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50,024篇文章
< 1 2 … 250 >
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CNN-LSTM方法的液环泵非稳态流场预测分析
1
作者 张人会 唐玉 +1 位作者 郭广强 陈学炳 《农业机械学报》 北大核心 2026年第1期273-279,共7页
为实现对液环泵内非稳态气液两相流场的快速预测,提出了一种基于深度学习的非定常周期性流场预测方法,可以实现样本集之后未来一定时间段内流场的高精度快速预测。通过对液环泵非稳态CFD结果获取的各时间步上的流场快照建立流场数据集,... 为实现对液环泵内非稳态气液两相流场的快速预测,提出了一种基于深度学习的非定常周期性流场预测方法,可以实现样本集之后未来一定时间段内流场的高精度快速预测。通过对液环泵非稳态CFD结果获取的各时间步上的流场快照建立流场数据集,利用卷积神经网络(CNN)对流场快照进行特征提取,并结合长短期记忆神经网络(LSTM)构建时间序列神经网络预测模型,预测结果与CFD数值模拟结果进行对比,分析表明,CNN-LSTM模型能够实现对未来时刻非稳态流场的高精度预测;相态场、压力场、温度场的预测结果平均相对误差分别为1.37%、1.28%、1.78%;在利用LSTM预测壳体及进口压力脉动时,在样本集之后叶轮旋转360°时间上平均相对误差分别为1.61%、0.09%、0.20%。在样本空间外的预测集上,CNN-LSTM的预测性能优于本征正交分解(POD)方法,尽管在外延时间序列上的预测精度随时间增加逐渐下降,但在整个时间历程上保持了较好的预测精度,在预测内流场结果方面具有显著优势。 展开更多
关键词 液环泵 非稳态流场 卷积神经网络 长短期记忆神经网络
在线阅读 下载PDF
基于改进CNN-LSTM模型利用水下噪声估计海面风速
2
作者 刘雪枫 李琪 +2 位作者 唐锐 尚大晶 夏峙 《声学学报》 北大核心 2026年第1期287-297,共11页
提出一种将风成噪声特征与改进卷积神经网络-长短期记忆网络(CNN-LSTM)模型相结合估计海面风速的方法。首先,通过数据预处理计算噪声的能量谱级,以反映真实噪声强度变化;其次,利用能量谱级计算能量相关矩阵,找到风成噪声特征进行判断并... 提出一种将风成噪声特征与改进卷积神经网络-长短期记忆网络(CNN-LSTM)模型相结合估计海面风速的方法。首先,通过数据预处理计算噪声的能量谱级,以反映真实噪声强度变化;其次,利用能量谱级计算能量相关矩阵,找到风成噪声特征进行判断并作为特征向量输入;在此基础上,结合卷积神经网络获取特征以及长短期记忆网络学习时序信息的特点,建立了基于多特征的反演模型对风速进行估计。南海海上实验结果表明,所提模型风速估计的均方根误差小于0.3,与实际风速序列的相关系数高于0.97,吻合效果较好,各项评价指标均明显优于长短期记忆网络模型。 展开更多
关键词 海洋环境噪声 卷积神经网络 长短期记忆网格 风速估计
原文传递
融合CNN-LSTM的注意力机制化工安全参数预测模型
3
作者 何嘉明 闫姝 《化工管理》 2026年第1期105-109,共5页
化工过程参数具有动态时变特性、高度非线性和多重耦合特征,而现有预警方法存在单一模态建模局限性与动态响应滞后问题。针对上述问题,文章提出一种融合注意力机制的CNN-LSTM深度学习框架,通过卷积神经网络的动态特征提取能力与长短时... 化工过程参数具有动态时变特性、高度非线性和多重耦合特征,而现有预警方法存在单一模态建模局限性与动态响应滞后问题。针对上述问题,文章提出一种融合注意力机制的CNN-LSTM深度学习框架,通过卷积神经网络的动态特征提取能力与长短时记忆网络的时序关联建模优势,实现关键工艺参数的精准预测与超前预警。该模型结合卷积神经网络(CNN)的局部特征提取能力与长短期记忆网络(LSTM)的时序建模优势,并通过注意力机制强化关键时间步的特征权重。实验结果表明,与单一CNN、LSTM及传统融合模型相比,CNN-LSTM-Attention模型在RMSE、MAE等评价指标上均显著提升。该模型有效提高了工业过程参数预测的预测精度,为化工安全预警与设备维护提供了可靠的技术支持。 展开更多
