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251篇文章
< 1 2 … 13 >
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TCN-Informer的长短期多变量时间序列预测
1
作者 李德权 江涛 《科学技术与工程》 北大核心 2026年第4期1549-1557,共9页
为了解决时间序列预测长期和短期依赖关系的难题,同时捕捉长期趋势和短期动态,并对多变量时间序列中变量间复杂的相互依赖关系进行建模,提出了一种基于时间卷积网络(temporal convolutional network,TCN)的预测方法。首先,采用TCN来有... 为了解决时间序列预测长期和短期依赖关系的难题,同时捕捉长期趋势和短期动态,并对多变量时间序列中变量间复杂的相互依赖关系进行建模,提出了一种基于时间卷积网络(temporal convolutional network,TCN)的预测方法。首先,采用TCN来有效捕捉序列变量在时间尺度上的特征,同时将压缩-激励模块(squeeze-and-excitation block,SE_Block)应用于TCN的输出。该模块通过增强多变量的表示,有效解决短期依赖性问题,并提高模型捕捉关键短期信息的能力。其次,引入Informer模型来增强长期序列处理能力,不仅有效解决了长期序列预测中的计算效率问题,还增强了模型对全局时间依赖关系的建模能力。最后,在设备状态监测(ETTm1)、交通流量(Traffic)和电力负荷(Electricity)三个数据集上将所提方法与现有的时间序列模型进行实验验证并比较。结果表明:所提出的方法在长期和短期时间序列预测中的误差率较低,能够有效提高多变量时间序列中长期和短期预测性能。 展开更多
关键词 长短期时间序列 多变量时间序列 INFORMER 时间卷积网络(tcn) 特征提取
在线阅读 下载PDF
基于二次分解和TSO-TCN的分时电量预测
2
作者 王永利 李一鸣 +5 位作者 延子昕 白雪峰 詹祥澎 田传波 杜苁聪 周颖 《科学技术与工程》 北大核心 2026年第4期1509-1517,共9页
分时电量是具有趋势性特征、季节性特征以及随机性特征的非平稳序列,使用传统方法进行预测会造成较大的误差。为提高复杂特征下分时电量的预测精度,提出了一种基于二次分解和金枪鱼群优化算法-时域卷积网络(tuna swarm optimization-tem... 分时电量是具有趋势性特征、季节性特征以及随机性特征的非平稳序列,使用传统方法进行预测会造成较大的误差。为提高复杂特征下分时电量的预测精度,提出了一种基于二次分解和金枪鱼群优化算法-时域卷积网络(tuna swarm optimization-temporal convolutional network,TSO-TCN)的电量预测模型。首先,使用变分非线性调频模态分解(variational nonlinear chirp mode decomposition,VNCMD)对原始电量数据进行分解,基于相关性分析与改进小波阈值法进行去噪处理,将去噪后数据进行辛几何模态分解(symplectic geometry mode decomposition,SGMD)得到分量序列;其次,采取K-均值聚类对分量序列进行合并,对聚类后的分量序列分别建立TSO-TCN预测模型进行预测;最后累加求和,确定最终预测结果。实验结果表明,所提出方法预测精度良好,为传统的分解-集成预测方法提供了新的思路。 展开更多
关键词 特征提取 聚类分析 变分非线性调频模态分解(VNCMD) 辛几何模态分解(SGMD) 时域卷积网络(tcn)
在线阅读 下载PDF
基于TCN-MDN和概率潮流的电力系统灵活性量化分析方法
3
作者 高天宇 徐天奇 李琰 《现代电子技术》 北大核心 2026年第2期133-141,共9页
