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1,799篇文章
< 1 2 … 90 >
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：
端到端框架下基于LSTM与在线修正的适应性投资组合策略
1
作者 刘悦 张永 +1 位作者 黎嘉豪 王晓辉 《系统管理学报》 北大核心 2026年第1期233-246,共14页
深度学习对长序列信息具有较强的记忆能力,并能有效建模复杂关系。本文采用多对多长短期记忆网络,研究端到端框架下的投资组合策略。首先,在端到端深度学习框架下,结合多对多长短期记忆神经网络与滑动窗口技术构建投资组合策略;其次,以... 深度学习对长序列信息具有较强的记忆能力,并能有效建模复杂关系。本文采用多对多长短期记忆网络,研究端到端框架下的投资组合策略。首先,在端到端深度学习框架下,结合多对多长短期记忆神经网络与滑动窗口技术构建投资组合策略;其次,以固定历史窗口的均匀定常再调整策略为基准,在线评估神经网络策略近期表现,并对其进行修正以缓解概念漂移问题;再次,集成多个历史窗口下的修正策略,形成稳健的投资组合策略;最后,基于国内外市场数据开展数值分析,结果表明,该策略在稳健性、收益性及交易费率敏感性方面均优于对比策略。 展开更多
关键词 投资组合 端到端学习 多对多长短期记忆网络 在线修正 概念漂移
在线阅读 下载PDF
基于多健康因子LSTM的电池容量估计方法
2
作者 莫易敏 陈佳浩 +3 位作者 叶鹏 范文健 韦军 孙静宇 《电源学报》 北大核心 2026年第1期207-216,共10页
为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用... 为了准确判断电池可用容量,采用长短期记忆神经网络对电池容量进行估算。首先分析电池各参数全生命周期变化曲线,计算其与电池容量之间的皮尔逊相关系数,选择电池电压、内阻、等压降时间等参数作为健康因子构建电池容量估计模型。使用美国先进寿命周期工程中心CALCE(Center for Advanced Life Cycle Engineering)电池数据集进行模型训练并估算电池容量,估计模型的平均百分误差为1.19%。分析估算误差产生的原因,通过电池初始容量参数修正和电池老化参数修正进行模型优化。优化结果表明,使用电池电压、内阻、恒流充电时间和4.0~3.4 V等压降时间构建模型估计误差在0.55%左右。 展开更多
关键词 容量估计 电池健康状态 长短期记忆神经网络 锂离子电池
在线阅读 下载PDF
综合负样本优化指数与CNN-LSTM-ATT模型的滑坡易发性评价
3
作者 曹琰波 移康军 +5 位作者 梁鑫 荆海宇 孙颢宸 张越轩 刘思缘 范文 《安全与环境工程》 北大核心 2026年第1期69-85,共17页
针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural net... 针对滑坡易发性建模过程中随机抽取的非滑坡样本不确定性高、机器学习模型预测精度有限的问题,提出一种基于负样本优化指数(negative sample optimization index,NSI)的非滑坡样本采样策略,并融合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)网络和注意力机制(attention mechanism,ATT)构建CNN-LSTM-ATT深度神经网络开展易发性评价。以陕西省北部黄土高原地区的绥德县义合镇为例,首先,选取高程、坡度、地层岩性等14个孕灾因子建立评价指标体系;其次,引入Matthews相关系数为随机森林(random forest,RF)、逻辑回归(logistic regression,LR)和支持向量机(support vector machine,SVM)3种基模型分配权重,并计算NSI值;然后,基于NSI选取非滑坡样本,并与滑坡样本组成训练数据集;最后,利用CNNLSTM-ATT模型预测滑坡空间概率,通过SHAP值分析揭示各因子的重要程度。结果表明:NSI通过约束采样空间获得了质量更高的非滑坡样本,规避了因过度偏激的负样本所造成的预测误差,模型精度最大提升7%;相较于单一模型,集成多层复杂结构的CNN-LSTM-ATT模型具有更好的分类能力,预测精度达0.925;坡度、高程和距房屋距离是研究区易发性建模的关键因子。研究提出的采样策略和评价模型有助于提高滑坡灾害空间预测的精度。 展开更多
