期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
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8篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 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：
基于VMD-CNN-BiTCN滚动轴承故障诊断 被引量：3
1
作者 徐志祥 玄永伟 +1 位作者 王洪洋 王壬杰 《微特电机》 2025年第2期68-73,共6页
针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(V... 针对滚动轴承故障诊断中,传统卷积神经网络(CNN)特征提取感受野受限、无法有效提取数据时序特征的问题,提出了一种CNN结合双向时间卷积网络(BiTCN)的模型,该模型能够扩展感受野并有效捕获数据的时序特征。将原始振动信号通过变分模态(VMD)分解为K个本征模函数(IMF);将分解后的信号输入到CNN层中进行特征提取和信号压缩;将该信号送入BiTCN中,提取正反两个方向的时序特征,使用膨胀卷积最大化感受野;通过池化层和全连接层实现滚动轴承故障诊断。实验结果显示,该模型在特征提取能力和时序特征感知具有显著优势,能够在多个数据集中表现出良好的故障诊断性能和泛化能力。 展开更多
关键词 滚动轴承 故障诊断 卷积神经网络 双向时间卷积网络 变分模态分解
在线阅读 下载PDF
基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计 被引量：3
2
作者 柳博 吴松荣 +2 位作者 付聪 王少惟 张驰 《电子测量技术》 北大核心 2025年第9期75-83,共9页
电池荷电状态(SOC)是电动汽车锂电池管理的核心参数之一,本文提出一种基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计模型。首先搭建双向时域卷积网络(BiTCN)和双向门循环单元(BiGRU)组合的SOC估计模型,然后使用白鲸算法(BWO)对BiTCN-... 电池荷电状态(SOC)是电动汽车锂电池管理的核心参数之一,本文提出一种基于改进白鲸算法优化BiTCN-BiGRU的锂电池SOC估计模型。首先搭建双向时域卷积网络(BiTCN)和双向门循环单元(BiGRU)组合的SOC估计模型,然后使用白鲸算法(BWO)对BiTCN-BiGRU模型超参数寻优以充分发挥组合网络模型的优势,并且分别在传统BWO的探索阶段和鲸落阶段引入改进策略以解决传统BWO容易陷入局部最优且收敛速度慢的问题。最后基于开源锂电池充放电数据集验证改进后SOC估计模型的性能,结果表明在3种温度的标准化城市循环工况下,改进白鲸算法优化BiTCN-BiGRU模型的SOC估计平均绝对误差为0.428%,均方根误差为0.38%,能很好的应用于锂电池SOC估计。 展开更多
关键词 锂电池 SOC估计 bitcn网络 BiGRU网络 白鲸优化算法
原文传递
基于LERT和BiTCN的金融领域命名实体识别
3
作者 陈雪松 王璐瑶 王浩畅 《计算机技术与发展》 2025年第3期125-132,共8页
针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过... 针对传统的命名实体识别方法难以解决金融文本中一词多义且文本的语义特征提取不够充分的问题,提出了一种基于LERT-BiTCN-CRF的金融领域命名实体识别模型。首先,使用LERT模型对输入的金融文本进行预训练以生成相对应字符向量;然后,通过在TCN内部增加反向卷积层将其改进为BiTCN,采用BiTCN对字符向量进行编码以提取字符向量的全局语义特征;最后,通过CRF进行解码以得到最佳的预测标签序列。在公开数据集ChFinAnn和自制数据集FinanceNER两个金融领域数据集上进行对比实验,该模型在两个数据集上的F1值分别达到了84.16%和92.17%。相较于其它模型,该模型在金融领域的命名实体识别任务中效果更好,表明该模型具有一定的有效性。同时又在公开的Resume数据集上进行对比实验,该模型F1值相较于基线模型BiGRU-CRF提升2.31%,表明该模型具有一定的泛化性。 展开更多
关键词 LERT模型 金融领域 命名实体识别 双向时间卷积网络 条件随机场
在线阅读 下载PDF
