在精确度、精确率、召回率、F1-score等指标上都要好,在电商用户行为预测上显示出潜力和优势。电商平台通过这种改良的模式,能够将商品更精准地推荐给用户,提升用户的购物体验,同时也提高了平台的经济效率。 展开更多
关键词 Transformer-LSTM LSTM 用户行为预测
暂未订购 下载PDF
金融压力指数的构建与预测研究——基于时变CRITIC-EWMA赋权和Transformer-LSTM方法 认领 引用
10
作者 陈浩天 《现代金融》 2025年第10期19-27,9,共9页
本文选取了能够代表金融体系的四个子市场共计十六个特征指标,以2007年5月27日到2024年12月31日的日频数据为样本,运用时变CRITIC-EWMA赋权的方法合成金融压力指数,并通过历史事件回溯法测试其风险识别效果,最后搭建了一个Transformer-L... 本文选取了能够代表金融体系的四个子市场共计十六个特征指标,以2007年5月27日到2024年12月31日的日频数据为样本,运用时变CRITIC-EWMA赋权的方法合成金融压力指数,并通过历史事件回溯法测试其风险识别效果,最后搭建了一个Transformer-LSTM的深度学习预测模型。实证结果表明:时变CRITIC-EWMA赋权可以较好地度量不同时期各子市场对系统性风险的贡献程度,其中债券市场权重占比最大;本文合成的金融压力指数能够较为准确地刻画历史金融压力事件;Transformer-LSTM模型具有良好的预测性能,不仅优于传统的ARMA预测模型,还优于其他对比模型,在金融压力指数的预测中展现出了更优的时序特征提取能力与复杂波动适应能力。 展开更多
关键词 金融压力指数 风险预测 时变CRITIC-EWMA赋权 Transformer-LSTM模型
暂未订购 下载PDF
基于Transformer-LSTM模型的多因素碳排放权交易价格预测 认领 引用 被引量：15
11
作者 危冰淋 刘春雨 刘家鹏 《价格月刊》 北大核心 2024年第5期49-57,共9页
碳排放权交易作为一种重要的环境政策工具在全球范围内得到了广泛应用。如何运用深度学习等技术提高碳排放权价格预测能力是一个重要问题,基于此,提出一种Transformer-LSTM多因素碳排放权交易价格预测的深度学习模型,以湖北省碳排放权... 碳排放权交易作为一种重要的环境政策工具在全球范围内得到了广泛应用。如何运用深度学习等技术提高碳排放权价格预测能力是一个重要问题,基于此,提出一种Transformer-LSTM多因素碳排放权交易价格预测的深度学习模型,以湖北省碳排放权交易价格为例,旨在探索运用深度学习的方法,预测湖北省碳排放权交易价格的变动趋势。输入Transformer-LSTM模型进行预测,同时运用支持向量机回归(SVR)、多层感知机(MLP)、长短时记忆网络(LSTM)、Transformer模型进行预测与对比。通过在历史数据上进行训练,实验结果表明,Transformer-LSTM模型得到的预测价格与湖北省碳排放权交易价格(HBEA)的实际价格更为吻合,在平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和评估指标上也有更佳的表现。 展开更多
关键词 碳排放权交易价格 深度学习 Transformer-LSTM 极端梯度提升树 长短期记忆网络
暂未订购 下载PDF
基于可变时序移位Transformer-LSTM的集成学习矿压预测方法 认领 引用 被引量：19
12
作者 李泽西 《工矿自动化》 CSCD 北大核心 2023年第7期92-98,共7页
现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆(LSTM)的集成学习矿压预测方法。基于拉依达... 现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆(LSTM)的集成学习矿压预测方法。基于拉依达准则和拉格朗日插值法,剔除矿压监测数据中的异常值,插入缺失值,并进行归一化预处理;提出可变时序移位策略,划分不同尺度的矿压时序数据,避免固定长度时序序列可能存在的数据偏移问题;在此基础上,构建基于Transformer-LSTM的集成学习矿压预测模型,通过结合注意力机制和准确的时序特征表示能力,多层次捕捉矿压变化规律的动态特征,采用集成学习的投票算法,联合预测矿压数据,克服单一预测模型的局限性。实验结果表明:采用集成学习的投票算法可降低矿压预测平均绝对误差(MAE)和均方根误差(RMSE)的波动性,有效减小不同尺度特征序列对矿压预测结果的敏感性影响;Transformer-LSTM模型在2个综采工作面顶板矿压数据集上预测结果的MAE较Transformer模型分别提高了8.9%和9.5%,RMSE分别提高了12.7%和16.5%,且高于反向传播(BP)神经网络模型和LSTM模型,有效提升了矿压预测准确度。 展开更多
关键词 矿压预测 可变时序移位 Transformer-LSTM模型 集成学习 投票算法
暂未订购 下载PDF
基于Transformer-LSTM混合模型的PLA可降解材料生产温控优化与能耗降低研究 认领 引用
13
作者 林云婷 徐慧丹 +2 位作者 陈秋彤 黄长泉 唐乐红 《农林科学探索》 2026年第5期188-191,共4页