关键词 卷积神经网络 长短期记忆神经网络 注意力机制 化工过程 温度预测 安全预警
在线阅读 下载PDF
基于多变量CNN-LSTM神经网络的白家包滑坡位移预测 被引量：1
4
作者 秦世伟 何浩 +3 位作者 谢攀 罗柏程 张彤 戴自立 《应用基础与工程科学学报》 北大核心 2025年第5期1239-1247,共9页
滑坡是一种常见的地质灾害,严重威胁着人民生命财产安全.为减少滑坡带来的损失,对滑坡体位移的精准预测显得尤为关键.结合CNN神经网络和LSTM神经网络,采用PCA数据降维和贝叶斯优化超参数,建立了基于CNN-LSTM组合的多变量神经网络模型用... 滑坡是一种常见的地质灾害,严重威胁着人民生命财产安全.为减少滑坡带来的损失,对滑坡体位移的精准预测显得尤为关键.结合CNN神经网络和LSTM神经网络,采用PCA数据降维和贝叶斯优化超参数,建立了基于CNN-LSTM组合的多变量神经网络模型用于预测滑坡位移.以白家包滑坡为例,基于2017~2019年的12组监测数据,构建了单变量CNN-LSTM、多变量LSTM、多变量CNN以及多变量CNN-LSTM的滑坡位移预测模型.对比各模型预测精度,结果显示:在衡量模型性能的关键指标MAE、RMSE、MAPE和R^(2)以及测试集模型预测值和真实值的拟合度方面,多变量CNN-LSTM模型的滑坡位移预测结果均展现出显著优势.因此,该模型可为滑坡体位移的准确预测,以及滑坡灾害的预警预报和防灾减灾工作提供科学依据. 展开更多
关键词 cnn-lstm神经网络 PCA数据降维 贝叶斯优化超参数 白家包滑坡 位移预测 多变量模型
原文传递
基于CNN-LSTM算法的电梯振动故障预测 被引量：1
5
作者 艾学忠 张玉龙 徐春博 《机电工程技术》 2025年第4期171-176,共6页
为了克服传统电梯故障检测系统在精度和动态范围上的不足,在硬件层面采取了将高性能STM32微控制器与MPU6050加速度计相结合的技术方案,目的是实现对电梯振动数据的高精度采集。在软件层面采用了卷积神经网络-长短期记忆网络(CNNLSTM)的... 为了克服传统电梯故障检测系统在精度和动态范围上的不足,在硬件层面采取了将高性能STM32微控制器与MPU6050加速度计相结合的技术方案,目的是实现对电梯振动数据的高精度采集。在软件层面采用了卷积神经网络-长短期记忆网络(CNNLSTM)的深度学习算法模型,对采集到的电梯振动数据信号进行深入分析,有效识别出与电梯故障相关的关键特征,并进行准确的预测分析。通过该智能分析系统,可以实时监控电梯的运行状态,并在上位机界面直观地展示预测结果。结果显示,该系统能够拟合电梯振动信号的整体波动趋势,在不排除外界人为干扰的情况下,预测结果能够达到83%,且预测集整体损失值为0.000 6。该系统能够很好的适应电梯运行环境,对电梯运行状态实时检测,而且能够提前识别出潜在的故障信息。 展开更多
关键词 电梯振动信号 故障预测 cnn-lstm算法
在线阅读 下载PDF
基于CNN-LSTM-Attention 组合模型的黄金周旅游客流预测——以大理州为例 被引量：2
6
作者 戢晓峰 郭雅诗 +2 位作者 陈方 黄志文 李武 《干旱区资源与环境》 北大核心 2025年第3期200-208,共9页