关键词 滑坡灾害 易发性 负样本优化指数(NSI) 卷积神经网络(CNN) 长短时记忆(lstm)网络 注意力机制(ATT)
在线阅读 下载PDF
LSTM在恶意代码检测中的应用研究综述
4
作者 门嘉平 王高源 +2 位作者 陈张萌 张小平 周晓军 《信息安全研究》 北大核心 2026年第1期89-96,共8页
随着黑客技术的不断演进,恶意代码变种迭代升级加速,恶意代码数量爆炸性增长.如何快速准确地对恶意代码进行检测是网络安全领域具有挑战性的研究热点.长短期记忆网络(long short-term memory network,LSTM)独有的门控机制,能够有选择性... 随着黑客技术的不断演进,恶意代码变种迭代升级加速,恶意代码数量爆炸性增长.如何快速准确地对恶意代码进行检测是网络安全领域具有挑战性的研究热点.长短期记忆网络(long short-term memory network,LSTM)独有的门控机制,能够有选择性地保留重要的历史信息,同时对于数据在时间序列上的前后依赖关系具有良好性能,能够有效解决传统循环神经网络(recurrent neural network,RNN)在处理此类问题时可能产生的梯度消失或梯度爆炸困扰.LSTM这种独特时序处理能力对于恶意软件检测尤为重要,因此LSTM在恶意软件检测中得到了广泛的应用.从恶意代码的检测方法、LSTM的基本模型及变种、LSTM在恶意代码检测中的应用、LSTM在恶意代码检测中的性能分析、LSTM在恶意代码检测领域未来发展方向5个方面,对LSTM在恶意代码检测中的应用情况进行了全方位的整理和归纳,以期为恶意代码检测现有方法的进一步研究和改进提供帮助. 展开更多
关键词 长短期记忆网络 恶意代码检测 代码安全 网络空间安全 信息安全
在线阅读 下载PDF
基于改进1DCNN-LSTM的防冲钻孔机器人钻进煤岩性状识别
5
作者 司垒 刘扬 +5 位作者 王忠宾 顾进恒 魏东 戴剑博 李鑫 赵杨奇 《矿业科学学报》 北大核心 2026年第1期206-217,共12页
防冲钻孔机器人是高地应力矿井卸压作业的关键装备,其对钻进煤岩性状识别准确度直接影响钻孔卸压效率和卸压效果。本文针对当前煤岩钻进状态识别手段多依赖于人工经验,存在识别精度低、响应时间长、无法满足无人化钻孔卸压需求的问题,... 防冲钻孔机器人是高地应力矿井卸压作业的关键装备,其对钻进煤岩性状识别准确度直接影响钻孔卸压效率和卸压效果。本文针对当前煤岩钻进状态识别手段多依赖于人工经验,存在识别精度低、响应时间长、无法满足无人化钻孔卸压需求的问题,基于一维卷积神经网络(1DCNN)和长短时记忆网络(LSTM)并结合模拟实验提出了一种钻进过程煤岩性状识别方法。通过加入卷积块注意力机制(CBAM),提升模型识别准确率,并采用改进蜣螂优化(IDBO)算法对模型中超参数进行寻优,确定最优的网络参数组合。搭建煤岩钻进模拟试验台,制作6种典型煤岩试块,采集回转速度、回转扭矩、推进速度和推进压力等4类传感信号,开展相应的对比测试分析。结果表明:所提方法具有较高的钻进煤岩识别准确率,达到97.00%,明显优于1DCNN和1DCNN-LSTM,以及逻辑回归、支持向量机(SVM)、决策树、随机森林、K聚类、Transformer等方法。 展开更多
关键词 防冲钻孔机器人 钻进煤岩识别 一维卷积神经网络(1DCNN) 长短时记忆神经网络(lstm) 改进蜣螂优化(IDWO)算法
在线阅读 下载PDF
基于SBAS-InSAR与PSO-LSTM的露天矿地表形变预测方法
6
作者 郑俊析 杨飞 +3 位作者 王浩宇 杨志勇 李军 胡桂林 《金属矿山》 北大核心 2026年第2期259-268,共10页
