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781篇文章
< 1 2 … 40 >
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CNN-Transformer的黄河水质参数并行预测模型
1
作者 王超梁 郭荣幸 +3 位作者 赵雪专 王军 赵妮媛 陈济民 《人民黄河》 北大核心 2026年第3期152-156,共5页
针对传统水质参数预测方法在处理复杂非线性水质参数变化时精度不足的问题,基于水质参数变化的周期性和非线性特征,提出一种基于CNN-Transformer的黄河水质参数并行预测模型,对2020—2025年黄河流域七里铺监测断面的溶解氧、高锰酸盐指... 针对传统水质参数预测方法在处理复杂非线性水质参数变化时精度不足的问题,基于水质参数变化的周期性和非线性特征,提出一种基于CNN-Transformer的黄河水质参数并行预测模型,对2020—2025年黄河流域七里铺监测断面的溶解氧、高锰酸盐指数、氨氮、总磷进行预测。模型将监测数据并行输入CNN(卷积神经网络)模块和Transformer模块,分别提取局部细节特征和全局动态特征,利用全连接层将融合特征映射至预测结果。对比CNN-Transformer模型与RNN(循环神经网络)、CNN、LSTM(长短期记忆网络)、Transformer模型的预测性能,结果表明,与其他4种模型相比,CNN-Transformer模型的MSE减小了3.93%~10.96%,RMSE减小了5.82%~9.33%,MAE减小了12.44%~14.48%,R^(2)增大了6.56%~26.65%,其表现出优异的性能。 展开更多
关键词 水质参数 并行预测 cnn-Transformer模型 黄河
在线阅读 下载PDF
物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测研究
2
作者 刘伟 李洋洋 《电力系统保护与控制》 北大核心 2026年第2期58-69,共12页
为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地... 为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地反映组件实际受光强度,接着结合光电转换模型与小型前馈网络扩展数据集的相对功率特征。其次,构建自适应平滑修正线性单元(adaptively smooth rectifier linear unit,ASReLU),通过参数自适应平滑修正优化卷积神经网络(convolutional neural network,CNN)的负特征提取能力。最后,将物理特征扩展的数据集输入ASReLU-CNN-LSTM模型,实现光伏功率的预测。在两个不同气候区数据集上的实验结果表明,该预测方法具有较高的精确性和泛化能力。 展开更多
关键词 短期光伏功率预测 太阳轨迹模型 光电转换模型 自适应平滑修正线性单元 cnn-LSTM模型
在线阅读 下载PDF
基于CNN-LSTM的炼化污水处理智能优化决策研究
3
作者 张媛 刘锦龙 +2 位作者 张璇 王若尧 徐宝昌 《给水排水》 北大核心 2026年第2期175-180,共6页
针对炼化污水处理过程中能耗-水质多目标优化问题,提出一种数据驱动与多目标智能优化结合的方法。首先,通过集成CNN-LSTM混合神经网络,构建了融合时空特征的软测量模型,实现了对出水质量与能耗的动态预测。然后,鲸鱼算法通过融合NSGA-... 针对炼化污水处理过程中能耗-水质多目标优化问题,提出一种数据驱动与多目标智能优化结合的方法。首先,通过集成CNN-LSTM混合神经网络,构建了融合时空特征的软测量模型,实现了对出水质量与能耗的动态预测。然后,鲸鱼算法通过融合NSGA-Ⅱ的非支配排序策略,有效平衡全局探索与局部开发能力,解决传统算法在多目标优化中的局限性。最后,基于GPS-X仿真平台进行实验验证,结果表明,所提算法的收敛性和多样性有明显提升,优化后的运行参数在保障水质达标(EQI≤3.68)前提下,显著降低系统能耗达21.22%。 展开更多
关键词 炼化污水 cnn-LSTM 预测模型 多目标鲸鱼优化 优化决策