黄金周旅游客流预测一直是区域旅游管理的重大现实需求,能够为黄金周旅游组织提供更为精准的数据支持。文中基于百度迁徙数据和百度搜索指数数据,以卷积神经网络(CNN)、长短期记忆网络(LSTM)以及注意力机制(Attention)为基准,构建了CNN-... 黄金周旅游客流预测一直是区域旅游管理的重大现实需求,能够为黄金周旅游组织提供更为精准的数据支持。文中基于百度迁徙数据和百度搜索指数数据,以卷积神经网络(CNN)、长短期记忆网络(LSTM)以及注意力机制(Attention)为基准,构建了CNN-LSTM-Attention组合模型,对大理州黄金周日度旅游客流人数进行了预测,并基于SHAP算法进行了影响因素分析。结果显示:1)CNN-LSTM-Attention组合模型的预测精度优于RF模型、SVM模型、CNN模型、LSTM模型和CNN-LSTM模型。2)引入百度搜索指数特征后,模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)、决定系数(R^(2))表现最优,表明百度搜索指数的加入在一定程度上提升了模型的预测精度。文中所构模型为黄金周旅游客流预测提供了新思路。 展开更多
关键词 客流预测 黄金周 卷积神经网络(CNN) 长短期记忆网络(LSTM) 注意力机制
原文传递
基于表面肌电信号的CNN-LSTM模型下肢动作识别 被引量：2
7
作者 周智伟 陶庆 +3 位作者 苏娜 刘景轩 李博文 裴浩 《科学技术与工程》 北大核心 2025年第7期2841-2848,共8页
为了提高对下肢运动的分类准确度,提出了一种基于表面肌电信号(surface electromyography, sEMG)的卷积神经网络与长短期记忆网络融合识别模型(convolutional neural network and long short-term memory network, CNN-LSTM)。首先,采集... 为了提高对下肢运动的分类准确度,提出了一种基于表面肌电信号(surface electromyography, sEMG)的卷积神经网络与长短期记忆网络融合识别模型(convolutional neural network and long short-term memory network, CNN-LSTM)。首先,采集了20名受试者进行上楼、下楼、行走和蹲起4种步态动作的sEMG;接着,对采集到的sEMG数据进行预处理,并提取了两种时域和频域特征,用作机器学习识别模型的特征输入;最后,基于预处理后肌电信号数据,构建了CNN-LSTM的下肢动作识别模型,并与CNN、LSTM和支持向量机(support vector machine, SVM)模型的性能进行对比。结果显示,CNN-LSTM模型在下肢动作识别准确率上分别比CNN、LSTM和SVM模型高出2.16%、8.34%、和11.16%,证明了其优越的分类性能。研究结论为康复医疗器械与助力器械提供了一个有效的下肢运动功能改善方案。 展开更多
关键词 表面肌电信号 下肢动作识别 cnn-lstm 卷积神经网络 长短时记忆网络
在线阅读 下载PDF
融合时序知识图谱与CNN-LSTM的流程生产工艺质量预测 被引量：3
8
作者 阴彦磊 唐进 顾文娟 《计算机集成制造系统》 北大核心 2025年第10期3773-3784,共12页
针对流程生产工艺知识的强时序性和关联耦合特征,提出一种融合时序知识图谱与CNN-LSTM的工艺质量预测模型。首先利用知识嵌入技术提取多源异构数据、工艺标准、规范要求等知识图谱语义特征,根据实体和关系表示将复杂工艺标准建模为复合... 针对流程生产工艺知识的强时序性和关联耦合特征,提出一种融合时序知识图谱与CNN-LSTM的工艺质量预测模型。首先利用知识嵌入技术提取多源异构数据、工艺标准、规范要求等知识图谱语义特征,根据实体和关系表示将复杂工艺标准建模为复合的三元组间的隐含关联关系;在此基础上,将子图三元组集映射至低维向量空间以间接捕获语义,通过特征融合强化时序特征作为输入,构建基于注意力机制的组合神经网络模型以提取显著时序特征,最终实现面向流程生产工艺的质量预测。实验结果表明,基于时序知识图谱与CNN-LSTM的流程生产工艺质量预测方法精确率优于其他方法,验证了所提模型的有效性与高效性。 展开更多