对露天矿地表形变的特征和趋势进行分析和预测,是保障矿山绿色安全生产的重要环节。面向特大型露天矿,以新疆将军戈壁二号露天矿为例,基于SBAS-InSAR方法和粒子群优化算法的长短期记忆网络(PSO-LSTM)模型,提出了一种露天矿地表形变分析... 对露天矿地表形变的特征和趋势进行分析和预测,是保障矿山绿色安全生产的重要环节。面向特大型露天矿,以新疆将军戈壁二号露天矿为例,基于SBAS-InSAR方法和粒子群优化算法的长短期记忆网络(PSO-LSTM)模型,提出了一种露天矿地表形变分析与预测方法。该方法首先通过SBAS-InSAR方法计算了该矿地表形变,在此基础上针对当前水准测量、GNSS等形变监测方式在特大型露天矿存在的效率较低、空间覆盖范围有限等问题,采用粒子群优化算法(Genetic Algorithm Optimization,PSO)优化长短期记忆模型(Long Short-term Memory,LSTM),构建了PSO-LSTM模型进行形变预测。研究表明:(1)矿区整体平均形变速率为-2.832 mm/a,整体呈下沉趋势,其中内排土场地表形变速率明显高于其他区域;空间上,内排土场、东排土场分布较为均匀;时间上,东排土场和北排土场形变速率较低,速率大小较为恒定。(2)通过剖面线可以发现,北排土场空间形变分布呈现非均匀性,东排土场则表现出相对均衡的形变特征。采用均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)和决定系数(R2)作为预测精度的评价指标。结果显示:相对于支持向量回归模型(Support Vector Regression,SVR)和LSTM模型,PSO-LSTM模型的RMSE和MAE至少降低了16%和30%,PSO-LSTM模型稳定性更好、偏差更小,反映出该模型能够有效捕捉采区地表形变的波动趋势,并且具有一定的稳定性。研究成果为露天矿地表形变分析与预警提供了新思路,对于特大型露天矿地表形变监测与预测有一定的参考意义。 展开更多
关键词 露天矿 SBAS-InSAR方法 形变预测 PSO-lstm模型 粒子群优化算法 长短期记忆模型
在线阅读 下载PDF
基于ARIMA-LSTM模型的MSWI过程CO_(2)排放浓度多步预测
7
作者 汤健 王子 +2 位作者 夏恒 王天峥 乔俊飞 《北京工业大学学报》 北大核心 2026年第2期175-188,共14页
针对城市固废焚烧(municipal solid waste incineration,MSWI)过程CO_(2)排放兼具线性趋势与非线性波动的复杂动态特性,现有单一预测难以准确拟合的问题,提出基于差分整合移动平均自回归-长短期记忆(autoregressive integrated moving a... 针对城市固废焚烧(municipal solid waste incineration,MSWI)过程CO_(2)排放兼具线性趋势与非线性波动的复杂动态特性,现有单一预测难以准确拟合的问题,提出基于差分整合移动平均自回归-长短期记忆(autoregressive integrated moving average-long short-term memory,ARIMA-LSTM)模型的CO_(2)排放浓度的多步预测方法。首先,采用ARIMA算法构建线性主模型以进行CO_(2)排放浓度预测;然后,以主模型的预测残差为真值,采用LSTM算法构建非线性补偿模型;最后,将主模型和补偿模型的预测值进行组合得到超前多步的预测结果。基于北京某MSWI工厂的真实CO_(2)数据集验证了所构建混合模型的有效性。 展开更多
关键词 城市固废焚烧(municipal solid waste incineration MSWI) CO_(2)排放 多步预测 差分整合移动平均自回归模型 长短期记忆(long short-term memory lstm)网络 混合模型
在线阅读 下载PDF
基于LSTM神经网络的渡槽温度场预测
8
作者 王铁虎 刘平安 +3 位作者 欧玉鹏 越斐 朱泽众 张迅 《灌溉排水学报》 2026年第2期73-81,共9页