高比例可再生能源的接入使电力系统的潮流具有波动性和随机性,也为电力系统的灵活运行带来了挑战。为了应对挑战,首要策略是建立一种灵活性量化和分析方法,用来表征灵活性资源供需平衡与系统运行之间的关系,为此,提出一种基于神经网络... 高比例可再生能源的接入使电力系统的潮流具有波动性和随机性,也为电力系统的灵活运行带来了挑战。为了应对挑战,首要策略是建立一种灵活性量化和分析方法,用来表征灵活性资源供需平衡与系统运行之间的关系,为此,提出一种基于神经网络和概率潮流的电力系统灵活性量化和分析方法。首先,构建神经网络对可再生能源的出力进行多时间尺度的概率预测;其次,引入考虑静态特性的潮流模型,通过系统频率来反映电力系统有功灵活性的供需平衡;然后,改进半不变量法,结合Gram-Charlier级数展开得到系统频率和线路潮流的概率密度函数,以此量化电力系统灵活性;最后,基于修改后的IEEE-30节点系统,通过与蒙特卡洛法对比来验证所提方法的准确性。实验结果表明,所提方法能够在概率框架下量化电力系统的灵活性,具有较高的运算精度和较快的速度。 展开更多
关键词 时序混合密度网络 tcn 概率预测 线性潮流模型 半不变量法 灵活性量化 Gram-Charlier级数
在线阅读 下载PDF
基于TCN-LSTM模型的深基坑变形预测研究
4
作者 叶剑锋 《广州建筑》 2026年第1期72-77,共6页
由于深基坑变形发展趋势受复杂地质条件及动态施工环境影响,为保障基坑安全而对深基坑变形开展精准预测,是亟待突破的工程难题。为实现高精度与强鲁棒性的变形预测,该研究提出一种融合时序卷积网络(TCN)与长短期记忆网络(LSTM)的混合深... 由于深基坑变形发展趋势受复杂地质条件及动态施工环境影响,为保障基坑安全而对深基坑变形开展精准预测,是亟待突破的工程难题。为实现高精度与强鲁棒性的变形预测,该研究提出一种融合时序卷积网络(TCN)与长短期记忆网络(LSTM)的混合深度学习模型(TCN-LSTM)。该模型通过TCN中的扩张因果卷积操作提取多尺度时序特征,并利用LSTM的门控机制建模长期依赖与非线性的动态演化过程。TCN与LSTM的跨模态集成有效增强了模型的特征表达与泛化能力。基于广州某医院深基坑工程的实测数据开展对比实验,结果表明:所提出的TCN-LSTM模型在拟合优度(R^(2))、均方误差(MSE)与平均绝对误差(MAE)三项指标上均显著优于传统RNN、LSTM及CNNLSTM模型,其R^(2)分别提升97.43%、80.59%及11.38%,MSE分别降低33.01%、23.66%与10.13%,MAE分别降低57.81%、49.00%与35.46%,同时表现出优异的噪声鲁棒性。该研究为深基坑变形预测提供了一种可靠的解决方案,对工程风险的智能感知与主动防控具有重要理论价值与工程应用前景。 展开更多
关键词 深基坑 变形预测 时间卷积网络(tcn) 长短期记忆神经网络(LSTM) 混合深度学习模型(tcn-LSTM) 鲁棒性
在线阅读 下载PDF
基于VMD-TCN-BiLSTM-Attention的短期电力负荷预测 被引量：2
5
作者 刘义艳 李国良 代杰 《智慧电力》 北大核心 2025年第10期87-94,共8页
针对短期电力负荷数据具有非线性和波动性等特点而导致的预测精度不足问题,提出一种基于变分模态分解(VMD)、时间卷积网络(TCN)、双向长短期记忆网络(BiLSTM)与注意力机制(Attention)相结合的新型预测模型。首先,采用VMD方法将电力负荷... 针对短期电力负荷数据具有非线性和波动性等特点而导致的预测精度不足问题,提出一种基于变分模态分解(VMD)、时间卷积网络(TCN)、双向长短期记忆网络(BiLSTM)与注意力机制(Attention)相结合的新型预测模型。首先,采用VMD方法将电力负荷数据分解成多个不同频率的模态分量,利用TCN模型提取模态分量中的时序特征;其次,通过BiLSTM网络进一步挖掘序列依赖关系;最后,引入注意力机制对BiLSTM输出的特征进行加权处理。实验结果表明,所提模型与其他传统模型相比预测精度显著提升,在短期电力负荷预测中具有较高的应用价值。 展开更多
关键词 短期电力负荷 变分模态分解 时间卷积网络 双向长短期记忆网络 注意力机制
在线阅读 下载PDF
PAM结合TCN优化Transformer的光伏功率预测研究 被引量：1
6
作者 张红 李峰 +2 位作者 马彦宏 姬文宣 郑启鹏 《计算机工程》 北大核心 2025年第10期140-149,共10页