关键词 知识图谱 TransH模型 特征融合 cnn-lstm神经网络 质量预测
在线阅读 下载PDF
基于STIRPAT和CNN-LSTM组合模型的福建省碳达峰预测 被引量：7
9
作者 连艳琼 苏墩煌 施生旭 《环境科学》 北大核心 2025年第1期10-18,共9页
碳达峰对中国实现“双碳”目标、推动经济社会绿色转型具有重要意义.基于改进的STIRPAT模型分析影响福建省碳排放的主要因素,设置3种情景方案,利用CNN-LSTM神经网络混合模型对福建省2022~2035年碳排放量进行预测.结果表明:①人口、人均... 碳达峰对中国实现“双碳”目标、推动经济社会绿色转型具有重要意义.基于改进的STIRPAT模型分析影响福建省碳排放的主要因素,设置3种情景方案,利用CNN-LSTM神经网络混合模型对福建省2022~2035年碳排放量进行预测.结果表明:①人口、人均GDP和产业结构对福建省碳排放有正向驱动作用,能源强度、能源结构和对外贸易度则起负向驱动作用;②基准情景下于2033年实现碳达峰,达峰值为361.1079 Mt,低碳情景和优化情景可以提早1 a达峰且达峰值均有不同程度下降,分别为333.0284 Mt和301.7483 Mt;③对比优化情景和低碳情景,调整产业和能源结构能够控制福建省碳峰值降低10.37%,加快推动能源和产业结构优化转型是解绑碳排放与经济发展之间束缚的关键所在.最后,结合福建省当前政策规划和发展现状,从能源减排、产业结构和制度体系等角度提出低碳发展建议. 展开更多
关键词 碳排放 碳达峰 STIRPAT模型 cnn-lstm模型 政策
原文传递
基于高光谱和CNN-LSTM的白菜叶片铜胁迫分析与分类模型研究 被引量：1
10
作者 封润泽 韩鑫 +3 位作者 兰玉彬 勾馨悦 王娟 白京波 《农业机械学报》 北大核心 2025年第6期477-486,共10页
为探究蔬菜在不同浓度重金属胁迫下的高光谱响应,本文采集10个浓度Cu^(2+)胁迫下的白菜叶片高光谱数据,提出一种基于高光谱和卷积长短期记忆神经网络(CNN-LSTM)的白菜叶片Cu^(2+)胁迫分类预测模型。首先采用S-G平滑、一阶微分进行光谱... 为探究蔬菜在不同浓度重金属胁迫下的高光谱响应,本文采集10个浓度Cu^(2+)胁迫下的白菜叶片高光谱数据,提出一种基于高光谱和卷积长短期记忆神经网络(CNN-LSTM)的白菜叶片Cu^(2+)胁迫分类预测模型。首先采用S-G平滑、一阶微分进行光谱数据预处理,其次采用竞争自适应重加权采样(Competitive adapative reweighted sampling,CARS)和非信息变量剔除(Uninformative variables elimination,UVE)提取10个公共特征波长。模型试验结果表明:采用UVE和CARS方法提取的两者共同波长作为CNN-LSTM模型的输入,测试集准确率为94.8%,精确率为93.1%,召回率为93.5%,分别比SVM、CNN和LSTM模型高8.7、5.7、6.4个百分点,6.6、4.7、5.9个百分点和10.1、5.2、3.9个百分点。采用ICP-700T型电感耦合等离子体发射光谱仪精确测量白菜叶片重金属含量对结果进行验证。采用UVE-CARS特征波长筛选后的CNN-LSTM分类预测模型用于白菜叶片无损分类监测效果最优,为蔬菜重金属的无损分类监测提供新方法。 展开更多
关键词 白菜叶片 铜胁迫分类 高光谱 特征波长 cnn-lstm
在线阅读 下载PDF
结合CNN-LSTM模型融合星地降水的洪水模拟研究 被引量：2
11
作者 岳甲寅 刘招 +3 位作者 毛钦男 管子隆 肖瑜 王丽霞 《中国农村水利水电》 北大核心 2025年第7期52-59,共8页
