现有的电离层总电子含量(Total Electron Content,TEC)时空预测模型主要以堆叠ConvLSTM单元及其变体为主.这种依赖于ConvLSTM的TEC时空预测模型在捕捉局部时空依赖性的时候比较有效.但由于缺乏存储长距离空间记忆的单元,致使长距离的TE...现有的电离层总电子含量(Total Electron Content,TEC)时空预测模型主要以堆叠ConvLSTM单元及其变体为主.这种依赖于ConvLSTM的TEC时空预测模型在捕捉局部时空依赖性的时候比较有效.但由于缺乏存储长距离空间记忆的单元,致使长距离的TEC空间特征依赖难以被ConvLSTM及其变体捕捉.为解决该问题,本文提出了一个基于自注意力记忆卷积长短期记忆网络的电离层TEC时空预测模型SA-ConvLSTM,该模型在具有短期记忆依赖的ConvLSTM基础上,增加了具有长距离记忆依赖的自注意力记忆(self-attention memory,SAM)模块,以便在TEC时空预测中同时兼顾短期记忆和长距离记忆.为了验证SA-ConvLSTM的性能,本文在12.5°S—87.5°N,25°E—180°E区域内选择3年太阳活动高年和3年太阳活动低年的TEC网格数据,在该数据上,将SA-ConvLSTM与目前主流的TEC时空预测模型ConvGRU、ConvLSTM、PredRNN、Residual Attention-BiConvLSTM及CODE提供的电离层预测产品C1PG进行了对比.结果表明,与C1PG、ConvGRU、ConvLSTM、PredRNN和Residual Attention-BiConvLSTM相比,SA-ConvLSTM的RMSE在太阳活动高年分别降低了6.58%、3.89%、5.79%、1.44%、1.21%;在太阳活动低年分别降低了13.42%、10.26%、11.40%、3.20%、4.37%.此外,本文还在不同月份和纬度区域情况下进行了对比,结果表明,在绝大多数月份和绝大多数纬度区域内,SA-ConvLSTM的预测性能更好.最后本文选取了两次磁暴事件来验证SA-ConvLSTM在极端情况下的预测能力.结果表明,SA-ConvLSTM在磁暴的大多数阶段均优于对比模型.展开更多
针对现有视频摘要算法以及摘要评价方法未能充分考虑工业智能终端所感知的视频数据特点以及工业智能感知相关应用需求,改写了代表性与多样性两种评价约束,基于此,结合DWConv(Depthwise Convolution)与ConvLSTM(Convolutional Long Short...针对现有视频摘要算法以及摘要评价方法未能充分考虑工业智能终端所感知的视频数据特点以及工业智能感知相关应用需求,改写了代表性与多样性两种评价约束,基于此,结合DWConv(Depthwise Convolution)与ConvLSTM(Convolutional Long Short-Term Memory)设计了一种混合双向多层的工业视频摘要方案。该方案由全局粗粒度特征提取、局部细粒度特征提取、反馈更新以及以查询为驱动的特征融合这4部分组成。为应对工业数据高冗余性、感知的视频噪声大等特点,围绕着ConvLSTM与注意力机制搭建全局特征提取模块;为充分提取视频数据的时空特性,结合注意力机制与DB-DWConvLSTM构建局部特征提取模块;针对工业数据具有的周期性与局部稳定性,借助残差网络思想,设计了融合DWConv反馈模块;为了更加凸显关键帧特征,便于更好的筛选关键帧,研究以查询驱动的特征融合模块。为验证方案的有效性与可行性,将该方案在TVSum与SumMe两个数据集上进行分析验证。实验结果表明:该方案在交叉验证、消融实验以及对比分析中都有着较好的性能。展开更多
The Northwest Pacific subtropical high(NWPSH)significantly affects East Asian weather and climate,rendering the prediction of its intensity and location critically important.This study aims to evaluate the performance...The Northwest Pacific subtropical high(NWPSH)significantly affects East Asian weather and climate,rendering the prediction of its intensity and location critically important.This study aims to evaluate the performance of the Convolutional Long and Short-Term Memory(ConvLSTM)model for predicting the summertime 500 hPa geopotential height and NWPSH intensity and area at a lead time of three months,and to compare it with the dynamical models of the Nanjing University of Information Science and Technology Climate Forecast System(NUIST-CFS1.0)and the Canadian Seasonal to Interannual Prediction System Version 2(CanSIPSv2).The mean latitude-weighted RMSE(RMSE_(w)),anomaly correlation coefficient(ACC),and NWPSH indices are used as evaluation metrics.For both summer mean and monthly prediction,the ConvLSTM model outperforms the two dynamical models in terms of RMSE_(w) and ACC for the 500 hPa geopotential height over the western Pacific region.The correlation coefficients between the NWPSH intensity index predicted by the ConvLSTM model and the observations are higher than those obtained from the two dynamical models.Regarding the NWPSH area index,the ConvLSTM model shows more stable performance.Particularly in August,the improvement of the ConvLSTM model compared to the two dynamical models is more significant,indicating the robust capability in capturing late-summer circulation patterns.Therefore,the ConvLSTM model demonstrates significant potential for summer NWPSH prediction,offering a new perspective and approach for climate prediction in this region.展开更多