【目的】准确预测渡槽的离散点温度及内外表面温差,基于长短期记忆神经网络(LSTM)提出一种渡槽温度场预测模型。【方法】以某大跨度简支U形渡槽为依托,基于实测数据分析了渡槽内部温度以及渡槽各部位内外表面温差的变化规律;根据结构内... 【目的】准确预测渡槽的离散点温度及内外表面温差,基于长短期记忆神经网络(LSTM)提出一种渡槽温度场预测模型。【方法】以某大跨度简支U形渡槽为依托,基于实测数据分析了渡槽内部温度以及渡槽各部位内外表面温差的变化规律;根据结构内部温度传感器返回的数据建立温度时序数据库,训练神经网络模型实现未来各测点温度及渡槽内外表面温差预测。【结果】渡槽表面及内部温度呈日周期及年周期变化,跨中与支座截面温度在8月达到最高值,分别为45℃与40℃,1月降至最低值,接近0℃与5℃;渡槽内部温度达到峰值的时间随着深度的增加而推迟,表面达到最低温度时渡槽出现负温度梯度,表面达到最高温度时渡槽出现正温度梯度;LSTM神经网络预测结果相对CNN及MLP神经网络的平均绝对误差(MAE)更小、决定系数(R2)更接近于1;基于LSTM神经网络的预测温度曲线与实测曲线基本一致,误差不超过1.681℃;渡槽各部位内外温差的预测误差值不超过2.22℃/m,预测结果准确性较高。【结论】LSTM神经网络预测方法性能优异,可为渡槽未来安全性预测提供参考。 展开更多
关键词 渡槽结构 温度变化 温度场预测 长短期(lstm)神经网络
在线阅读 下载PDF
基于特征优选与IPSO-LSTM的变压器故障诊断
9
作者 胡俊泽 杨耿煌 +1 位作者 耿丽清 刘新宇 《电气传动》 2026年第1期89-96,共8页
针对变压器故障诊断精度差、准确率低的问题,提出一种基于数据特征优选与改进粒子群优化算法的长短期记忆网络(IPSO-LSTM)的变压器故障诊断方法。首先对原始数据集进行预处理,使用合成少数类样本过采样技术(SMOTE)扩充数据数量;其次利... 针对变压器故障诊断精度差、准确率低的问题,提出一种基于数据特征优选与改进粒子群优化算法的长短期记忆网络(IPSO-LSTM)的变压器故障诊断方法。首先对原始数据集进行预处理,使用合成少数类样本过采样技术(SMOTE)扩充数据数量;其次利用特征比值法扩充特征维数至20维,使用随机森林(RF)算法判断特征重要程度进行特征优选,降低过拟合风险;然后引入自适应惯性权重对PSO算法进行改进,利用改进后的PSO算法来优化LSTM最优超参数;最后输入特征优选后的数据进行变压器故障诊断。结果表明所构建的故障诊断模型诊断精度为91.6%。该优化模型与LSTM,HBA-LSTM和PSO-LSTM诊断模型相比,准确率分别提高了10.12%,5.95%,3.57%,证明IPSO-LSTM诊断模型有更高的诊断准确率,在变压器故障诊断领域有一定的实际意义。 展开更多
关键词 变压器故障诊断 特征优选 随机森林 长短期记忆网络 粒子群优化算法
在线阅读 下载PDF
基于有限元分析的PCA-LSTM模型预测PC梁桥长期性能
10
作者 武东超 葛飞 +3 位作者 方圆 闫鑫 任雪枫 仝腾 《现代交通与冶金材料》 2026年第1期28-41,共14页
为准确且高效预测大跨(Prestressed Concrete, PC)桥梁的长期行为,提出一种结合长短期记忆(Long Short-Term Memory, LSTM)神经网络与主成分分析(Principal Component Analysis,PCA)的代理模型。在桥梁有限元(Finite Element Analysis, ... 为准确且高效预测大跨(Prestressed Concrete, PC)桥梁的长期行为,提出一种结合长短期记忆(Long Short-Term Memory, LSTM)神经网络与主成分分析(Principal Component Analysis,PCA)的代理模型。在桥梁有限元(Finite Element Analysis, FEA)模型中引入非线性徐变和混凝土开裂本构,准确模拟实桥持续下挠及开裂的长期行为。通过拉丁超立方抽样(Latin Hypercube Sampling, LHS)对5个研究变量(徐变系数,收缩系数,混凝土强度,预应力水平,环境湿度)进行抽样。从有限元分析结果中提取跨中挠度、预应力损失、开裂并构建数据库,并利用PCA技术将数据进行降维处理。引入LSTM神经网络,并使用定制的损失函数,有效预测不同变量下桥梁的长期行为。通过实桥分析,验证了所提PCA-LSTM代理模型在预测PC桥梁长期行为的准确性及鲁棒性。 展开更多