在线阅读 下载PDF
基于CNN-LSTM预测模型的云南黑山羊舍环境监控系统设计
4
作者 于尧 窦芊遇 +2 位作者 余礼根 李奇峰 张俊 《河北农业大学学报》 北大核心 2026年第1期94-102,共9页
本研究利用卷积神经网络(CNN)与长短期记忆网络(LSTM)构建预测模型,对云南黑山羊舍环境进行精准预测,并基于此优化羊舍环境控制系统设计。通过调整通风系统、加热与降温设备以及光照设备的参数和运行策略,实现了对羊舍环境的精准调控。... 本研究利用卷积神经网络(CNN)与长短期记忆网络(LSTM)构建预测模型,对云南黑山羊舍环境进行精准预测,并基于此优化羊舍环境控制系统设计。通过调整通风系统、加热与降温设备以及光照设备的参数和运行策略,实现了对羊舍环境的精准调控。优化后的控制系统能够根据不同的预测结果,自动调整环境参数,以创造更适宜云南黑山羊生长的环境条件。实验结果表明,基于CNN-LSTM预测模型的云南黑山羊舍环境控制优化设计显著提高了羊舍环境的稳定性、舒适性和可控性。这不仅有助于提升云南黑山羊的生长效率、健康状况和生产性能,还有助于减少能源消耗和养殖成本。本研究不仅为云南黑山羊的养殖管理提供了智能化、精准化的环境控制方案,也为其他类似动物养殖环境的优化控制提供了有益的参考和借鉴。 展开更多
关键词 cnn-LSTM预测模型 云南黑山羊 羊舍环境控制 优化设计 精准调控
在线阅读 下载PDF
基于CNN-GRU-Attention网络模型的油井产量预测
5
作者 杨王黎 宣翔腾 赵建民 《计算机与数字工程》 2026年第1期287-293,共7页
油藏勘探和开发中,预测油井的产量是一个非常重要的任务。为了更准确地预测油井的产量,提出了一种基于卷积神经网络-门控循环单元神经-注意力机制(CNN-GRU-Attention)神经网络模型的预测油井产量新方法。将CNN网络提取特征的能力的优势... 油藏勘探和开发中,预测油井的产量是一个非常重要的任务。为了更准确地预测油井的产量,提出了一种基于卷积神经网络-门控循环单元神经-注意力机制(CNN-GRU-Attention)神经网络模型的预测油井产量新方法。将CNN网络提取特征的能力的优势与GRU网络处理长时间序列的优势结合,避免因输入特征序列过长导致精度降低的情况,并融合注意力机制可突显重要特征对于油井产量的影响,增强油井产量预测模型的准确性。通过在真实的油井生产数据集上进行实验,相比CNN、LSTM、GRU、CNN-GRU,CNN-LSTM模型特征提取效果更好,预测结果具有更高的准确性和稳定性,可以帮助油田工程师更好地预测油井产量和制定更合理的生产计划。 展开更多
关键词 产量预测 模型融合 神经网络 cnn-GRU-Attention模型
在线阅读 下载PDF
GNSS失锁下基于CNN-BiLSTM-Attention模型的机载组合导航算法
6
作者 赵桂玲 汪远 +1 位作者 石茜宇 周彤 《中国惯性技术学报》 北大核心 2026年第1期60-66,72,共8页
针对全球导航卫星定位系统(GNSS)信号失锁导致惯性导航系统(INS)/GNSS组合导航系统误差发散的问题,提出了一种基于CNN-BiLSTM-Attention模型的机载组合导航算法。通过将注意力机制引入CNN-BiLSTM中,构建CNN-BiLSTM-Attention模型,利用G... 针对全球导航卫星定位系统(GNSS)信号失锁导致惯性导航系统(INS)/GNSS组合导航系统误差发散的问题,提出了一种基于CNN-BiLSTM-Attention模型的机载组合导航算法。通过将注意力机制引入CNN-BiLSTM中,构建CNN-BiLSTM-Attention模型,利用GNSS信号正常时的惯性测量单元输出信息、INS姿态信息及GNSS导航信息训练模型,以预测信号失锁时的GNSS导航信息,从而解决信息缺失问题并提升飞行轨迹预测精度。实验结果表明:在GNSS信号失锁且飞行轨迹发生突变时,基于CNN-BiLSTM-Attention模型的组合导航系统定位精度优于BiLSTM与CNN-BiLSTM模型:相较于BiLSTM模型,速度精度提高26.74%~72.97%,位置精度提高28.67%~65.22%;相较于CNN-BiLSTM模型,速度精度提高3.33%~28.57%,位置精度提高2.88%~32.03%。 展开更多