准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。... 准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷,提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。基于多种特征选择机制筛选输入特征,增强对光伏数据特征的表征能力;利用粗粒度构造模块和PAM优化Transformer编码器,在多尺度上捕获光伏功率的长期时间依赖特征;利用光伏功率日出日落效应约束机制和TCN优化Transformer解码器,增强光伏功率的短期变化特征,以更好地捕捉其短期变化模式。在澳大利亚Sanyo数据集上进行实验,结果表明,Solarformer能够有效提高光伏功率的预测精度,相比DLinear模型,其均方根误差(RMSE)、平均绝对误差(MAE)和对称平均绝对百分比误差(SMAPE)分别降低了约7.45%、6.99%和14.10%。 展开更多
关键词 光伏功率预测 Transformer模型 金字塔注意力模块 约束机制 时间卷积网络
在线阅读 下载PDF
基于KOA-TCN-LSTM检测算法的STBC-OOFDMIM系统
7
作者 王惠琴 张红彦 +1 位作者 王真 唐崎涵 《华中科技大学学报(自然科学版)》 北大核心 2025年第9期176-185,共10页
针对光正交频分复用索引调制(OOFDM-IM)系统在激活子载波较多时存在误码性能不理想的问题,提出了一种基于空时分组编码(STBC)的STBC-OOFDM-IM方案.该方案通过空间分集技术将信息符号在多个发射天线间进行正交编码,结合索引调制的频谱效... 针对光正交频分复用索引调制(OOFDM-IM)系统在激活子载波较多时存在误码性能不理想的问题,提出了一种基于空时分组编码(STBC)的STBC-OOFDM-IM方案.该方案通过空间分集技术将信息符号在多个发射天线间进行正交编码,结合索引调制的频谱效率优势,实现了空频联合分集增益.理论分析表明:编码后系统在保持传输速率不变的同时,可获得显著的误码性能改善.进一步提出了基于开普勒优化的级联型时间卷积网络与长短期记忆网络(KOA-TCN-LSTM)检测算法.该算法将TCN的局部时序特征提取能力与LSTM的长期依赖建模能力相结合,通过端到端学习直接建立接收信号到发射信号的映射关系.此外,引入KOA优化算法对网络超参数进行全局寻优,有效解决了传统梯度下降易陷入局部最优的问题.仿真结果表明:在弱湍流条件下,当误码率为1×10^(-4)时,(2,1,2)系统的信噪比在编码后改善了约3.8 dB.所提检测算法在获得近似最大似然性能的同时,计算复杂度和时间开销有效降低,这为大气激光通信系统的实用化提供了有效的技术途径. 展开更多
关键词 无线光通信 光正交频分复用索引调制(OOFDM-IM) 正交空时编码 tcn-LSTM网络 开普勒优化算法(KOA)
原文传递
基于非负矩阵分解的EEG-TCNet运动想象分类
8
作者 张学军 石宝明 《数据采集与处理》 北大核心 2025年第5期1361-1370,共10页
针对深度学习进行脑电信号(Electroencephalogram,EEG)的运动想象分类时,未利用通道特征研究通道之间相关性,以及没有充分发掘频率、时间和空间信息等问题,提出了一种基于非负矩阵分解(Nonnegative matrix factorization,NMF)的时间卷... 针对深度学习进行脑电信号(Electroencephalogram,EEG)的运动想象分类时,未利用通道特征研究通道之间相关性,以及没有充分发掘频率、时间和空间信息等问题,提出了一种基于非负矩阵分解(Nonnegative matrix factorization,NMF)的时间卷积网络(Temporal convolutional network,TCN)与紧凑型卷积神经网络EEGNet相结合的分类方法,记为NTEEGNet,以相对少量的参数来提高运动想象分类的性能。模型的NMF能更好地提取通道特征,且充分地利用了频率、时间和空间等信息;同时,在TCN的作用下,网络的感受野呈指数级增加,从而能在较少的参数下具有更强的特征提取能力。在BCI Competition Ⅳ 2a数据集上的实验结果表明,NTEEGNet的分类准确率达到83.99%,在EEG-TCNet的基础上提升了6.64%。 展开更多
关键词 运动想象 深度学习 卷积神经网络 非负矩阵分解 时间卷积网络