关键词 大跨度PC桥梁 长期行为 代理模型 主成分分析 长短期记忆网络
在线阅读 下载PDF
基于CNN-Attention-LSTM的液压系统故障诊断网络
11
作者 张旭峰 马硕 +2 位作者 易飞彤 刘庆同 纪辉 《机电工程》 北大核心 2026年第2期238-247,共10页
针对液压系统故障时信号复杂难以诊断、维护成本高等问题,提出了一种融合卷积神经网络(CNN)、注意力机制(Attention)和长短时记忆网络(LSTM)的深度学习模型(CNN-Attention-LSTM),对液压系统进行了故障诊断。首先,采用CNN提取了液压系统... 针对液压系统故障时信号复杂难以诊断、维护成本高等问题,提出了一种融合卷积神经网络(CNN)、注意力机制(Attention)和长短时记忆网络(LSTM)的深度学习模型(CNN-Attention-LSTM),对液压系统进行了故障诊断。首先,采用CNN提取了液压系统传感器信号的局部特征,结合LSTM提取了时序依赖关系,将Attention融入LSTM网络中,增强了对关键故障特征的关注度;然后,使用来自UCI网站的液压系统运行数据作为数据集,对不同采样频率的数据进行了处理,保证了所有传感器的采样点数保持一致;最后,针对冷却器、阀门、泵和蓄能器四类元件故障类别,评估了CNN-Attention-LSTM模型的故障预测准确性。研究结果表明:在预测的样本数量增多的情况下,CNN-Attention-LSTM模型对冷却器、阀门和泵三类故障的预测准确率达99%以上,对蓄能器故障的预测准确率达98%,验证了CNN-Attention-LSTM模型的有效性且证明其具备较强的泛化能力。该模型对故障状态识别能力明显优于传统的LSTM模型、支持向量机(SVM)网络、反向传播(BP)神经网络和循环神经网络(RNN)模型,为维护液压系统的稳定运行提供了新方法。 展开更多
关键词 液压传动系统 故障识别模型 多传感器信息融合 卷积神经网络 长短时记忆网络 注意力机制
在线阅读 下载PDF
基于VMD−LSTM神经网络的船舶运动极短期预报研究
12
作者 郭海健 于立伟 杨梦昊 《中国舰船研究》 北大核心 2026年第1期90-103,共14页
[目的]旨在对船舶的运动状态进行预报,从而更好地进行作业决策。[方法]以海上实测船舶运动数据为输入,针对实海域船舶运动非线性、非平稳的特征,利用变分模态分解(VMD)方法分解数据特征,由此基于长短期记忆(LSTM)神经网络构建船舶运动... [目的]旨在对船舶的运动状态进行预报,从而更好地进行作业决策。[方法]以海上实测船舶运动数据为输入,针对实海域船舶运动非线性、非平稳的特征,利用变分模态分解(VMD)方法分解数据特征,由此基于长短期记忆(LSTM)神经网络构建船舶运动极短期预报神经网络模型,并利用仿真数据以及实船数据进行多输入多输出的极短期运动预报验证与应用。[结果]结果显示,模型最佳预报时长约为一个运动周期,对横摇、纵摇和垂荡运动的预报精度总体可达75%~90%;实时预报模拟显示,所提神经网络的预报效果较好,预报实时性强,每步预报的耗时少于0.05 s。[结论]相比复杂的理论模型预报,所做研究可极大地提升预报效率,能为船舶运动的实时极短期预报实际应用提供技术支撑。 展开更多
关键词 船舶运动 变分模态分解 长短期记忆神经网络 极短期预报
在线阅读 下载PDF
结合CNN-LSTM-SVM的特征融合在肺音分析中的应用
13
作者 赵静 杜永飞 +2 位作者 韦海成 张志鹏 许洋 《计算机系统应用》 2026年第1期219-227,共9页
