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245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VMD-TCN-BiLSTM-Attention的短期电力负荷预测 被引量：1
1
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
基于KOA-TCN-LSTM检测算法的STBC-OOFDMIM系统
2
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
PAM结合TCN优化Transformer的光伏功率预测研究
3
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
基于非负矩阵分解的EEG-TCNet运动想象分类
4
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
5
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：1
6
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
7
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TCN和AUKF联合迭代的PEMFC寿命融合预测方法 被引量：2
8
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
基于TCN-LSTM-Attention模型的TBM掘进速度预测
9
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
基于改进GRU-TCN的磨煤机故障诊断算法 被引量：2
10
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
基于CBAM-STCN的齿轮箱故障智能诊断方法
11
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CBDAE和TCN-Transformer的工业传感器时间序列预测
12
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TCN-LSTM模型的页岩气产量预测
13
作者 史峥峥 李道伦 +1 位作者 付宁 张康 《合肥工业大学学报(自然科学版)》 北大核心 2025年第9期1259-1264,1275,共7页
准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-... 准确预测页岩气产量有助于提前规划生产计划、优化生产方案。现有研究在进行产量预测时,往往需要长时间的生产数据或大量特征数据,当生产时间较短或特征数据较少时,难以准确预测产量。为此,文章提出一种具有注意力机制的时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network,TCN-LSTM)模型。该模型使用3口井生产数据联合训练,其中TCN和LSTM模块分别提取局部和全局特征,然后用全连接网络融合;并使用注意力机制聚焦关键信息,从已有井生产数据中学习流动规律,提高了对初期数据匮乏的新井的预测精度。结果表明,多井联合预测模型在精度和趋势预测方面均优于单井预测模型,基于平均绝对误差(mean absolute error,MAE)评估指标的预测精度提高了约4倍,并且减少了对长周期数据和多特征的依赖,在油藏开发中具有重要意义。 展开更多
关键词 时间卷积网络(tcn) 长短期记忆网络(LSTM) 注意力机制 产量预测 多井
在线阅读 下载PDF
TCN-Transformer组合模型的锂电池SOC估计
14
作者 陈龙 魏勇 +3 位作者 马建新 于天剑 胡立鹏 唐进君 《重庆理工大学学报(自然科学)》 北大核心 2025年第11期241-247,共7页
锂电池荷电状态(SOC)的精确估计对电池管理系统至关重要,但其非线性、时变性和不可直接测量等特性使传统方法面临精度不足的挑战。为此,提出一种基于TCN-Transformer混合模型的高精度SOC估计方法,通过时序卷积网络(TCN)提取电池电压、... 锂电池荷电状态(SOC)的精确估计对电池管理系统至关重要,但其非线性、时变性和不可直接测量等特性使传统方法面临精度不足的挑战。为此,提出一种基于TCN-Transformer混合模型的高精度SOC估计方法,通过时序卷积网络(TCN)提取电池电压、电流及单体电池温度的局部时序特征,并结合Transformer的自注意力机制建模全局时间依赖性,构建多源输入数据和电池SOC之间非线性函数映射关系。基于车载锂离子电池数据集进行测试,实验结果表明:相较于LSTM、GRU、Transformer等模型,TCN-Transformer混合模型在MSE、SMAPE、RMSE和MAE四项评估指标上均表现最优;SMAPE较单一Transformer模型降低29.7%,RMSE和MAE分别较GRU模型下降18.3%和20.2%。实验结果验证了该模型的可行性。 展开更多
关键词 锂离子电池 SOC 时间卷积网络 Transformer模型
在线阅读 下载PDF
融合多尺度TCN与动态注意力的电池容量预测
15
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的USRP调制信号识别算法
16
作者 杨宵 姚爱琴 石喜玲 《数据采集与处理》 北大核心 2025年第6期1527-1537,共11页