在线阅读 下载PDF
基于CEEMDAN-SA-TCN的原油期货价格预测
9
作者 潘少伟 杨帆 赵超越 《天然气与石油》 2025年第3期147-154,共8页
原油期货价格预测对原油开采规划具有重大意义,准确的原油期货价格预测可以实现资源的优化配置和风险的适当规避。在时间卷积网络(Temporal Convolutional Network,TCN)的基础上,利用自适应噪声的完备集合经验模态分解(Complete Ensembl... 原油期货价格预测对原油开采规划具有重大意义,准确的原油期货价格预测可以实现资源的优化配置和风险的适当规避。在时间卷积网络(Temporal Convolutional Network,TCN)的基础上,利用自适应噪声的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)进行原油期货价格数据的特征分解,采用主成分分析(Principal Component Analysis,PCA)对特征分解后的数据进行降维处理,引入自注意力机制(Self-attention,SA)对降维后的数据特征进行注意力分配。结合CEEMDAN、PCA和SA的TCN简记为CEEMDAN-SA-TCN。基于美国西德克萨斯中质原油(West Texas Intermediate,WTI)原油期货价格数据集,利用CEEMDAN-SA-TCN构建原油期货价格预测模型并进行测试。测试结果表明,与线性回归(Linear Regression,LR)、支持向量回归(Support Vector Regression,SVR)、反向传播神经网络(Back Propagation Neural Network,BPNN)、Transformer、Informer、TCN、SA-TCN和CEEMDAN-TCN相比,CEEMDAN-SA-TCN对原油期货价格预测具有更高的准确率,产生的平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)的平均值分别为1.642、2.098和1.670。CEEMDAN-SA-TCN可应用于原油期货价格预测中,为原油期货市场的分析与决策提供有力支持。 展开更多
关键词 原油期货价格 时间卷积网络 经验模态分解 自注意力机制
在线阅读 下载PDF
一种基于Attention-TCN-GRU的船舶轨迹预测模型 被引量：2
10
作者 郑元洲 黄海超 +3 位作者 钱龙 曹婧欣 侯文波 李鑫 《武汉理工大学学报(交通科学与工程版)》 2025年第2期439-447,共9页
本文提出了一种串行Attention-TCN-GRU的轨迹预测模型.通过数据清洗和异常值处理等过程筛选出有效AIS数据,并采用三次样条插值算法补全船舶轨迹缺失值,有效提高数据的可用性.该模型将时间卷积神经网络(TCN)强大的时序数据特征提取能力... 本文提出了一种串行Attention-TCN-GRU的轨迹预测模型.通过数据清洗和异常值处理等过程筛选出有效AIS数据,并采用三次样条插值算法补全船舶轨迹缺失值,有效提高数据的可用性.该模型将时间卷积神经网络(TCN)强大的时序数据特征提取能力与门控循环网络(GRU)相结合,通过串行结构设计,有效提高了船舶航行信息的处理能力.同时针对内河船舶在桥区水域及大角度弯曲航道的航行特点,将注意力机制引入预测模型,实现了较高精确度的航迹数据特征提取和趋势预测.本文开展了基于AIS数据的多工况轨迹预测实验,结果表明:Attention-TCN-GRU对内河复杂水域船舶航迹预测精确度明显优于传统神经网络. 展开更多
关键词 船舶轨迹预测 AIS数据 时间卷积神经网络 注意力机制 Attention-tcn-GRU
在线阅读 下载PDF
基于多头注意力机制的TCN-BiGRU密度测井曲线重构方法 被引量：2
11
作者 王欢欢 赵彬 +3 位作者 刘建新 陶良清 高楚桥 廖文龙 《地球物理学进展》 北大核心 2025年第2期592-604,共13页