本研究致力于提升深度学习在肺音分析领域的应用效率和准确性.针对现有深度学习模型在肺音分析中表现出的鲁棒性不足和泛化能力有限的问题,本研究提出了一种方法,该方法通过整合卷积神经网络(convolutional neural network,CNN)、长短... 本研究致力于提升深度学习在肺音分析领域的应用效率和准确性.针对现有深度学习模型在肺音分析中表现出的鲁棒性不足和泛化能力有限的问题,本研究提出了一种方法,该方法通过整合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)网络和支持向量机(SVM),实现了对肺音信号的高效和深入分析.首先对肺音信号进行预处理,提取出重构信号和其对应的希尔伯特谱图;其次设计并构建了一个集成CNN、LSTM和SVM的深度学习网络模型;最后将处理后的信号数据输入到CNN-LSTM-SVM的深度学习网络中,以提取并融合肺音信号的时域和频域特征.实验结果表明,该方法在召回率、精确率和F1-score这3个关键性能指标上分别达到96.20%、96.56%和0.96的高水平.这些结果证实了所提方法的高效性和可靠性,为肺部疾病的早期诊断提供了一种技术途径,并有潜力显著提升临床诊断的速度和准确性. 展开更多
关键词 肺音分析 特征融合 变分模态分解 卷积神经网络 长短时记忆网络 支持向量机
在线阅读 下载PDF
融合SKNet与堆叠LSTM的MobileNetV3齿轮箱故障识别方法
14
作者 杨辰峰 杨喜旺 +2 位作者 黄晋英 范振芳 刘晶晶 《计算机系统应用》 2026年第1期237-245,共9页
当前基于深度学习的故障识别方法普遍面临高数据依赖性、高昂计算成本与时间开销,以及模型泛化能力受限等挑战.为此,本研究提出一种融合MobileNetV3、选择性核网络(selective kernel network,SKNet)及堆叠长短期记忆网络(stacked long s... 当前基于深度学习的故障识别方法普遍面临高数据依赖性、高昂计算成本与时间开销,以及模型泛化能力受限等挑战.为此,本研究提出一种融合MobileNetV3、选择性核网络(selective kernel network,SKNet)及堆叠长短期记忆网络(stacked long short-term memory network,Stacked LSTM)的轻量化高精度故障识别模型.首先进行输入数据预处理,将处理后的数据转换成适应卷积层的输入格式.在特征提取阶段,利用改进的MobileNetV3骨干网络进行深度特征挖掘,其倒置残差模块在保留深度可分离卷积高效性的基础上,策略性地嵌入SE(squeeze-andexcitation)与SK(selective kernel)双重注意力机制,有效兼顾通道信息交互与多尺度特征自适应选择,显著提升了特征表征能力并降低了计算复杂度.随后,堆叠LSTM捕获振动信号中的长距离时序依赖关系.最终通过全连接层实现特征压缩与分类决策,构建端到端识别系统.实验结果显示,本文模型识别准确率达到99.47%,与传统的齿轮箱故障识别技术相比,该方法在识别精准度和模型泛化能力方面均呈现出显著优势. 展开更多
关键词 故障识别 深度学习 MobileNetV3 选择性核网络 堆叠长短期记忆网络
在线阅读 下载PDF
基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法
15
作者 昝志辉 王雅静 +2 位作者 李珂 杨智翔 杨光宇 《计算机应用》 北大核心 2026年第1期69-76,共8页