关键词 GNSS信号失锁 INS/GNSS组合导航系统 cnn-BiLSTM-Attention模型 轨迹突变
在线阅读 下载PDF
基于无人机高光谱数据和3D-2D-CNN的天然次生林主要树种分类研究
7
作者 李昊 全迎 +3 位作者 刘建阳 卞少杰 王斌 李明泽 《南京林业大学学报(自然科学版)》 北大核心 2026年第2期9-18,共10页
【目的】为了提高我国东北典型天然次生林主要树种分类的准确性,提出一种针对无人机高光谱图像的卷积神经网络(convolution neural network,CNN)树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳(Fraxinus mandshur... 【目的】为了提高我国东北典型天然次生林主要树种分类的准确性,提出一种针对无人机高光谱图像的卷积神经网络(convolution neural network,CNN)树种分类框架。【方法】以东北林业大学帽儿山实验林场天然次生林水曲柳(Fraxinus mandshurica)、胡桃楸(Juglans mandshurica)、榆树(Ulmus sp.)和白桦(Betula platyphylla)的4个主要树种为研究对象,采用新型无人机载高光谱成像仪对7个不同区域进行影像采集。以地面实测数据为参考构建不同树冠尺寸的单木数据集,并以7∶3的比例划分训练集和测试集,构建了包含三维卷积层和二维卷积层的3D-2D-CNN模型,通过3D卷积层提取光谱-空间耦合特征,2D卷积层提取细节特征,从而有效增强模型对数据整体特征的学习能力;将该模型与2D-CNN、3D-CNN以及基于特征筛选的机器学习模型[随机森林(random forest,RF)、支持向量机(support vector machine,SVM)和梯度增强机(gradient boosting machine,GBM)]进行对比实验。此外,采用逐波段逐步移除方法分析了波段的重要性,并探讨了模型对光谱特征的敏感性。【结果】构建的3D-2D-CNN分类模型对研究区4个主要树种的分类准确率达到了87%,F1分数为0.86,相较其他对比算法,总体精度提高了5%~6%。波段重要性分析表明,近红外波段对分类结果影响显著。【结论】基于高光谱图像的3D-2D-CNN模型通过有效结合光谱与空间信息,显著提升了对天然次生林树种分类的准确性,比传统分类方法表现优越,可为森林资源管理和生态系统的遥感监测提供技术支持。 展开更多
关键词 天然次生林 树种分类 高光谱图像 3D-2D-cnn模型 卷积神经网络 机器学习 波段重要性分析
原文传递
面向可重构结构的CNN模型混合压缩方法
8
作者 刘朋飞 蒋林 +1 位作者 李远成 吴海 《现代电子技术》 北大核心 2026年第1期167-173,共7页
随着卷积神经网络规模的不断扩大,其参数量和计算量显著增加,导致硬件面临严重的访存瓶颈,限制了计算效率。为解决这一问题,文中提出一种面向可重构结构的CNN混合压缩新方法,该方法采用先剪枝后量化的策略,通过基于一阶泰勒展开的滤波... 随着卷积神经网络规模的不断扩大,其参数量和计算量显著增加,导致硬件面临严重的访存瓶颈,限制了计算效率。为解决这一问题,文中提出一种面向可重构结构的CNN混合压缩新方法,该方法采用先剪枝后量化的策略,通过基于一阶泰勒展开的滤波器剪枝、基于阈值的全连接层权值剪枝和混合精度自适应量化策略,来减少模型参数量和计算复杂度,并部署在自研的可重构处理器上。实验结果表明,所提方法在VGG16和ResNet18模型上分别实现了31.4倍和7.9倍的压缩比,精度仅下降1.20%和0.74%。在基于VirtexUltraScale VU440 FPGA开发板搭建的可重构阵列处理器上,压缩后的VGG16模型执行周期最大降低了62.7%。证明所提方法适合资源有限的边缘计算设备。 展开更多
关键词 卷积神经网络 模型压缩 结构化剪枝 自适应量化 并行计算 可重构结构
在线阅读 下载PDF
基于SInception⁃CNN模型的复合电能质量环境下配电变压器损耗敏感性分析
9
作者 谷伟康 杨雅淮 +4 位作者 赵文冲 尹忠东 李新宇 何静 沈子伦 《华北电力大学学报(自然科学版)》 北大核心 2026年第2期110-118,142,共10页