在测井过程中,受仪器故障、井壁坍塌等因素的影响,部分井段密度曲线常常出现失真或缺失,导致储层评价存在误差.为了提高储层评价的准确性,重构密度曲线显得尤为重要.鉴于传统的机器学习曲线重构方法难以满足精度要求,本文提出了一种融... 在测井过程中,受仪器故障、井壁坍塌等因素的影响,部分井段密度曲线常常出现失真或缺失,导致储层评价存在误差.为了提高储层评价的准确性,重构密度曲线显得尤为重要.鉴于传统的机器学习曲线重构方法难以满足精度要求,本文提出了一种融合时间卷积网络(TCN)、双向门控循环单元(BiGRU)和多头注意力机制(MHA)的密度曲线重构方法.该方法通过TCN的卷积特性捕捉测井数据的长期依赖关系,同时引入多头注意力机制增强BiGRU对重要特征的选择能力,实现精准的密度曲线重构.将该方法应用于研究区实测数据进行重构实验,首先验证了加入地层岩性指标对模型重构能力的影响,然后对比分析了本文网络与Gardner公式、多元拟合、门控循环单元、双向门控循环单元的重构结果,最后通过岩心标定验证本文网络的泛化性.结果表明,本文提出的密度曲线重构方法具有更高的精度,并表现出良好的泛化性. 展开更多
关键词 密度测井曲线重构 多头注意力机制 时间卷积网络 双向门控循环单元 物理约束
原文传递
基于CBAM-STCN的齿轮箱故障智能诊断方法 被引量：1
12
作者 万志国 王治国 +1 位作者 赵伟 窦益华 《科学技术与工程》 北大核心 2025年第9期3760-3768,共9页
针对齿轮箱在多种工况下故障特征存在差异,故障诊断易受噪声干扰,导致故障诊断模型泛化性差和识别准确率低的问题,提出一种端到端的具有混合注意力机制和软阈值化特点的时间卷积神经网络(convolutional block attention module-sparse t... 针对齿轮箱在多种工况下故障特征存在差异,故障诊断易受噪声干扰,导致故障诊断模型泛化性差和识别准确率低的问题,提出一种端到端的具有混合注意力机制和软阈值化特点的时间卷积神经网络(convolutional block attention module-sparse temporal convolutional network with soft thresholding,CBAM-STCN)齿轮箱故障诊断模型识别分类方法。首先,利用希尔伯特变换将齿轮故障振动信号转换为包络谱信号;然后,将其输入CBAM-STCN故障诊断模型中;该模型嵌入的混合注意力机制模块(convolutional block attention module,CBAM),能够自适应学习通道和空间注意力的权重,提取与故障特征相关的敏感信息;嵌入的软阈值函数能够最小化模型输出和原输入之间的差异;最后,利用所提出的方法对两种工况、不同类型的齿轮故障进行识别分类。结果表明:CBAM-STCN故障诊断模型对齿轮故障智能诊断的平均准确率为98.95%。该方法对于齿轮箱故障的智能诊断具有一定的参考价值。 展开更多
关键词 齿轮箱 故障智能诊断 混合注意力机制 软阈值化 时间卷积神经网络
在线阅读 下载PDF
基于TCN和AUKF联合迭代的PEMFC寿命融合预测方法 被引量：4
13
作者 赵波 张领先 +3 位作者 章雷其 陈哲 刘相万 谢长君 《中国电机工程学报》 北大核心 2025年第9期3609-3623,I0029,共16页
针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的剩余使用寿命预测问题,该文提出一种基于时序卷积神经网络(temporal convolutional network,TCN)和自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)... 针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的剩余使用寿命预测问题,该文提出一种基于时序卷积神经网络(temporal convolutional network,TCN)和自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)联合迭代的融合预测方法。该方法首先利用TCN进行短期预测,并用贝叶斯算法计算融合权重。然后利用离散小波变换将老化数据分解为波动趋势和老化趋势,基于TCN长期迭代预测波动趋势,基于TCN和AUKF联合迭代长期预测老化趋势,并将两种趋势叠加得到长期预测结果。最后利用融合权重将多个单体PEMFC的长期预测结果相融合。基于2种工况下5个单体电池的数据验证,短期预测结果表明TCN具有高预测精度,长期预测结果表明融合过程降低了PEMFC单体间老化程度不均衡的影响,提高电堆整体寿命预测的稳定性。 展开更多