降水作为水文过程中最重要的驱动因子之一,其数据来源和准确度是影响洪水预报精度的关键因素。受水雨情监测系统不完善、流域范围较小等诸多因素影响,中小流域实测降水数据的精度较高,但分布不均,进而影响水文模型的模拟结果。为提高流... 降水作为水文过程中最重要的驱动因子之一,其数据来源和准确度是影响洪水预报精度的关键因素。受水雨情监测系统不完善、流域范围较小等诸多因素影响,中小流域实测降水数据的精度较高,但分布不均,进而影响水文模型的模拟结果。为提高流域洪水预报精度,研究通过构建CNN-LSTM神经网络模型将测站数据与卫星产品降水数据进行融合,并结合HEC-HMS模型开展场次洪水模拟,以陕西黑河流域金盆水库以上集水区为例,探讨星地融合降水在场次洪水模拟中的应用效果以及适用性。结果显示:①以站点降水数据为输入的HEC-HMS模型在研究区的适用性较好,率定期和验证期均能达到乙级精度。②两类IMERG卫星产品与实测降水的相关系数都较低,整体高于实际值,误差较大,在经过CNN-LSTM数据融合后与实测降水数据接近,并且IMERG-Early产品的融合效果更好。③融合卫星产品后的HEC-HMS模型对于10场洪水的模拟合格率为80%,平均确定性系数为0.8569,洪峰时差的绝对值均值为0.8 h,达到甲级精度。④星地融合降水进行洪水模拟的结果确定性系数增加,平均洪峰时差绝对值减小;洪峰流量的模拟效果下降且明显偏小。结果表明:中小流域将实测降水数据与适当的卫星降水产品数据进行融合,可以在一定程度上提升洪水预报模型的精度。 展开更多
关键词 洪水预报 cnn-lstm 融合降水 中小流域 HEC-HMS
在线阅读 下载PDF
CNN-LSTM在桥梁预警机制的研究与应用 被引量：1
12
作者 潘浩 李富年 +2 位作者 余兴盛 秦寰宇 陈志丹 《计算机应用与软件》 北大核心 2025年第3期29-33,40,共6页
为了更好地满足桥梁健康监测系统的需求,提高桥梁健康监测系统的性能,将深度学习与时序数据库InfluxDB结合起来构建新型桥梁健康监测系统的预警机制,提高现代桥梁健康监测系统的危险感知能力。以赣江特大桥为背景,将卷积神经网络CNN与... 为了更好地满足桥梁健康监测系统的需求,提高桥梁健康监测系统的性能,将深度学习与时序数据库InfluxDB结合起来构建新型桥梁健康监测系统的预警机制,提高现代桥梁健康监测系统的危险感知能力。以赣江特大桥为背景,将卷积神经网络CNN与长短时记忆网络LSTM结合起来构建CNN-LSTM模型,对桥梁的挠度数据进行预测。通过对实验结果分析发现CNN-LSTM模型能够有效预测出桥梁的挠度数据,在置信区间为±0.1 mm的情况下,准确率达到92.8%,在预测未来十分钟的挠度数据中,均方根误差RMSE为0.1097。实践表明时序数据库InfluxDB与CNN-LSTM模型的融合增强桥梁健康监测系统对潜在威胁的感知能力,有效提高桥梁健康监测系统的预警报警机制。 展开更多
关键词 桥梁工程 长短时记忆网络 卷积神经网络 cnn-lstm模型 InfluxDB
在线阅读 下载PDF
基于CNN-LSTM-Attention模型的湿喷台车泵送系统堵管故障预测方法
13
作者 王开松 魏一鸣 +3 位作者 唐威 郭旭华 李朝阳 邹俊 《工程设计学报》 北大核心 2025年第6期759-768,共10页
在隧道初期支护中,湿喷台车泵送系统易堵管而引发非计划停机、施工延误等问题,因此亟须提升设备故障预测与运维能力。针对湿喷台车泵送系统堵管故障预测方法中存在的噪声干扰大、长时间序列数据的复杂特征难以充分捕捉等问题,提出了一... 在隧道初期支护中,湿喷台车泵送系统易堵管而引发非计划停机、施工延误等问题,因此亟须提升设备故障预测与运维能力。针对湿喷台车泵送系统堵管故障预测方法中存在的噪声干扰大、长时间序列数据的复杂特征难以充分捕捉等问题,提出了一种基于CNN-LSTM-Attention模型的泵送系统堵管故障预测模型。该模型以泵送压力为预测对象,通过四分位法剔除异常值并结合卡尔曼滤波进行数据平滑处理,以确保强噪声环境下输入数据的稳定性;通过CNN(convolutional neural network,卷积神经网络)提取泵送压力数据的局部时空特征,结合LSTM(long short-term memory,长短期记忆)网络捕捉泵送过程的长序列动态特性,并引入Attention(注意力)机制自适应加权波动压力的关键节点,以实现泵送压力趋势的高精度预测。实验结果表明,所提出模型的预测效果显著优于CNN、LSTM及CNN-LSTM等传统模型。在模型预测结果的基础上,构建了湿喷台车泵送系统健康状态评价体系,开发了健康状态预测平台,有效支持了施工现场的决策。 展开更多