土石坝渗流预测的BiTCN-Attention-LSSVM模型研究
4
作者 傅蜀燕 杨石勇 +2 位作者 陈德辉 王子轩 欧斌 《水资源与水工程学报》 北大核心 2025年第1期118-128,共11页
为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN... 为了克服常规机器学习模型在处理时序数据时难以有效捕捉长期依赖关系和局部重要性的局限,提出了一种基于双向时序卷积神经网络(BiTCN)、注意力机制(Attention)和最小二乘支持向量机(LSSVM)的土石坝渗流预测耦合模型。该模型利用BiTCN从前、后两个方向捕获时序数据中的长期依赖关系,引入Attention机制帮助模型专注于与预测相关的关键局部特征,并将BiTCN-Attention深度处理后的特征输入LSSVM模型中进行预测,最后以2个不同的数据集分析了模型的预测效果。案例分析表明:与LSSVM、CNN-LSSVM和TCN-LSSVM相比,BiTCN-Attention-LSSVM模型预测的各项评价指标均为最优,在土石坝测压管水位预测中展现出更高的模型精度和稳定性;BiTCN与Attention的相互结合能够更好地提取时序数据中的相互依赖关系,将BiTCN-Attention提取的特征输入LSSVM中进行预测可获得良好的预测性能,数据集扩充处理后有效提高了模型的学习能力。 展开更多
关键词 土石坝测压管水位 渗流预测 双向时序卷积神经网络 注意力机制 最小二乘支持向量机
在线阅读 下载PDF
基于改进BiTCN和BiGRU的轴承变转速故障分类模型
5
作者 王文昊 亚森江·加入拉 +2 位作者 肖杨 吕路辉 兰志岗 《机电工程》 北大核心 2025年第12期2343-2353,共11页
为了提升变速故障数据集特征提取的准确率,减少传统神经网络在时间序列数据处理上的局限性,提出了一种基于改进双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的滚动轴承故障诊断方法。首先,通过变分模态分解(VMD)和快速傅里叶变换(... 为了提升变速故障数据集特征提取的准确率,减少传统神经网络在时间序列数据处理上的局限性,提出了一种基于改进双向时间卷积网络(BiTCN)和双向门控循环单元(BiGRU)的滚动轴承故障诊断方法。首先,通过变分模态分解(VMD)和快速傅里叶变换(FFT)对原始数据进行了预处理,引入了时间卷积网络(TCN)以提升卷积神经网络(CNN)在处理时间数据方面的性能,并引入了门控循环单元(GRU)以减少数据冗余;然后,构建了网络模型,使用改进BiTCN-BiGRU并行网络架构来提取滚动轴承振动信号的空间和时序特征,并利用交叉注意力机制以加强对重要信息的辨别,从而优化特征选择过程;最后,使用Kolmogorov-Arnold网络(KAN)层对滚动轴承故障数据进行了分类,借助实验和不同模型的对比分析,验证了改进BiTCN-BiGRU模型的泛化能力。研究结果证明:该模型在不同划分比例的训练、测试和验证样本下,轴承故障识别的准确率均高于一些常规深度学习算法;此外,在变速故障数据集下,该模型能够可靠地识别不同类型的轴承故障,并显示出良好的泛化能力;在两个数据集上的分类准确率分别达到了99.32%和96.39%。该模型在变转速故障诊断场景中能够显著提高故障识别准确率。 展开更多
关键词 滚动轴承故障诊断 双向时间卷积网络模型 双向门控循环模型 变分模态分解 快速傅里叶变换 故障识别准确率 泛化能力
在线阅读 下载PDF
基于特征交叉注意力机制融合的轴承故障诊断方法 被引量：4
6
作者 赵国超 刘崇德 +2 位作者 宋宇宁 金鑫 李伟华 《振动与冲击》 北大核心 2025年第12期228-237,共10页
为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convo... 为了解决轴承振动信号特征提取不充分导致故障诊断准确率低的问题,提出一种基于特征交叉注意力机制融合的轴承故障诊断方法,建立CNN-BiTCN-CA诊断模型。采用变分模态分解和快速傅里叶变换对原始信号进行重构,分别使用卷积神经网络(convolutional neural network,CNN)和双向时间卷积网络(bidirectional temporal convolutional network,BiTCN)提取时频特征,通过交叉注意力机制(cross-attention mechanism,CA)融合时频特征的能力,充分提取原始信号故障特征,利用全连接层实现滚动轴承故障类型的精确诊断。试验研究表明:在含信噪比为9.32 dB、标准差为2.98的高斯白噪声的环境下,使用CNN-BiTCN-CA模型轴承故障分类准确率为99.88%,相较于使用CNN、BiTCN和结合自注意力机制的卷积神经网络(CNN with self-attention mechanism,CNN-SA)诊断轴承故障,准确率分别提升约22.79%、4.85%和4.19%;在引入信噪比为3.31 dB、标准差为5.96的高斯白噪声时,该模型仍然可以达到96.12%的诊断准确率。CNN-BiTCN-CA模型能够深入提取轴承信号中的故障特征,有效提高故障分类准确性。 展开更多