针对自动调制识别(Automatic modulation recognition,AMR)中未充分利用原始信号时序信息、识别率低的问题,提出基于频域降噪和时序卷积网络(Temporal convolutional network,TCN)的信号模式识别算法。实验使用标准数据集RML2016.10a,... 针对自动调制识别(Automatic modulation recognition,AMR)中未充分利用原始信号时序信息、识别率低的问题,提出基于频域降噪和时序卷积网络(Temporal convolutional network,TCN)的信号模式识别算法。实验使用标准数据集RML2016.10a,引入频域去噪模块(Frequency domain denoising module,FDDM)有效抑制环境噪声,将信号的I/Q分量转换为A/P分量,并进行向量归一化处理提升稳定性。最后,将预处理后的信号输入TCN网络进行分类识别。结果表明,该算法在处理复杂调制方式时(如16 QAM和64 QAM),平均识别率高于循环门控单元(Gated recurrent unit,GRU)、长短期记忆网络(Long short‑term memory,LSTM)、经济高效的卷积神经网络(Memory‑cost‑efficient convolutional neural network,MCNet)、经济高效的混合神经网络(Cost‑efficient hybrid deep learning network,CGDNet)和去噪自动编码器(Denoising auto‑encoder,DAE)等模型。此外,通过通用软件无线电外设(Universal software radio peripheral,USRP)采集的实际I/Q数据验证,该算法在加性高斯白噪声(Additive white Gaussian noise,AWGN)信道下表现出良好的鲁棒性和应用潜力。 展开更多
关键词 自动调制识别 时序卷积网络 频域去噪模块 预处理
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：1
17
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
基于序列成分重组与时序自注意力机制改进TCN-BiLSTM的短期电力负荷预测
18
作者 易雅雯 娄素华 《电力系统及其自动化学报》 北大核心 2025年第4期78-87,共10页
针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始... 针对区域级电力负荷预测精度较低的问题,提出一种基于序列成分重组与时序自注意力机制改进时间卷积网络-双向长短期记忆网络(TCN-BiLSTM)的短期负荷预测方法。首先,通过中心频率法确定最佳初始分解数目,进而采用变分模态分解算法将原始负荷序列分解为多个不同频率的成分序列;其次,基于各成分序列的样本熵对多个成分序列进行K均值聚类,以获得最佳聚类数量的重组负荷序列分量;接着,将各重组分量输入所提出的负荷预测模型,获得各重组分量预测结果;最终,线性叠加各重组成分序列预测结果以获得最终负荷预测结果。算例分析表明,该方法与其他相关对比模型相比,预测均方根误差降低46.37%、模型拟合效果平均提升3.24%,表明该方法负荷预测精度高、模型拟合效果好,适用于区域级电力负荷预测。 展开更多
关键词 负荷预测 变分模态分解 样本熵 K均值聚类 时序自注意力机制 时间卷积网络 双向长短期记忆网络
在线阅读 下载PDF
基于时空注意力机制与融合TCN-Transformer的振动异常检测方法
19
作者 黄鋆 王呈 +1 位作者 夏源 杜林 《振动与冲击》 北大核心 2025年第23期180-188,200,共10页
传统异常检测方法因存在无法有效刻画时序数据的长短期特征、忽略传感器空间关联性,以及难以处理数据缺失等问题,导致检测精度无法满足工业设备异常检测需求。为此提出新型多变量时序异常检测模型(TCN-Transformer multi-scale time-ser... 传统异常检测方法因存在无法有效刻画时序数据的长短期特征、忽略传感器空间关联性,以及难以处理数据缺失等问题,导致检测精度无法满足工业设备异常检测需求。为此提出新型多变量时序异常检测模型(TCN-Transformer multi-scale time-series anomaly detection model,T2MS-TADM)。针对振动时序数据的复杂时空特性,基于图神经网络动态构建时空图,融合时间、差分与空间注意力层,刻画振动数据的长时趋势、短时波动与空间拓扑特征。进而,整合TCN的局部卷积特性捕捉短时波动异常,结合Transformer的全局注意力机制识别长时趋势异常,并采用末端特征拼接策略提升多尺度异常检测精度。针对网络波动等因素导致的时序数据缺失问题,提出可变长度掩码块生成方法。通过优化掩码策略动态模拟真实数据丢失场景,保护关键时序信息不被过度遮挡,增强模型的鲁棒性。试验结果表明,所提出的方法在火星科学实验室数据集、土壤湿度卫星数据集等四个基准数据集上展现出显著性能优势,其F_(1-score)指标平均达到0.934,相较现有主流算法平均提升4.75%。在自建的包含18个特征维度的大型行车振动异常检测数据集振动数据集上,该方法取得0.913的F_(1-score),验证了其在工业场景下的有效性,为工业设备异常检测提供可靠技术支撑。 展开更多
关键词 振动分析 多变量时间序列 异常检测 图注意力网络(GAT) 融合网络 时间卷积网络(tcn)
在线阅读 下载PDF
基于TCN模型的软件系统老化预测框架 被引量：1
20
作者 王艳超 姚江毅 +1 位作者 李雄伟 刘林云 《计算机应用与软件》 北大核心 2025年第5期25-29,61,共6页
随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架... 随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架。采集可用内存数据作为框架的输入,经TCN模型进行预测,通过检查预测输出的内存与实际内存的平均误差评价模型的效率。与ARIMA模型和RNN(LSTM)模型预测结果进行对比表明,TCN模型对时间序列平稳性要求低、适应性更强,不存在梯度爆炸或消失的问题,对采集的老化数据预测效果最好。 展开更多
关键词 软件老化 时域卷积网络 老化预测框架 预测误差 差分自回归滑动平均模型 长短时记忆模型
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