关键词 泵送系统 故障预测 卷积神经网络 长短期记忆网络 注意力机制
在线阅读 下载PDF
基于PSO优化DSCNN-LSTM-SA的有载分接开关挡位识别方法
14
作者 石延辉 阮彦俊 +6 位作者 李良创 张博 夏卯 骆钊 袁开文 黄一超 鲁思兆 《云南大学学报(自然科学版)》 北大核心 2025年第3期454-464,共11页
有载分接开关(on-load tap-changer,OLTC)在电力系统中扮演着至关重要的角色,其挡位的准确识别对电网稳定运行、智能运维以及故障诊断具有重要意义.深入分析OLTC在正常工况下不同挡位切换所产生的振动信号,提出基于粒子群算法(particle ... 有载分接开关(on-load tap-changer,OLTC)在电力系统中扮演着至关重要的角色,其挡位的准确识别对电网稳定运行、智能运维以及故障诊断具有重要意义.深入分析OLTC在正常工况下不同挡位切换所产生的振动信号,提出基于粒子群算法(particle swarm optimization,PSO)、深度可分离卷积(deeply separable convolutional neural network, DSCNN)、长短期记忆(long short-term memory,LSTM)网络与自注意力(selfattention,SA)机制相结合的OLTC挡位识别方法.首先,对OLTC顶盖的振动信号进行逐点卷积以获取信号跨通道特性,并通过DSCNN提取局部特性;然后,构建LSTM提取振动信号的时间序列特征,并借助SA的权重自适应分配能力筛选出关键特征作为分类依据;最后,利用PSO寻找模型最优参数.实验结果表明,所提方法相比于主流分类算法具有更好的抗噪性能和更高的挡位识别准确率. 展开更多
关键词 有载分接开关 挡位识别 智能运维 卷积神经网络 长短期记忆网络
在线阅读 下载PDF
基于贝叶斯优化CNN-LSTM的密度测井曲线重构方法
15
作者 李洪玺 陈明江 +4 位作者 张显坤 杨孛 赵彬 李贤胜 王欢欢 《测井技术》 2025年第2期198-208,共11页
密度测井曲线是油气勘探开发中的关键评价指标,其准确性直接影响储层岩性识别、孔隙度计算及流体性质分析的可靠性。在测井过程中,仪器故障或井径扩径等问题常导致密度测井数据缺失或失真,影响储层评价的精度。传统重构方法因模型表征... 密度测井曲线是油气勘探开发中的关键评价指标,其准确性直接影响储层岩性识别、孔隙度计算及流体性质分析的可靠性。在测井过程中,仪器故障或井径扩径等问题常导致密度测井数据缺失或失真,影响储层评价的精度。传统重构方法因模型表征能力不足,无法有效捕捉复杂地质条件下测井曲线之间的关系,重构曲线的精度难以满足储层评价的需求。为解决这一问题,提出了一种基于贝叶斯优化的卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)的密度测井曲线重构方法。该方法结合了CNN在局部空间特征提取方面的优势和LSTM在时序依赖建模中的能力,同时引入贝叶斯优化算法自动搜索最优超参数。通过这种结合,模型在处理复杂地质条件下的测井数据时,能够充分发挥3种算法各自的优势,提升整体表现。将该方法应用于四川盆地3口探井的密度测井曲线重构,实验结果表明,相较于单独使用CNN或LSTM模型,基于贝叶斯优化的CNN-LSTM模型在精度和稳定性方面均表现出更优的性能,可显著改善测井曲线失真或缺失对储层评价的影响。 展开更多
关键词 曲线重构 密度测井 卷积神经网络 长短期记忆网络 贝叶斯优化