针对单一语音情感特征对语音信息表征不全面及模型对语音特征利用率低的问题,提出一种基于SAACNN-BiLSTM网络的多特征融合语音情感识别方法。该方法引入噪声、音量和音速增强器对数据进行增强,以使模型学习到多样化数据特征,并将基频、... 针对单一语音情感特征对语音信息表征不全面及模型对语音特征利用率低的问题,提出一种基于SAACNN-BiLSTM网络的多特征融合语音情感识别方法。该方法引入噪声、音量和音速增强器对数据进行增强,以使模型学习到多样化数据特征,并将基频、时域以及频域特征进行多特征融合,从不同角度全面表达情感信息。此外,在双向长短时记忆(BiLSTM)网络的基础上引入卷积神经网络(CNN)捕获输入数据的空间相关性,并提取更具代表性的特征。同时,构建简化加性注意力(SAA)机制,简化显式查询键和查询向量,使注意力权重计算不依赖于特定查询信息,而不同维度的特征能基于注意力权重进行相互关联和影响,特征之间的信息得以交互和融合,从而提高特征的有效利用率。实验结果表明,该方法在EMO-DB、CASIA和SAVEE数据集上分别达到了87.02%、82.59%和73.13%的加权精度,相较于增量卷积(IncConv)、异构并行卷积双向长短期记忆(NHPC-BiLSTM)和动态卷积递归神经网络(DCRNN)等基线方法,分别提升了0.52~9.80、2.92~23.09和3.13~16.63个百分点。 展开更多
关键词 语音情感识别 深度学习 多特征融合 数据增强 长短时记忆网络 简化加性注意力机制
在线阅读 下载PDF
基于LSTM神经网络的智能汽车轨迹跟踪混合控制策略研究
16
作者 张良 程浩 +1 位作者 卢剑伟 雷夏阳 《合肥工业大学学报(自然科学版)》 北大核心 2026年第1期1-12,共12页
针对车辆轨迹跟踪过程中实时迭代求解隐式模型预测控制(model predictive control,MPC)计算效率低且实时性较差以及显式MPC受限于预计算的问题,文章提出基于长短期记忆(long short-term memory,LSTM)神经网络并结合MPC与线性二次型调节... 针对车辆轨迹跟踪过程中实时迭代求解隐式模型预测控制(model predictive control,MPC)计算效率低且实时性较差以及显式MPC受限于预计算的问题,文章提出基于长短期记忆(long short-term memory,LSTM)神经网络并结合MPC与线性二次型调节器(linear quadratic regulator,LQR)的混合控制策略。通过设置控制器的动态切换条件,在低速或状态误差较小时,采用LQR进行反馈控制,以快速响应并降低计算成本;在高速或状态误差较大时,采用MPC控制提供高精度轨迹跟踪,同时利用LSTM神经网络在线学习MPC控制行为,逐步逼近其控制效果,当LSTM学习误差满足阈值后,系统切换至LSTM结合LQR控制模式,LSTM生成基础控制信号,而LQR负责实时反馈调整以补偿动态环境中的扰动或误差。仿真实验结果表明,该混合控制策略在提高跟踪控制精度的同时能显著提升计算效率。 展开更多
关键词 长短期记忆(lstm)神经网络 模型预测控制(MPC) 线性二次型调节器(LQR) 动态切换机制 轨迹跟踪控制
在线阅读 下载PDF
基于HPO-LSTM网络的锂电池健康状态估计
17
作者 王庭华 鄢博 +1 位作者 吴静云 何大瑞 《电源学报》 北大核心 2026年第1期225-232,共8页
电池健康状态SOH(state-of-health)是评价电池性能的重要指标。针对电池健康状态难以准确估算的问题,提出猎人猎物优化HPO(hunter-prey optimizer)算法和长短期记忆LSTM(long short-term memory)神经网络相结合的锂电池健康状态估计方... 电池健康状态SOH(state-of-health)是评价电池性能的重要指标。针对电池健康状态难以准确估算的问题,提出猎人猎物优化HPO(hunter-prey optimizer)算法和长短期记忆LSTM(long short-term memory)神经网络相结合的锂电池健康状态估计方法。通过分析电流、温度对容量增量IC(incremental capacity)曲线的影响,引入IC曲线中最高峰的峰值及其对应的电压、温度、电流作为模型输入,利用HPO算法对LSTM网络进行动态调参,最后采用储能环境下削峰填谷工况的电池充放电数据进行实验验证。结果表明:基于HPO-LSTM网络的锂电池健康状态估计方法相较传统的LSTM网络方法具有更高的估算精度,在不同网络训练量下具有较好的鲁棒性。 展开更多
关键词 锂电池 健康状态 容量增量曲线 猎人猎物优化算法 长短期记忆神经网络