随着分布式资源大规模接入电网以及各种电力电子器件的广泛使用,配电网中电能质量问题和配电变压器损耗问题愈发严重。为对复合电能质量环境下配电变压器损耗进行敏感性分析,根据谐波、三相不平衡以及电压偏差对配电变压器损耗的影响机... 随着分布式资源大规模接入电网以及各种电力电子器件的广泛使用,配电网中电能质量问题和配电变压器损耗问题愈发严重。为对复合电能质量环境下配电变压器损耗进行敏感性分析,根据谐波、三相不平衡以及电压偏差对配电变压器损耗的影响机理,设计出一种复合电能质量环境下配电变压器损耗测量实验平台。在此基础上,将深度学习与灵敏度分析相结合,基于实验测量数据训练SInception⁃CNN模型,并利用训练好的深度学习模型对数据进行分析处理,计算在复合电能质量环境下各项电能质量特征的灵敏度,并利用G函数进行实验测试。结果表明,在复合电能质量环境下,三相不平衡对配电变压器损耗影响最为显著,与Sobol方法相比,SInception⁃CNN法表现出更高的准确性,并且具备更强的鲁棒性。 展开更多
关键词 电能质量 配电变压器损耗 深度学习 SInception⁃cnn模型 灵敏度分析
在线阅读 下载PDF
基于CNN-FA-RB模型和高光谱技术的采前柑橘糖度无损检测
10
作者 陈贺 吴赛赛 +7 位作者 曾志康 柴秀娟 何海碧 韦莹莹 蓝玉萍 方辉 李诚瑜 莫小香 《南方农业学报》 北大核心 2026年第2期299-312,共14页
【目的】基于深度学习和高光谱成像技术,建立适应果园环境的采前柑橘糖度无损检测模型,为果园柑橘的成熟度判断及智能采摘提供理论参考和技术支持。【方法】采用区域选择法和阈值分割法分别提取柑橘高光谱图像的感兴趣区域(ROI),获得柑... 【目的】基于深度学习和高光谱成像技术,建立适应果园环境的采前柑橘糖度无损检测模型,为果园柑橘的成熟度判断及智能采摘提供理论参考和技术支持。【方法】采用区域选择法和阈值分割法分别提取柑橘高光谱图像的感兴趣区域(ROI),获得柑橘果实光谱反射的有效区域并计算原始光谱;使用多元散射校正(MSC)、标准正态变换(SNV)、Savitzky-Golay平滑(SG)、小波变换(WT)、一阶导数(FD)、SGMSC组合方法等6种光谱预处理方法分别对原始光谱进行校正,利用竞争性自适应重加权采样算法(CARS)、随机蛙跳算法(RF)、联合区间偏最小二乘法(SIPLS)、相关系数法(CORR)等4种算法提取与柑橘糖度高度相关的特征波段,并与光谱预处理进行组合;在卷积神经网络(CNN)的基础上融合特征增强和残差模块,建立CNN-FA-RB模型,同时构建偏最小二乘回归(PLSR)、支持向量回归(SVR)、前馈神经网络(FFNN)、CNN、AlexNet、ResNet18、SENet18等7种模型进行对比。【结果】以阈值分割法提取的ROI建模效果更优,决定系数(R^(2))较区域选择法平均提高了19.33%。SG+CARS组合为最佳预处理方法,提取得到的25个特征波段覆盖范围较广(399.2~963.0 nm),捕捉到糖分相关的吸收峰(C-H/O-H键振动),建立PLSR模型测试发现,R^(2)为0.709、均方根误差(RMSE)为0.894,即能有效平滑高频噪声,筛选出与糖度强相关的特征波段。CNN-FA-RB模型的糖度检测精度最高且训练速度较快,果园环境下的R^(2)为0.816、RMSE为0.751、平均绝对误差(MAE)为0.576、平均绝对百分比误差(MAPE)为5.616%、训练速度为13.158轮次/s,相对于CNN模型,R^(2)提升了8.66%、RMSE下降了13.97%、MAE下降了15.79%、MAPE下降了14.32%,且训练速度提升了3.71倍。【结论】建立的CNN-FA-RB模型能克服室外环境干扰,进行精准糖度预测。阈值分割+SG+CARS+CNN-FA-RB的方案能有效实现采前柑橘糖度无损检测,为柑橘成熟度判断、机器人采摘、果园监测等场景提供技术支持。 展开更多
关键词 柑橘 糖度 高光谱 cnn-FA-RB模型 采前无损检测
在线阅读 下载PDF
基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法
11