在线阅读 下载PDF
改进灰狼优化算法优化CNN-LSTM的PEMFC性能衰退预测 被引量：1
16
作者 高锋阳 刘庆寅 +2 位作者 赵丽丽 齐丰旭 刘嘉 《电力系统保护与控制》 北大核心 2025年第13期175-187,共13页
为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memo... 为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度,提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memory, CNN-LSTM)的车用PEMFC性能衰退预测方法。首先,通过稳定小波变换对数据集去噪重构,使用改进灰狼算法对实测PEMFC电堆衰退数据进行分析,获得CNN-LSTM最优超参数。其次,利用最优超参数训练CNN-LSTM网络模型进行PEMFC性能衰退预测,并计算PEMFC电堆剩余使用寿命。最后,在电堆静态和动态工况下,将所提方法与传统长短期记忆循环网络、门控循环单元循环网络和未经优化的CNN-LSTM等模型预测进行比较。结果表明:在静态工况中,当训练集占比为60%时,所提方法相比传统CNN-LSTM预测结果均方根误差缩小59.02%,当训练集占比为70%时,PEMFC剩余使用寿命预测与实际相差1.16 h;在动态工况中,当训练集占比为40%时,平均绝对误差缩小18.78%。 展开更多
关键词 质子交换膜燃料电池 改进灰狼优化算法 卷积神经网络-长短期记忆 衰退预测 剩余使用寿命
在线阅读 下载PDF
基于注意力机制的CNN-LSTM土石坝渗流量预测模型
17
作者 李诗婉 袁明道 +1 位作者 徐云乾 张舒 《科学技术与工程》 北大核心 2025年第21期9102-9108,共7页
渗流分析是大坝安全与稳定的重点研究内容,通过构建高精度的土石坝渗流量预测模型对于大坝灾害风险管控具有重要意义。为了进一步提高土石坝渗流预测能力,提出了一种结合长短期记忆神经网络(long short-term memory,LSTM)、卷积神经网络... 渗流分析是大坝安全与稳定的重点研究内容,通过构建高精度的土石坝渗流量预测模型对于大坝灾害风险管控具有重要意义。为了进一步提高土石坝渗流预测能力,提出了一种结合长短期记忆神经网络(long short-term memory,LSTM)、卷积神经网络(convolutional neural networks,CNN)和注意力机制(attention mechanism,Attention)的预测模型。该模型首先利用CNN挖掘数据的深层特征,然后通过LSTM提取渗流量监测数据的时间序列特征,最后将注意力机制添加到池化层和全连接层中,确定不同时间特征的重要性并分配权重。通过工程实例应用分析,与CNN、LSTM、CNN-LSTM模型相比,CNN-LSTM-Attention模型预测效果更好,其可决系数R2高达0.98以上,并且能够同时捕捉到渗流量数据的空间特征和时序依赖性,在土石坝渗流量预测中表现出了较强的可靠性与稳定性。 展开更多
关键词 土石坝 渗流量 cnn-lstm 注意力机制 预测
在线阅读 下载PDF
基于IWOA-CNN-LSTM模型的光伏发电功率预测
18
作者 王琦 徐晓光 《曲阜师范大学学报(自然科学版)》 2025年第4期97-102,共6页
该文提出了一种结合改进鲸鱼优化算法(IWOA)、卷积神经网络(CNN)和长短期记忆网络(LSTM)的超短期光伏发电组合预测模型.使用皮尔逊相关系数选取对光伏发电功率影响较大的因素作为输入,建立CNN-LSTM模型,使用IWOA算法优化模型超参数,实... 该文提出了一种结合改进鲸鱼优化算法(IWOA)、卷积神经网络(CNN)和长短期记忆网络(LSTM)的超短期光伏发电组合预测模型.使用皮尔逊相关系数选取对光伏发电功率影响较大的因素作为输入,建立CNN-LSTM模型,使用IWOA算法优化模型超参数,实现对输入数据高维特征的提取和拟合来进行预测,提高了模型预测精度.基于澳大利亚某光伏电站数据的实验结果表明,与其他模型相比,所提出的预测模型具有更高的精度. 展开更多