聚乳酸(PLA)属于典型可降解高分子材料,其生产过程中的温度稳定性直接影响到产品的性能,温控系统所消耗的总能耗占整个生产的40%以上,因此要实现温控精准化以及能耗协同降低,成为行业绿色发展的重点。由于传统的PID温控算法响应滞后、... 聚乳酸(PLA)属于典型可降解高分子材料,其生产过程中的温度稳定性直接影响到产品的性能,温控系统所消耗的总能耗占整个生产的40%以上,因此要实现温控精准化以及能耗协同降低,成为行业绿色发展的重点。由于传统的PID温控算法响应滞后、抗干扰能力差,单一时序模型不能很好地捕捉PLA生产温控复杂的时序依赖关系,因此提出使用Transformer-LSTM混合模型来对PLA生产温控进行优化。首先,通过对PLA聚合反应阶段的温控特性以及能耗之间的关系进行分析,得到包含反应温度、压力、进料速率等各个方面的输入特征集;其次,使用LSTM网络来捕捉温控系统短期时序依赖,用Transformer的自注意力机制来挖掘特征之间的长距离联系,从而提高模型对于温控动态变化的适应性;最后,以某PLA生产线的实际运行数据为实验对象,对模型的温控优化效果和能耗降低性能进行对比实验。实验结果表明,与传统的PID算法以及单一的LSTM、Transformer模型相比,本文提出的混合模型对于温控误差的降低效果最好,分别为传统PID算法的32.6%~45.8%和单一LSTM、Transformer模型的18.3%~25.1%。并且混合模型有较强的抗干扰性及稳定性。本文给PLA可降解材料绿色生产提供了一种新的温控优化方法,对提高高分子材料行业的节能减耗有重大意义。 展开更多
关键词 PLA可降解材料 温控优化 能耗降低 Transformer-LSTM混合模型 时序预测
Battery SOH enhanced solution:Voltage reconstruction and image recognition response to loss of data scenarios 认领 引用
14
作者 Xinghua Liu Linxiang Zhou +4 位作者 Jiaqiang Tian Longxing Wu Zhongbao Wei Hany M.Hasanien Peng Wang 《Journal of Energy Chemistry》 SCIE EI CAS CSCD 2026年第1期155-169,I0005,共15页
Accurate estimation of battery health status plays a crucial role in battery management systems.However,the lack of operational data still affects the accuracy of battery state of health(SOH)estimation.For this reason... Accurate estimation of battery health status plays a crucial role in battery management systems.However,the lack of operational data still affects the accuracy of battery state of health(SOH)estimation.For this reason,a SOH estimation method is proposed based on charging data reconstruction combined with image processing.The charging voltage data is used to train the least squares generative adversarial network(LSGAN),which is validated under different levels of missing data.From a visual perspective,the Gram angle field method is applied to convert one-dimensional time series data into image data.This method fully preserves the time series characteristics and nonlinear evolution patterns,which avoids the difficulties and limited expressive power associated with manual feature extraction.At the same time,the Swin Transformer model is introduced to extract global structures and local details from images,enabling better capture of sequence change trends.Combined with the long short-term memory network(LSTM),this enables accurate estimation of battery SOH.Two different types of batteries are used to validate the test.The experimental results show that the proposed method has good estimation accuracy under different training proportions. 展开更多