作者 耿峻 童广勤 +11 位作者 汪昌港 赵鹏 张海龙 潘戚扬 顾昊 陆纬 沈雷 孙啸 唐杰伟 郑祥 周富强 朱明远 《水力发电》 2026年第4期109-115,121,共8页
在大坝运行过程中,变形监测数据的缺失严重影响大坝安全状态的预测与判断。目前常用的缺失值填补方法很少有效考虑测点间相关性、填补效果难以满足安全监控需求,为此,提出了一种基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补... 在大坝运行过程中,变形监测数据的缺失严重影响大坝安全状态的预测与判断。目前常用的缺失值填补方法很少有效考虑测点间相关性、填补效果难以满足安全监控需求,为此,提出了一种基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法。首先,采用随机森林算法分析测值与荷载间、测值与测值间的相关性,筛选出对测值影响较大的环境因子,并将相关性强的测点归为一类,构建多测点安全监控模型。在此基础上,训练卷积神经网络(CNN)与门控循环单元神经网络(GRU)模型,提出基于CNN-GRU的大坝变形监测缺失值填补方法,以实现对多测点缺失值的高精度填补。通过算例分析验证了基于随机森林与CNN-GRU模型的大坝变形监测数据缺失值填补方法的有效性,为科学评估大坝服役性态提供了新思路。 展开更多
关键词 随机森林算法 cnn-GRU模型 缺失值填补 监测数据 大坝变形
在线阅读 下载PDF
基于智能优化CNN模型的高速公路短时交通流量预测
12
作者 陈佳杭 贺建林 +2 位作者 王盼盼 林冲 王辛岩 《物流科技》 2026年第4期113-116,共4页
关于高速公路环境下短时交通流量的预测研究,在缓解交通拥堵状况及优化交通管理方面起着重要作用。文章提出一种基于混沌博弈优化(CGO)和卷积神经网络(CNN)深度学习的混合模型(CGO-CNN),通过变分模态分解(VMD)对交通数据进行降噪,提升... 关于高速公路环境下短时交通流量的预测研究,在缓解交通拥堵状况及优化交通管理方面起着重要作用。文章提出一种基于混沌博弈优化(CGO)和卷积神经网络(CNN)深度学习的混合模型(CGO-CNN),通过变分模态分解(VMD)对交通数据进行降噪,提升数据质量。该模型有效融合了CGO的全局搜索能力和CNN的非线性映射特性,能够更准确地预测交通流量。实验结果显示,CGO-CNN在多个指标上优于传统模型,在MAPE和RMSE方面,更是展现出了在智能交通系统中的应用潜力和可靠性。 展开更多
关键词 高速公路 交通流量预测 变分模态分解 CGO-cnn模型 深度学习
在线阅读 下载PDF
基于CNN-BiLSTM的猪咳嗽声识别方法
13
作者 付小朋 周昕 +6 位作者 王星博 徐杏 吴越 谢荣辉 单颖 叶春林 周卫东 《河南农业科学》 北大核心 2026年第2期144-155,共12页
呼吸道疾病是规模猪场常见高发疫病之一,及时准确发现猪呼吸道疾病典型临床症状如咳嗽声对于实现早期预警、预防至关重要。以怀孕中期母猪咳嗽、尖叫、打呼噜声音为研究对象,提出了基于卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)融... 呼吸道疾病是规模猪场常见高发疫病之一,及时准确发现猪呼吸道疾病典型临床症状如咳嗽声对于实现早期预警、预防至关重要。以怀孕中期母猪咳嗽、尖叫、打呼噜声音为研究对象,提出了基于卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)融合的猪咳嗽声识别模型,通过四阶巴特沃斯带通滤波器降噪、一阶高通滤波器预加重、短时能量端点检测等方法预处理猪声数据,采用分帧、加窗、快速傅里叶变换等方法提取预处理后声音数据的梅尔频率倒谱系数(MFCC)特征参数,并对模型识别性能进行评价。结果表明,采用四阶巴特沃斯带通滤波器降噪处理可明显降低猪咳嗽声、尖叫声和打呼噜声的背景噪音,且波形无失真,猪声信号的主要能量保留完整;一阶高通滤波器预加重可明显增强高频区域能量,减弱低频区域能量,缩小区域范围;端点检测可快速标出猪声的有效语音段,减少无关信息对识别模型的干扰;通过提取预处理声音数据的MFCC特征参数可较好地反映猪声的声学特性,将MFCC系数作为特征输入用于模型的识别。融合卷积神经网络与双向长短期记忆网络的深度神经网络(CNN-BiLSTM)模型具有良好的收敛性,混淆矩阵显示,猪咳嗽声、尖叫声和打呼噜声正确识别率分别为83.67%、85.19%和81.58%,说明模型具有良好的泛化能力;五折交叉验证显示,平均准确率为84.03%(82.79%~85.31%);CNN-BiLSTM模型在测试集上的准确率为83.93%,优于Transformer、CNN、LSTM和BiLSTM模型。由此,所提出的CNN-BiLSTM模型在识别猪咳嗽声上具有良好的性能,能够为猪只呼吸道疾病早期检测提供新的方法。 展开更多