关键词 光伏功率预测 卷积神经网络 长短期记忆网络 鲸鱼优化算法
在线阅读 下载PDF
基于CNN-LSTM模型的土壤温湿度缺失数据填补算法 被引量：1
19
作者 张瑛进 史志强 +1 位作者 古丽米拉·克孜尔别克 库木斯·阿依肯 《湖北农业科学》 2025年第2期179-183,196,共6页
针对因恶劣环境、电池耗尽、硬件故障等原因导致的土壤温湿度传感器数据丢失问题,提出一种基于卷积神经网络的长短期记忆网络(CNN-LSTM)填补模型。以闪电河流域2019年土壤温湿度数据为试验数据,分别选用CNN、LSTM、TCN、CNN-TCN、CNN-LS... 针对因恶劣环境、电池耗尽、硬件故障等原因导致的土壤温湿度传感器数据丢失问题,提出一种基于卷积神经网络的长短期记忆网络(CNN-LSTM)填补模型。以闪电河流域2019年土壤温湿度数据为试验数据,分别选用CNN、LSTM、TCN、CNN-TCN、CNN-LSTM 5个模型对土壤温湿度传感器网络缺失数据进行填补,并采用Adam算法优化模型,使用决定系数(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)指数对模型填补结果进行评价。结果表明,采用线性插补算法获得完整的数据,CNN-LSTM模型的R^(2)为0.999 9,高于其他模型,MAE、RMSE分别为0.001 85、0.019 70,均远低于其他模型。采用k近邻插补算法获得完整的数据,CNN-LSTM模型的MAE、RMSE分别为0.000 12、0.000 12,均远低于其他模型,R^(2)为0.999 4,高于CNN模型、TCN模型;CNN-LSTM模型对土壤温湿度传感器数据缺失值的填补效果最好。CNN-LSTM模型在处理大规模土壤温湿度传感器缺失数据问题时具有较好的可行性和精确度。 展开更多
关键词 cnn-lstm模型 土壤 温湿度 缺失数据填补算法
在线阅读 下载PDF
基于声发射及CNN-LSTM方法的松散材料剪切过程预测研究
20
作者 吴鑫 刘永红 +2 位作者 张婷婷 刘馨圯 文俊川 《安全与环境学报》 北大核心 2025年第9期3514-3522,共9页
为揭示松散材料剪切过程的声学特征,通过构建一种结合空间注意力机制的卷积神经网络(Convolution Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络模型,预测松散体所处剪切阶段及稳定性。首先,开展8种不同加载速率... 为揭示松散材料剪切过程的声学特征,通过构建一种结合空间注意力机制的卷积神经网络(Convolution Neural Network,CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络模型,预测松散体所处剪切阶段及稳定性。首先,开展8种不同加载速率下的松散颗粒剪切试验并获取其物理力学特性和声发射信号(Acoustic Emission,AE),揭示常规特征参数、时域参数和频域参数的演化特征;基于剪切过程参数变化,将其分别划分为剪密阶段、弹性阶段、应变硬化阶段和稳定阶段;然后开展AE信号特征的识别与提取,经对比与筛分后确定了11个特征参数的输入组合,用以预测松散体所处的剪切阶段。结果表明:该模型对松散材料剪切阶段的预测准确率达到94.52%,该研究预计能为声发射技术在松散体边坡稳定性分析的参数选取和预测预警提供一定理论依据。 展开更多
关键词 安全工程 松散体 卷积神经网络-长短时记忆网络 声发射 演化特征
原文传递
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 … 250 下一页 到第 页
使用帮助 返回顶部