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4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GAN-BiLSTM的锂电池RUL预测 被引量：3
1
作者 孟春 汪济洲 +1 位作者 彭相 张开宇 《黑龙江工业学院学报（综合版）》 2023年第3期51-56,共6页
针对深度学习方法在锂电池剩余寿命(Remaining Useful Life,RUL)预测中因样本数据较少所产生的准确率较低的问题,提出了基于GAN-BiLSTM的锂电池RUL预测方法,通过生成对抗网络(Generative Adversarial Network,GAN)对小样本的电压、电流... 针对深度学习方法在锂电池剩余寿命(Remaining Useful Life,RUL)预测中因样本数据较少所产生的准确率较低的问题,提出了基于GAN-BiLSTM的锂电池RUL预测方法,通过生成对抗网络(Generative Adversarial Network,GAN)对小样本的电压、电流、温度、时间所组成的数据集进行扩充,然后采用双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)提取输入数据的特征并对RUL在线预测,并提出适用于锂电池RUL预测的基于MSE-v的损失函数评价指标,对预测值大于实际值时给予模型更高的惩罚,解决了小样本下深度学习方法精度不高、准确率不高的问题。与其他数据驱动方法对比,实验证明了所提出的模型在测试集上有着较好的拟合效果:损失达到了最低值1.043。实验验证了模型的实用价值。 展开更多
关键词 gan-bilstm 锂电池 RUL预测 MSE-v
在线阅读 下载PDF
基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法
2
作者 刘汝欣 徐洪珍 《现代电子技术》 北大核心 2024年第10期73-78,共6页
信用卡欺诈是银行操作风险的主要来源之一,对信用卡诈骗交易进行准确的检测对于减少银行经济损失具有重要意义。针对信用卡欺诈检测中存在的数据类别不平衡和数据漂移的问题,提出一种基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方... 信用卡欺诈是银行操作风险的主要来源之一,对信用卡诈骗交易进行准确的检测对于减少银行经济损失具有重要意义。针对信用卡欺诈检测中存在的数据类别不平衡和数据漂移的问题,提出一种基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法。首先引入Wasserstein距离改进生成对抗网络(GAN),将信用卡数据输入至WGAN(Wasserstein GAN)中,在生成器和判别器相互博弈训练下,得到符合目标分布的欺诈样本;然后,构建结合注意力机制的双向长短期记忆(BiLSTM)网络,在正反两个方向上提取信用卡数据的长时依赖关系;最后,通过Softmax层输出分类结果。在欧洲持卡人数据集上的实验结果表明,所提方法能有效提升信用卡欺诈检测效果。 展开更多
关键词 信用卡欺诈检测 过采样技术 注意力机制 不平衡分类 Wasserstein距离 生成对抗网络 双向长短期记忆网络 信息提取
在线阅读 下载PDF
结合GAN与BiLSTM-Attention-CRF的领域命名实体识别 被引量：34
3
作者 张晗 郭渊博 李涛 《计算机研究与发展》 EI CSCD 北大核心 2019年第9期1851-1858,共8页
领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-At... 领域内命名实体识别通常面临领域内标注数据缺乏以及由于实体名称多样性导致的同一文档中实体标注不一致等问题.针对以上问题,利用生成式对抗网络(generative adversarial network, GAN)可以生成数据的特点,将生成式对抗网络与BiLSTM-Attention-CRF模型相结合.首先以BiLSTM-Attention作为生成式对抗网络的生成器模型,以CNN作为判别器模型,从众包标注数据集中整合出与专家标注数据分布一致的正样本标注数据来解决领域内标注数据缺乏的问题;然后通过在BiLSTM-Attention-CRF模型中引入文档层面的全局向量,计算每个单词与该全局向量的关系得出其新的特征表示以解决由于实体名称多样化造成的同一文档中实体标注不一致问题;最后,在基于信息安全领域众包标注数据集上的实验结果表明,该模型在各项指标上显著优于同类其他模型方法. 展开更多
关键词 领域命名实体识别 生成式对抗网络 众包标注数据 实体标注一致 BiLSTM-Attention-CRF模型
在线阅读 下载PDF
基于缺失值补全与BiLSTM的用电行为异常检测 被引量：6
4
作者 严莉 张凯 +2 位作者 徐浩 韩圣亚 刘珅岐 《软件导刊》 2022年第10期136-141,共6页
目前,通常采用深度神经网络根据历史用电数据检测用户用电行为异常,但该方法忽略了电力数据缺失对异常检测性能的影响。为此,提出一种基于缺失值补全和双向长短期记忆神经网络(BiLSTM)的用电行为异常检测模型。首先,采用卡尔曼滤波器和... 目前,通常采用深度神经网络根据历史用电数据检测用户用电行为异常,但该方法忽略了电力数据缺失对异常检测性能的影响。为此,提出一种基于缺失值补全和双向长短期记忆神经网络(BiLSTM)的用电行为异常检测模型。首先,采用卡尔曼滤波器和一维卷积神经网络学习电力数据文本信息表示,通过图注意力网络捕获电力数据间复杂的关联关系。然后,以Transformer为生成器,支持向量机(SVM)为判别器构建生成对抗网络(GAN)模型,通过两者相互对抗补全电力数据缺失值。最后,采用BiLSTM进行用电行为异常检测。实验结果表明,所提模型的准确率、F1值、AUROC值和AUPRC值分别为96.82%、60.28%、89.17%和56.73%,优于主流异常检测模型,证明模型能有效提高电力异常检测性能,可以为用电数据检测提供参考与借鉴。 展开更多
关键词 电力数据 缺失值补全 生成对抗网络 BiLSTM 异常检测
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 下一页 到第 页
使用帮助 返回顶部