本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实...本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实例详细展示了该模型在空气污染物浓度预测领域的应用过程,包括数据预处理、模型训练、预测结果分析等。实验结果表明,ConvLSTM模型用于空气污染物浓度短时预测的精度较高(始终保持在0.1%以内),同时也表明模型预测精度与时间序列并非总是正相关。当时间步长在某个值(本文实验中时间步长为10)附近时,模型预测精度较高。本研究可为其他具有类似时空特征数据序列的预测问题提供参考。展开更多
针对现有雷达回波外推模型存在长时序回波外推模糊失真和强回波预测准确率较低等问题,利用安徽2016年5-9月的多普勒雷达组合反射率拼图数据,设计了一种基于自注意力和稠密卷积改进卷积长短期记忆(convolutional long short-term memory,...针对现有雷达回波外推模型存在长时序回波外推模糊失真和强回波预测准确率较低等问题,利用安徽2016年5-9月的多普勒雷达组合反射率拼图数据,设计了一种基于自注意力和稠密卷积改进卷积长短期记忆(convolutional long short-term memory,ConvLSTM)网络的雷达回波外推方法。模型以ConvLSTM为基础,在每个单元结构以及编解码器中间融入自注意力机制,强化模型对于特征长时空间依赖的提取能力,同时用稠密连接卷积代替普通卷积,提高模型的特征重用能力。实验利用过去1 h雷达回波图像预测未来2 h雷达回波图像,并与改进前的ConvLSTM进行对比证明了提出的模型能够提高雷达回波外推的准确率。展开更多
文摘针对现有视频摘要算法以及摘要评价方法未能充分考虑工业智能终端所感知的视频数据特点以及工业智能感知相关应用需求,改写了代表性与多样性两种评价约束,基于此,结合DWConv(Depthwise Convolution)与ConvLSTM(Convolutional Long Short-Term Memory)设计了一种混合双向多层的工业视频摘要方案。该方案由全局粗粒度特征提取、局部细粒度特征提取、反馈更新以及以查询为驱动的特征融合这4部分组成。为应对工业数据高冗余性、感知的视频噪声大等特点,围绕着ConvLSTM与注意力机制搭建全局特征提取模块;为充分提取视频数据的时空特性,结合注意力机制与DB-DWConvLSTM构建局部特征提取模块;针对工业数据具有的周期性与局部稳定性,借助残差网络思想,设计了融合DWConv反馈模块;为了更加凸显关键帧特征,便于更好的筛选关键帧,研究以查询驱动的特征融合模块。为验证方案的有效性与可行性,将该方案在TVSum与SumMe两个数据集上进行分析验证。实验结果表明:该方案在交叉验证、消融实验以及对比分析中都有着较好的性能。
基金supported by the National Key Research and Development Program of China[grant number 2020YFA0608000]。
文摘The Northwest Pacific subtropical high(NWPSH)significantly affects East Asian weather and climate,rendering the prediction of its intensity and location critically important.This study aims to evaluate the performance of the Convolutional Long and Short-Term Memory(ConvLSTM)model for predicting the summertime 500 hPa geopotential height and NWPSH intensity and area at a lead time of three months,and to compare it with the dynamical models of the Nanjing University of Information Science and Technology Climate Forecast System(NUIST-CFS1.0)and the Canadian Seasonal to Interannual Prediction System Version 2(CanSIPSv2).The mean latitude-weighted RMSE(RMSE_(w)),anomaly correlation coefficient(ACC),and NWPSH indices are used as evaluation metrics.For both summer mean and monthly prediction,the ConvLSTM model outperforms the two dynamical models in terms of RMSE_(w) and ACC for the 500 hPa geopotential height over the western Pacific region.The correlation coefficients between the NWPSH intensity index predicted by the ConvLSTM model and the observations are higher than those obtained from the two dynamical models.Regarding the NWPSH area index,the ConvLSTM model shows more stable performance.Particularly in August,the improvement of the ConvLSTM model compared to the two dynamical models is more significant,indicating the robust capability in capturing late-summer circulation patterns.Therefore,the ConvLSTM model demonstrates significant potential for summer NWPSH prediction,offering a new perspective and approach for climate prediction in this region.
文摘针对在多传感器下变转速且带有不同程度噪声的工况下故障特征被淹没的问题,提出一种基于改进卷积长短时记忆网络(Convolutional LSTM, ConvLSTM)的故障诊断方法:首先将多个传感器采集的一维振动信号切分为二维矩阵序列;再利用由改进ConvLSTM单元构成的特征提取层提取信号内的时间特征和空间特征,改进ConvLSTM单元是将传统ConvLSTM单元输入门中的普通卷积换成膨胀卷积,在相同的卷积核其有更大的感受野读取输入信息;最后通过由卷积层和全局平均池化(Global Average Pooling,GAP)构造的分类输出层得到诊断结果。试验使用CWRU滚动轴承数据集和XJTU-SY滚动轴承数据集进行验证。试验结果表明,与其他对比模型相比,改进ConvLSTM模型在变转速且带有不同程度噪声下达到较高的精确率并且受样本量的影响更小。
文摘本文应用ConvLSTM (Convolutional Long Short-Term Memory)模型解决了空气污染物浓度短时预测的问题。首先基于卷积神经网络和长短期记忆网络对ConvLSTM模型的构建方法进行了探讨,深入剖析了模型的基本构成与结构特性,然后通过实验实例详细展示了该模型在空气污染物浓度预测领域的应用过程,包括数据预处理、模型训练、预测结果分析等。实验结果表明,ConvLSTM模型用于空气污染物浓度短时预测的精度较高(始终保持在0.1%以内),同时也表明模型预测精度与时间序列并非总是正相关。当时间步长在某个值(本文实验中时间步长为10)附近时,模型预测精度较高。本研究可为其他具有类似时空特征数据序列的预测问题提供参考。