关键词 猪咳嗽声 cnn-BiLSTM识别模型 特征参数 混淆矩阵 五折交叉验证
在线阅读 下载PDF
基于CNN-DeepTCN深度神经网络的成纱质量预测
14
作者 杨晓波 白直灿 《毛纺科技》 北大核心 2026年第1期120-125,共6页
为了进一步提高纱线质量的预测精度,提出一种基于CNN-DeepTCN深度神经网络模型预测成纱质量的方法。首先从纺纱工艺的角度构造CNN-DeepTCN深度学习模型,接着设置CNN-DeepTCN模型各层的相关参数,并提出模型训练算法,最后通过对比实例验... 为了进一步提高纱线质量的预测精度,提出一种基于CNN-DeepTCN深度神经网络模型预测成纱质量的方法。首先从纺纱工艺的角度构造CNN-DeepTCN深度学习模型,接着设置CNN-DeepTCN模型各层的相关参数,并提出模型训练算法,最后通过对比实例验证文章所提方法的可行性。研究结果表明:CNN-DeepTCN深度神经网络模型可以充分利用CNN网络和DeepTCN网络的优势,将二者有机结合提升模型的预测精度;另外,选用转杯纺、环锭纺和涡流纺3种纺纱方式,与CNN-LSTM模型、CNN-GRNN模型和CNN-BP模型进行对比实验,CNN-DeepTCN模型的预测均方误差(MSE)均小于其他3种模型,表明CNN-DeepTCN模型的预测精度较高,比较适合预测具有动态时序特性的纺纱系统。 展开更多
关键词 cnn-DeepTCN模型 参数设置 模型训练 预测精度 转杯纺 环锭纺 涡流纺 成纱质量
在线阅读 下载PDF
基于CNN-LSTM模型的高重频脉冲激光信号实时识别方法
15
作者 高士娟 陈伟 丁娟 《激光杂志》 北大核心 2026年第1期232-238,共7页
高重频脉冲激光信号发生信号强度波动现象,影响现信号识别效果,为此设计了基于CNN-LSTM模型的高重频脉冲激光信号实时识别方法。首先获取信号采样数据,并采用多帧积累算法提升信号信噪比,当信号强度发生波动时,CNN能够通过学习不同强度... 高重频脉冲激光信号发生信号强度波动现象,影响现信号识别效果,为此设计了基于CNN-LSTM模型的高重频脉冲激光信号实时识别方法。首先获取信号采样数据,并采用多帧积累算法提升信号信噪比,当信号强度发生波动时,CNN能够通过学习不同强度下的局部特征模式,对波动具有适应性。LSTM可以在信号特征空间发生变化时,根据记忆历史信息对新的信号进行合理的映射和分类,有效实现信号特征提取,最后通过阈值完成高重频脉冲激光信号的实时识别。实验结果表明,在噪声强度较高的情况下,该方法仍然能够稳定地识别出目标信号,误判率极低。在迭代次数为10次时,所提方法的帧率达到了45 fps。ROC曲线值为0.94,显著提升了信号识别准确性。 展开更多
关键词 cnn-LSTM模型 高重频脉冲激光信号 组内方差 实时识别
原文传递
基于CNN-BiLSTM-Attention的光伏发电功率预测研究
16
作者 朱峻嬉 郑淑娴 +3 位作者 金典 孙世康 冯靖瑶 陈仕军 《四川电力技术》 2026年第1期14-21,95,共9页
针对光伏功率输出的波动性及间歇性特征,提出了一种卷积神经网络(convolutional neural network,CNN)结合双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)和注意力机制(Attention)的混合预测模型:先采用局部异常因子(... 