关键词 滚动轴承 故障诊断 双向时间卷积网络(bitcn) 时频融合 交叉注意力机制(CA)
在线阅读 下载PDF
融合双向时序特征与多头注意力机制的电缆故障定位方法
7
作者 胡国栋 马宏忠 +1 位作者 孙维 田正宏 《广东电力》 北大核心 2025年第12期33-43,共11页
针对当前电缆故障定位精度不足及易受干扰问题,提出一种融合双向时序特征与多头注意力机制(multi-head attention mechanism,MHAM)的电缆故障定位方法。首先,对故障信号进行相模变换,再经多元变分模态分解(multielement variational mod... 针对当前电缆故障定位精度不足及易受干扰问题,提出一种融合双向时序特征与多头注意力机制(multi-head attention mechanism,MHAM)的电缆故障定位方法。首先,对故障信号进行相模变换,再经多元变分模态分解(multielement variational mode decomposition,MVMD)和K-means聚类,形成故障特征数据;其次,通过双向时间卷积网络(bi-directional temporal convolution network,BiTCN)正反向捕捉故障数据的信息,结合双向门控循环单元(bi-directional gated recurrent unit,BiGRU)和多头注意力机制增强模型对关键特征的捕捉能力,建立BiTCN-BiGRU-MHAM模型,再由冠豪猪优化算法(crested porcupine optimizer,CPO)对模型的超参数进行寻优;最后,将数据输入模型中进行训练和测试。结果表明:该故障定位模型的拟合程度达到99.992%,具有较高的故障定位精度。 展开更多
关键词 故障定位 相模变换 K-MEANS聚类 双向时间卷积网络 双向门控循环单元 多头注意力机制 冠豪猪优化算法
在线阅读 下载PDF
基于VMD分解与K-shape聚类的山东大学PM_(2.5)浓度预测
8
作者 褚群微 杨文波 杨占山 《环境科学学报》 北大核心 2025年第9期86-95,共10页
为提高PM_(2.5)浓度预测的精确度,解决CEEMDAN方法中噪声添加引起的集合平均误差问题,提出了一种基于“解构与重组”概念的PM_(2.5)浓度预测模型.研究选取了山东大学2022年1月1日—2024年8月10日的污染物和气象数据,通过最大信息系数(MIC... 为提高PM_(2.5)浓度预测的精确度,解决CEEMDAN方法中噪声添加引起的集合平均误差问题,提出了一种基于“解构与重组”概念的PM_(2.5)浓度预测模型.研究选取了山东大学2022年1月1日—2024年8月10日的污染物和气象数据,通过最大信息系数(MIC)筛选特征变量.采用变分模态分解(VMD)将PM_(2.5)浓度序列分解为多个平稳本征模态分量,并利用K-shape时间聚类算法重构,去除冗余信息.重构后的分量与辅助信息输入双向卷积神经网络(BiTCN)提取特征,再通过双向门控循环单元(BiGRU)进行预测.结果表明,与传统单一模型相比,该模型在均方根误差(RMSE)、绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))等指标上均有显著提升.消融实验进一步显示,加入K-shape聚类重构后,RMSE和MAE分别降至4.35和2.80,R^(2)达到0.982,表明模型具有极高的预测精度和拟合能力,可以为环境治理提供坚实的理论基础. 展开更多
关键词 PM_(2.5)浓度预测 变分模态分解(VMD) 双向时间卷积网络(bitcn) K-shape时间聚类 双向门控循环单元(BiGRU)
原文传递
已选择0条
导出题录 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
使用帮助 返回顶部