在线阅读 下载PDF
一种基于CNN-LSTM深度神经网络的智能发动机模型设计方法
18
作者 高志斌 黎雯洋 车鑫 《计算机时代》 2026年第2期57-60,65,共5页
本文提出一种基于CNN-LSTM融合模型的航空发动机智能模型设计方法。该方法有效结合卷积神经网络(CNN)强大的空间特征提取能力与长短期记忆网络(LSTM)卓越的时序建模能力,为处理航空发动机运行过程中产生的多维时间序列预测问题提供了高... 本文提出一种基于CNN-LSTM融合模型的航空发动机智能模型设计方法。该方法有效结合卷积神经网络(CNN)强大的空间特征提取能力与长短期记忆网络(LSTM)卓越的时序建模能力,为处理航空发动机运行过程中产生的多维时间序列预测问题提供了高效解决方案。通过合理设置多输入特征与多输出目标,并在经过预处理的数据集上进行实验验证,本文结果表明,相较于传统的航空发动机模型设计方法,本方法不仅能显著缩短模型设计周期,且所构建模型的模拟精度大幅超越传统方法,在动态误差与稳态误差控制方面均展现出显著优势。 展开更多
关键词 智能模型设计方法 卷积神经网络(CNN) 长短期记忆网络(lstm) 时间序列预测
在线阅读 下载PDF
基于多尺度CNN和残差LSTM网络的储能电站SOC估计
19
作者 黄晓凡 李佳瑞 +3 位作者 秦玉文 汤效平 王彤 王兹尧 《电源学报》 北大核心 2026年第1期233-241,共9页
随着储能电站在新型电力系统中的大范围应用,提高锂离子电池荷电状态SOC(state-of-charge)预测精度对提升储能电站乃至电力系统安全稳定具有重大意义。提出1种结合多尺度卷积神经网络CNN(convo-lutional neural network)和残差长短期记... 随着储能电站在新型电力系统中的大范围应用,提高锂离子电池荷电状态SOC(state-of-charge)预测精度对提升储能电站乃至电力系统安全稳定具有重大意义。提出1种结合多尺度卷积神经网络CNN(convo-lutional neural network)和残差长短期记忆LSTM(long short-term memory)网络的电池SOC预测方法,首先利用多尺度CNN自动提取传感器数据中的不同类型特征,然后将特征输入LSTM网络挖掘时间维度的关联性,同时在LSTM网络两端加入残差连接以避免模型过拟合。在储能系统实测数据上的对比实验表明,所提出的模型在各指标下均取得了最好的预测结果,特别是在电池处于复杂工作情况时更能提取关键特征,从而表现出更优秀的预测性能。 展开更多
关键词 锂离子电池 荷电状态 多尺度卷积网络 长短期记忆网络 残差连接 深度学习
在线阅读 下载PDF
基于GWO-LSTM的边坡多因素变形预测
20
作者 于良 胡庆 《山西建筑》 2026年第6期90-94,共5页
针对深基坑变形预测的复杂性,为解决传统模型难以精确刻画多因素耦合影响的非线性动力系统的问题,文中从超参数自动优化方面,提出了融合灰狼优化算法(GWO)与长短期记忆神经网络(LSTM)的智能预测模型(GWO-LSTM)。进行了利用GWO全局搜索... 针对深基坑变形预测的复杂性,为解决传统模型难以精确刻画多因素耦合影响的非线性动力系统的问题,文中从超参数自动优化方面,提出了融合灰狼优化算法(GWO)与长短期记忆神经网络(LSTM)的智能预测模型(GWO-LSTM)。进行了利用GWO全局搜索能力优化LSTM超参数的研究,并以北京积水潭医院回龙观院区基坑工程为案例进行验证。结果表明,GWO在10次迭代内快速收敛,均方根误差降至0.002 5,达到了最小化预测误差的效果,解决了人工调参效率低和泛化能力不足的问题。GWO-LSTM预测值较单一LSTM更贴近真实值,在多指标上全面优于对比模型,证实了GWO-LSTM能显著提升预测精度与鲁棒性。 展开更多
关键词 深基坑变形预测 长短期记忆神经网络 灰狼优化算法 超参数优化
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 … 90 下一页 到第 页
使用帮助 返回顶部