针对光伏功率输出的波动性及间歇性特征,提出了一种卷积神经网络(convolutional neural network,CNN)结合双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)和注意力机制(Attention)的混合预测模型:先采用局部异常因子(local outlier factor,LOF)算法检测与剔除功率数据中的异常数据,结合横向归一化方法消除量纲差异;再利用CNN捕捉局部空间特征、BiLSTM捕捉长期时序依赖,建立预测模型;最后在优化阶段引入Attention动态分配关键时间步的权重。为检验模型效果,选取某省级电网近3年的光伏发电功率数据进行实例分析。结果表明,所提CNN-BiLSTM-Attention预测模型的平均绝对误差、均方根误差和平均相对误差分别为0.02、0.04和0.06,可实现光伏发电的高精度功率预测,对优化电力调配与新能源消纳具有实际意义。 展开更多
关键词 光伏发电功率预测 数据归一化 LOF异常检测 cnn-BiLSTM-Attention混合模型 注意力机制
在线阅读 下载PDF
结合SBAS-InSAR与IPSO-CNN-LSTM优化模型的尾矿库监测与预测研究
17
作者 袁利伟 张舒寒 +2 位作者 李延林 杨四美 聂晗 《安全与环境学报》 北大核心 2026年第3期980-991,共12页
针对传统尾矿库监测手段的局限性及预测模型处理长时序数据时易丢失信息的问题,融合短基线集干涉合成孔径雷达(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)与改进粒子群算法(Improved Particle Swarm ... 针对传统尾矿库监测手段的局限性及预测模型处理长时序数据时易丢失信息的问题,融合短基线集干涉合成孔径雷达(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)与改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络,构建监测预测模型。以云南某铅锌矿尾矿库为例,基于97景哨兵一号影像和SBAS-InSAR技术监测地表形变,结合GNSS数据验证。结果表明:垂向最大沉降形变速率为58.56 mm/a,累计最大沉降量为233.76 mm;并运用经验模态分解(Empirical Mode Decomposition,EMD)揭示了降雨与沉降的关联。研究表明:IPSO-CNN-LSTM模型的各项误差评价指标均显著低于单一模型及CNN-LSTM模型,且其决定系数均高于97%;IPSO-CNN-LSTM模型在预测尾矿库形变方面展现出更高的精度和稳定性,并能准确捕捉降雨波动性和趋势性的影响,为尾矿库的后续监测与管理提供了坚实的技术支撑。 展开更多
关键词 安全工程 尾矿库 SBAS-InSAR技术 IPSO-cnn-LSTM预测模型 形变监测 形变预测
原文传递
多无人机射频信号CNN|Triplet-DNN异构网络特征提取与机型识别
18
作者 赵慎 李广选 +3 位作者 周鲜成 黄雯蒂 杨玲玲 高丽萍 《电子与信息学报》 北大核心 2026年第3期1230-1240,共11页
随着无人机技术的广泛应用,多机共存场景中机型识别对空域管理与黑飞无人机反制具有重要意义。针对射频(RF)信号的特征提取与机型识别需求,该文提出CNN|Triplet-DNN异构网络模型。该模型采用不同深度卷积层与三元组(Triplet)结合的三分... 随着无人机技术的广泛应用,多机共存场景中机型识别对空域管理与黑飞无人机反制具有重要意义。针对射频(RF)信号的特征提取与机型识别需求,该文提出CNN|Triplet-DNN异构网络模型。该模型采用不同深度卷积层与三元组(Triplet)结合的三分支结构,通过交叉熵、中心及三元组损失的动态协同,从分类准确性、类内聚集性和类间分离性3个角度,提取并融合时频图的异构多层特征;进一步利用深度神经网络(DNN)增强特征的非线性拟合能力,提升机型的识别准确率。基于DroneRFa数据集进行消融实验,验证了模型分支设计的有效性;通过叠加DroneRFa中单无人机信号模拟4类及以下多机共存场景,CNN|Triplet-DNN模型的机型识别准确率达83%~100%;在实飞实验中,该模型对2~4类共存场景中的机型识别准确率分别为86%,57%和73%。与CNN,Triplet-CNN和Transformer模型相比,CNN|Triplet-DNN模型的识别性能更优。 展开更多