关键词 State of health Voltage data reconstruction Least squares generative adversarial network Gramicci angle field Swin Transformer-LSTM network
暂未订购 下载PDF
时序InSAR与VMD-ATL模型结合的滑坡形变预测方法 认领 引用
15
作者 王冉旋 韩贻明 +2 位作者 皇甫迎春 叶尔达·叶尔丁达拉 杨蓉 《金属矿山》 CAS 北大核心 2026年第4期245-253,共9页
合成孔径雷达干涉测量(InSAR)时序形变信号中通常包含趋势性形变与随机性波动,后者作为噪声成分易干扰模型对关键特征的提取,影响滑坡预测的准确性。为此,提出了一种基于时序InSAR数据的形变分解预测框架,通过变分模态分解(VMD)方法将... 合成孔径雷达干涉测量(InSAR)时序形变信号中通常包含趋势性形变与随机性波动,后者作为噪声成分易干扰模型对关键特征的提取,影响滑坡预测的准确性。为此,提出了一种基于时序InSAR数据的形变分解预测框架,通过变分模态分解(VMD)方法将原始形变信号分解成趋势项与随机项;然后分别采用自回归移动平均模型(ARMA)与改进的Transformer-LSTM混合模型进行分项预测并合成,获取最终形变预测结果。经新疆某水库滑坡形变预测试验表明,该方法的预测性能优于长短时记忆(LSTM)等传统模型,拟合优度(R2)均高于0.95;代表性测点的均方根误差(RMSE)、平均绝对误差(MAE)显著降低。研究揭示,改进的Transformer-LSTM模型可有效捕捉随机项中突发形变波动特征,结合ARMA模型在平稳时间序列建模中的优势,可有效提高复杂滑坡形变序列的预测性能,对提升库岸滑坡灾害的风险评估与防控具有重要的参考价值。 展开更多
关键词 库岸滑坡 时序InSAR VMD Transformer-LSTM 滑坡形变预测
暂未订购 下载PDF
电磁直驱泵控系统等价半实物仿真理论及研究 认领 引用
16
作者 程麟 梁全 《机床与液压》 北大核心 2026年第14期184-191,共8页
针对电磁直驱泵控系统开发难度大、成本高、周期长的问题,提出一种电磁直驱泵控等价半实物仿真系统。通过分析电磁直驱泵控系统与交流永磁同步电机的动态特性,建立两者之间的对应关系,利用交流永磁同步电机模拟电磁直驱泵控系统的工作状... 针对电磁直驱泵控系统开发难度大、成本高、周期长的问题,提出一种电磁直驱泵控等价半实物仿真系统。通过分析电磁直驱泵控系统与交流永磁同步电机的动态特性,建立两者之间的对应关系,利用交流永磁同步电机模拟电磁直驱泵控系统的工作状态,实现半实物仿真。采用OpenModelica建立电磁直驱泵控系统模型,进行仿真并导出FMU文件,生成预训练数据集。利用Transformer-长短期记忆(Transformer-LSTM)混合神经网络对交流永磁同步电机的前馈扭矩控制模型进行训练。最后,结合训练后的扭矩控制模型与模糊PID,完成对交流永磁同步电机的实时扭矩控制,并通过FMU计算实时输入的电磁直驱泵控系统状态变化,反馈至模糊PID控制器,使电机能够实时、直观地反映电磁直驱泵控系统的工作状态,实现动态等效和半实物仿真。结果表明:该系统的扭矩控制精度优于传统单一和混合神经网络,预测值和实际值的拟合精度达到99.27%。在此基础上,采用模糊PID控制,在10 Hz采样频率下,控制精度达到85.32%,相比单独模糊PID,控制效果提升了140%。所提电磁直驱泵控半实物仿真系统无需对内部电流、电压等进行实时监测,也无需对内部结构进行复杂建模,仅需扭矩、转速和功率等外部参数,从而有效降低研发成本和时间,尤其适用于成本有限和时间紧迫的项目开发。 展开更多
关键词 电磁直驱泵控系统 半实物仿真 Transformer-LSTM混合神经网络 前馈补偿 模糊PID
暂未订购 下载PDF
考虑风光不确定性下基于主从博弈的机组联合优化调度策略 认领 引用
17
作者 王庆园 吕澜欣 +2 位作者 张发 杨笛 李新征 《电器与能效管理技术》 2025年第12期17-24,共8页
为提高高比例新能源电力系统的经济性与可靠性,提出一种考虑风光不确定性下基于主从博弈的机组联合优化调度策略。首先,通过构建Transformer-长短期记忆(LSTM)混合模型对风光出力进行预测,并采用Wasserstein距离建立动态置信区间以刻画... 为提高高比例新能源电力系统的经济性与可靠性,提出一种考虑风光不确定性下基于主从博弈的机组联合优化调度策略。首先,通过构建Transformer-长短期记忆(LSTM)混合模型对风光出力进行预测,并采用Wasserstein距离建立动态置信区间以刻画风光出力的不确定性;其次,建立风光发电商与火电机组之间的双层博弈模型,引入风险溢价与弃风弃光惩罚机制协同优化出力计划与备用容量。最后,进行算例分析。结果表明,所提策略能有效降低弃风弃光率,提升系统运行经济性,为高比例新能源电力系统的不确定性优化调度提供了解决方案。 展开更多
关键词 不确定性 主从博弈 Transformer-LSTM混合预测 动态置信区间 能源调度
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 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