关键词 质子交换膜燃料电池 剩余使用寿命 时序卷积网络 联合迭代 融合权重
原文传递
融合多尺度TCN与动态注意力的电池容量预测 被引量：1
14
作者 黄强 陈一童 +1 位作者 王备 姚沐妧 《电池》 北大核心 2025年第5期1034-1041,共8页
剩余容量的准确预测,对提升锂离子电池使用效率和延长寿命十分重要。传统的时序卷积注意力网络(TCN-Attention)模型,仅使用固定的单一时间窗口卷积核与权重固定的全局注意力机制,未针对时间序列中的关键时段进行重点关注,容易丢失对不... 剩余容量的准确预测,对提升锂离子电池使用效率和延长寿命十分重要。传统的时序卷积注意力网络(TCN-Attention)模型,仅使用固定的单一时间窗口卷积核与权重固定的全局注意力机制,未针对时间序列中的关键时段进行重点关注,容易丢失对不同时间跨度特征的捕捉能力。基于这一问题,提出一种融合多尺度时间卷积网络与动态注意力机制的改进模型,并通过跳跃残差连接进一步优化网络结构,增强模型对短期和长期特征的综合提取能力,提高了预测的准确性。实验结果表明,该模型在锂离子电池剩余容量预测任务中的均方误差(MSE)和均方根误差(RMSE)与TCN-Attention相比,分别降低了50.0%和25.9%,达到了0.0005和0.0232。 展开更多
关键词 多尺度时序卷积网络(tcn) 动态注意力机制 卷积神经网络 残差网络 卷积层结构优化 锂离子电池 容量预测
在线阅读 下载PDF
基于TCN-LSTM-Attention模型的TBM掘进速度预测
15
作者 李磊 侍克斌 +3 位作者 毛启勇 张建明 姜海波 严新军 《人民长江》 北大核心 2025年第11期213-223,共11页
为了更准确地预测隧道掘进机(TBM)的掘进速度(PR),在分析常见机器学习模型优劣的基础上,提出了一种基于时空特征提取的TCN-LSTM-Attention模型。首先利用孤立森林(IF)和集合经验模态分解(EEMD)对TBM掘进的原始数据进行预处理,剔除异常... 为了更准确地预测隧道掘进机(TBM)的掘进速度(PR),在分析常见机器学习模型优劣的基础上,提出了一种基于时空特征提取的TCN-LSTM-Attention模型。首先利用孤立森林(IF)和集合经验模态分解(EEMD)对TBM掘进的原始数据进行预处理,剔除异常值并消除高频噪声;其次使用时序卷积神经网络(TCN)提取空间特征,再利用长短期记忆网络(LSTM)提取时间特征;最后通过注意力机制(Attention)对时空特征进行加权,实现非线性关系的精准拟合。实例应用表明:(1)与未经处理的数据相比,经过IF和EEMD预处理后,模型预测性能显著提升,在Ⅱ、Ⅲ_(a)、Ⅲ_(b)、Ⅳ、Ⅴ级围岩中,其决定系数(R^(2))分别提高了47.69%,43.77%,42.79%,42.25%和36.88%;(2)所提出的模型在各级围岩上的预测精度均优于RF、SVR和LSTM等模型,并且注意力机制能有效提升模型性能;(3)注意力权重分析显示,时空上相近的历史信息对未来信息的预测具有更大的影响;(4)在各级围岩组合的数据集中,该模型同样取得了较好的表现,均方误差(MSE)为3.743 3 (mm/min)^(2),R^(2)为96.22%。 展开更多
关键词 TBM掘进速度 时空特征 时序卷积神经网络 长短期记忆网络 注意力机制 隧洞
在线阅读 下载PDF
基于轻量化三维时域卷积网络(3D-TCN)的气象雷达雷暴预测方法
16
作者 陆恩绩 汪玲 +1 位作者 朱岱寅 周晔 《系统工程与电子技术》 北大核心 2025年第12期4084-4092,共9页