关键词 多无人机共存 机型识别 cnn|Triplet-DNN模型 RF信号 时频图
在线阅读 下载PDF
基于CNN-LSTM的贵州省水资源需水预测与趋势分析
19
作者 李析男 朱飞燕 《人民珠江》 2026年第1期11-22,共12页
水资源是影响经济发展、生态保护和社会稳定的关键因素,气候变化加剧了其不确定性,尤其在缺水或分布不均的地区。贵州省作为典型山区省份,地形复杂、气候多变,水资源管理面临挑战。基于2004—2023年贵州省水资源公报数据(降水量、水资... 水资源是影响经济发展、生态保护和社会稳定的关键因素,气候变化加剧了其不确定性,尤其在缺水或分布不均的地区。贵州省作为典型山区省份,地形复杂、气候多变,水资源管理面临挑战。基于2004—2023年贵州省水资源公报数据(降水量、水资源量、用水量)和CMIP6四个全球气候模式(BCC-CSM2-MR,CAMS-CSM1-0,CMCC-CM2-SR5,MIROC6)的未来气候数据,构建了CNN-LSTM模型进行水资源供需预测,并分析了不同情景下水资源变化趋势。结果表明,CNN-LSTM模型预测精度高,测试集的平均绝对百分比误差为0.12383(水资源量)和0.18205(用水量),决定系数分别为0.99063和0.99067,表明模型能够有效捕捉数据的复杂时空变化趋势。未来预测显示,贵州省水资源量在SSP245(中排放)和SSP585(高排放)情景下均呈增加趋势,SSP585情景下变化幅度显著大于SSP245情景,且远期(2080—2099年)变化幅度远大于近期(2030—2049年),凸显了长期气候变化的累积效应。水资源量空间差异显著,黔南州(受地形抬升效应)增幅最大(远期SSP585达40亿m^(3)),贵阳市(因高城镇化率削弱入渗)增幅最小(8.6亿m^(3))。需水量同样呈增长趋势,合肥市变化最明显(远期SSP585增加4.55亿m^(3))。气候变化对水资源的影响存在空间异质性,水资源分布不均和用水结构多样性是主要原因。模型预测未来水资源总量虽增加,但空间分布不均和用水结构差异带来的挑战依然严峻。未来水资源管理应重视气候变化影响,推广节水技术,提高用水效率,建立预测模型,并针对不同区域特点(如黔南防洪、合肥需水管理)制定策略,确保水资源可持续利用。 展开更多
关键词 水资源管理 气候变化 cnn-LSTM模型 CMIP6 需水量预测 贵州省
在线阅读 下载PDF
基于CNN-LSTM网络模型的课程群成绩预测模型研究——以“机器人编程及应用”课程成绩预测为例
20
作者 姚畅 张勇 +2 位作者 杨媛媛 费正顺 侯北平 《浙江科技大学学报》 2026年第1期54-64,共11页
【目的】为了有效预测学生在机器人工程课程群中“机器人编程与应用”课程期末成绩的通过情况,提出了将卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)网络相结合的深度学习二元预测模型。... 【目的】为了有效预测学生在机器人工程课程群中“机器人编程与应用”课程期末成绩的通过情况,提出了将卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)网络相结合的深度学习二元预测模型。【方法】选取某校机器人工程专业共82名学生的历史信息和专业课程群中先后开设的3门课程的学习行为数据。首先通过CNN自动筛选出学生有效的静态特征和动态特征,然后利用LSTM网络模型捕捉学生学习过程中跨课程间的时序性关系,最后精准预测专业课程群中“机器人编程及应用”课程期末成绩的通过情况。【结果】本模型在预测学生“机器人编程及应用”课程期末成绩通过情况上的准确率达到93.1%;与支持向量机(support vector machine,SVM)和LSTM网络模型进行比较,结果表明本模型在第48周的成绩预测上准确率分别高出21.3%和16.1%。【结论】随着学生学习周数的增长,本模型的预测准确率会快速提高。本研究结果可为机器人工程课程群提供一种成绩预测的方法参考。 展开更多
关键词 学生成绩预测 cnn-LSTM网络模型 时序数据 教育数据挖掘
在线阅读 下载PDF
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 2 … 40 下一页 到第 页
使用帮助 返回顶部