针对现有大多数基于循环神经网络的雷暴预测模型普遍存在梯度爆炸、长时依赖关系捕捉能力薄弱以及因无法并行计算导致的效率低下等问题,提出三维时域卷积神经网络(three-dimensional time-domain convolutional neural network,3D-TCN)... 针对现有大多数基于循环神经网络的雷暴预测模型普遍存在梯度爆炸、长时依赖关系捕捉能力薄弱以及因无法并行计算导致的效率低下等问题,提出三维时域卷积神经网络(three-dimensional time-domain convolutional neural network,3D-TCN)用于气象雷达雷暴预测。在TCN核心的残差块中引入三维卷积操作,从雷达图像中提取时空特征,实现最长1 h的精准预测。基于数据集对3D-TCN模型的雷暴演变预测性能进行验证,并与时空记忆解耦的空时长短时记忆(spationtemporal long short-term memory,ST-LSTM)网络、记忆增强网络及传统交叉相关算法展开对比。实验结果表明,3D-TCN模型在临界成功指数等评价指标上表现更优,且凭借轻量化结构大幅缩短训练时间。与时空记忆解耦的ST-LSTM网络相比,其临界成功指数平均提升0.037,最高提升幅度接近0.13,训练时间则从4~6 min缩短至1 min以内,验证了所提方法的有效性。 展开更多
关键词 时序卷积网络 气象雷达 雷暴预测 深度学习
在线阅读 下载PDF
基于改进GRU-TCN的磨煤机故障诊断算法 被引量：2
17
作者 马记 许伟强 +3 位作者 王荣昌 徐良友 陈世彪 胡勇 《计算机测量与控制》 2025年第4期17-23,122,共8页
磨煤机系统的监测与诊断对电厂的安全运行至关重要;由于真实故障数据的稀缺性以及故障与正常数据之间的不平衡,传统数据驱动的故障诊断方法在故障识别上表现不佳,有时甚至会产生误判;为了高效地识别磨煤机在不同工况下的典型故障,设计... 磨煤机系统的监测与诊断对电厂的安全运行至关重要;由于真实故障数据的稀缺性以及故障与正常数据之间的不平衡,传统数据驱动的故障诊断方法在故障识别上表现不佳,有时甚至会产生误判;为了高效地识别磨煤机在不同工况下的典型故障,设计了一种结合了卷积块注意力模块的GRU-TCN融合算法,用于建立磨的故障识别模型,新算法不仅能提升分类准确性,还能实现故障的提前预警;首先,通过调整磨煤机故障生成模型的关键参数,模拟断煤、堵煤和自燃3种典型故障,获取大量不同工况下的故障样本数据;然后,采用新分类算法建立基于典型样本的故障预警模型,旨在提高故障识别的准确性,在故障初期提醒操作人员进行干预,从而避免磨煤机故障进一步扩大。 展开更多
关键词 磨煤机故障诊断 典型故障样本 注意力机制 门控循环单元(GRU) 时间卷积网络(tcn)
在线阅读 下载PDF
信号分解与TCN-LSTM构建及在石化企业外排口水质预测中的应用
18
作者 刘浩宇 王晨 +5 位作者 倪元 张芳 刘丽 张敏特 彭明国 张文艺 《环境化学》 北大核心 2025年第12期4809-4818,共10页
大型沿江石化企业外排水总排口为厂区内多种废水共用排口,污水来源复杂且现有在线监测设备存在严重滞后性,若化工装置泄漏引发水质突变,难以实时捕捉,精准预测是解决方法之一.为此本研究构建基于信号分解和神经网络的水质预测模型:首先... 大型沿江石化企业外排水总排口为厂区内多种废水共用排口,污水来源复杂且现有在线监测设备存在严重滞后性,若化工装置泄漏引发水质突变,难以实时捕捉,精准预测是解决方法之一.为此本研究构建基于信号分解和神经网络的水质预测模型:首先对历史水质监测数据进行清洗,接着采用信号分解技术将其分解,再基于信号特征聚类模块得到高、中、低频子模态,最后构建模型预测各子模态并叠加重构为最终预测结果.以沿江某石化企业2021年7月1日至2023年4月1日外排口实测数据为训练样本,在测试集中耦合模型具有良好预测性,最终化学需氧量均方根误差(RMSE)为0.56 mg·L^(−1),氨氮RMSE为0.26 mg·L^(−1),总磷RMSE为0.023 mg·L^(−1).所采用的适应噪声完备集合经验模态分解技术(CEEMDAN)可有效提取原始水质序列特征,使TCN-LSTM模型预测误差降低76%,特征聚类模块通过K-means方法将各个本征模态函数(IMF)合理组合,极大降低模型结构复杂度和减少模型数量.时间卷积网络(TCN)与长短期记忆(LSTM)模型组合后相较于单独采用TCN、LSTM预测精度分别提升约30%、37%,较好适应高频分量的急剧波动性.以2023年4月1日—2024年7月1日实测数据验证了耦合模型具有良好泛化能力,COD、NH_(3)-N、TP预测结果RMSE分别为0.84、0.32、0.02 mg·L^(−1),可敏感捕捉指标异常偏离趋势,充分挖掘了外排口水质监测数据的内在规律.本研究为沿江石化企业外排口水环境风险防控提供决策参考,对于推动在线水质监测智能化意义重大. 展开更多
关键词 水质预测 沿江石化企业 时间卷积网络(tcn) 长短期记忆网络模型(LSTM) 数据清洗 信号分解 信号聚类
原文传递
基于CBDAE和TCN-Transformer的工业传感器时间序列预测
19
作者 许涛 南新元 +1 位作者 蔡鑫 赵濮 《南京信息工程大学学报》 北大核心 2025年第4期455-466,共12页
在真实的工业物联网环境中,传感器信号常受外界噪声干扰,难以获取纯净数据,这影响了基于数据驱动的时间序列预测任务的准确性.为此,基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder,CBDAE)和TCN-Transformer网络,... 在真实的工业物联网环境中,传感器信号常受外界噪声干扰,难以获取纯净数据,这影响了基于数据驱动的时间序列预测任务的准确性.为此,基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder,CBDAE)和TCN-Transformer网络,本文提出一种新型时间序列预测框架,称为MoCo-CBDAE-TCN-Transformer.该框架通过引入额外的动量编码器、动态队列和信息噪声对比估计正则化,增强了对时间序列数据动态特征的捕捉能力,并有效利用历史负样本信息.在无需噪声先验知识和传感器纯净数据的前提下,通过捕捉和对比时间相关性和噪声特征,实现传感器数据的盲去噪.去噪后的数据通过TCN-Transformer网络进行时间序列预测.TCN-Transformer网络结合残差连接和膨胀卷积的优势以及Transformer的注意力机制,显著提高了预测的准确性和效率.最后,在公开的四缸过程数据集上进行仿真验证,实验结果表明,与传统的去噪方法和时间序列预测模型相比,本文设计的模型能够获得更好的去噪效果和更高的预测精度,其实时处理能力适合部署在实际的工业环境中,为工业物联网中的数据处理和分析提供了一种有效的技术方案. 展开更多
关键词 去噪自编码器 动量编码器 动态队列 信息噪声对比估计 时间卷积网络 TRANSFORMER
在线阅读 下载PDF
基于多头注意力机制和TCN-BiLSTM的IGBT剩余寿命预测方法 被引量：3
20
作者 田源 高树国 +2 位作者 邢超 朱瑞敏 姜士哲 《电气工程学报》 北大核心 2025年第3期69-77,共9页
针对电力电子设备精准运维和半导体功率器件的态势感知需求,提出一种基于多头注意力机制(Multi-head attention mechanism,MA)和时域卷积网络(Temporal convolutional network,TCN)-双向长短时记忆(Bidirectional long short-term memor... 针对电力电子设备精准运维和半导体功率器件的态势感知需求,提出一种基于多头注意力机制(Multi-head attention mechanism,MA)和时域卷积网络(Temporal convolutional network,TCN)-双向长短时记忆(Bidirectional long short-term memory,BiLSTM)网络融合的IGBT剩余寿命预测方法。首先,基于IGBT封装模块老化机理的深入分析,设计并搭建加速老化试验平台,通过控制功率循环过程中的结温波动,施加电流加速IGBT模块的老化进程,采用高精度数据采集系统获取特征参量集-射极饱和压降Vce(sat)老化数据。其次,以TCN模型为基础,引入MA和BiLSTM神经网络构建预测模型,对IGBT劣化特征序列进行预测验证。结果表明,在相同条件下,所提模型相对于传统时序预测模型,在不显著增加模型复杂度和计算负担的情况下,具有更高的精度,充分验证了该模型在工程实践中应用于IGBT剩余寿命在线预测的可行性与高效性。 展开更多
关键词 IGBT 时域卷积网络 双向长短时记忆网络 多头注意力机制 老化预测
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 2 … 13 下一页 到第 页
使用帮助 返回顶部