期刊文献+
共找到277,813篇文章
< 1 2 250 >
每页显示 20 50 100
基于LSTM-Transformer模型的突水条件下矿井涌水量预测
1
作者 李振华 姜雨菲 +1 位作者 杜锋 王文强 《河南理工大学学报(自然科学版)》 北大核心 2026年第1期77-85,共9页
目的矿井涌水量精准预测对预防矿井水害和保障矿井安全生产具有重要意义,为精准预测矿井涌水量,构建适用于华北型煤田受底板L_(1-4)灰岩含水层和奥陶系灰岩含水层水害威胁的矿井涌水量预测模型。方法以河南某典型矿井的水文监测数据为基... 目的矿井涌水量精准预测对预防矿井水害和保障矿井安全生产具有重要意义,为精准预测矿井涌水量,构建适用于华北型煤田受底板L_(1-4)灰岩含水层和奥陶系灰岩含水层水害威胁的矿井涌水量预测模型。方法以河南某典型矿井的水文监测数据为基础,提出LSTMTransformer模型。利用LSTM捕捉矿井涌水量的动态时序特征,通过Transformer的多头注意力机制分析含水层水位变化和矿井涌水量之间的复杂时序关联,构建水位动态变化驱动下的矿井涌水量精准预测框架。结果结果表明,LSTM-Transformer模型预测精度显著优于LSTM,CNN,Transformer和CNN-LSTM模型的,其均方根误差为20.91 m^(3)/h,平均绝对误差为16.08 m^(3)/h,平均绝对百分比误差为1.12%,且和单因素涌水量预测模型相比,水位-涌水量双因素预测模型预测结果更加稳定。结论LSTM-Transformer模型成功克服传统方法在捕捉复杂水文地质系统中水位-涌水量动态关联上的局限,为矿井涌水量动态预测提供可解释性强、鲁棒性好的解决方案,也为类似地质条件下矿井涌水量预测提供了新方法。 展开更多
关键词 涌水量预测 水位动态响应 LstM-transformer耦合模型 时间序列预测 注意力机制 矿井安全生产
在线阅读 下载PDF
A Transformative Masterpiece--Chinese-built bridge in Tanzania boosts trade,connectivity
2
作者 DERRICK SILIMINA 《ChinAfrica》 2026年第1期42-43,共2页
In the Kigongo area of Mwanza Region,northwest Tanzania,fishmonger Neema Aisha remembers how the morning’s fresh catch would sour while she queued for the ferry,putting her business at risk.
关键词 business risk FERRY BRIDGE CONNECTIVITY TRADE fishmonger transformative
原文传递
Effect of fluoride roasting on copper species transformation on chrysocolla surfaces and its role in enhanced sulfidation flotation
3
作者 Yingqiang Ma Xin Huang +5 位作者 Yafeng Fu Zhenguo Song Sen Luo Shuanglin Zheng Feng Rao Wanzhong Yin 《International Journal of Minerals,Metallurgy and Materials》 2026年第1期165-176,共12页
It is difficult to recover chrysocolla from sulfidation flotation which is closely related to the mineral surface composition.In this study,the effects of fluoride roasting on the surface composition of chrysocolla we... It is difficult to recover chrysocolla from sulfidation flotation which is closely related to the mineral surface composition.In this study,the effects of fluoride roasting on the surface composition of chrysocolla were investigated,its impact on sulfidation flotation was explored,and the mechanisms involved in both fluoride roasting and sulfidation flotation were discussed.With CaF_(2)as the roasting reagent,Na_(2)S·9H_(2)O as the sulfidation reagent,and sodium butyl xanthate(NaBX)as the collector,the results of the flotation experiments showed that fluoride roasting improved the floatability of chrysocolla,and the recovery rate increased from 16.87%to 82.74%.X-ray diffraction analysis revealed that after fluoride roasting,approximately all the Cu on the chrysocolla surface was exposed in the form of CuO,which could provide a basis for subsequent sulfidation flotation.The microscopy and elemental analyses revealed that large quantities of"pagoda-like"grains were observed on the sulfidation surface of the fluoride-roasted chrysocolla,indicating high crystallinity particles of copper sulfide.This suggests that the effect of sulfide formation on the chrysocolla surface was more pronounced.X-ray photoelectron spectroscopy revealed that fluoride roasting increased the relative contents of sulfur and copper on the surface and that both the Cu~+and polysulfide fractions on the surface of the minerals increased.This enhances the effect of sulfidation,which is conducive to flotation recovery.Therefore,fluoride roasting improved the effect of copper species transformation and sulfidation on the surface of chysocolla,promoted the adsorption of collectors,and improved the recovery of chrysocolla from sulfidation flotation. 展开更多
关键词 sulfidation flotation CHRYSOCOLLA fluoride roasting copper species transformation enhanced sulfidation
在线阅读 下载PDF
Cell type-dependent role of transforming growth factor-βsignaling on postnatal neural stem cell proliferation and migration
4
作者 Kierra Ware Joshua Peter +1 位作者 Lucas McClain Yu Luo 《Neural Regeneration Research》 2026年第3期1151-1161,共11页
Adult neurogenesis continuously produces new neurons critical for cognitive plasticity in adult rodents.While it is known transforming growth factor-βsignaling is important in embryonic neurogenesis,its role in postn... Adult neurogenesis continuously produces new neurons critical for cognitive plasticity in adult rodents.While it is known transforming growth factor-βsignaling is important in embryonic neurogenesis,its role in postnatal neurogenesis remains unclear.In this study,to define the precise role of transforming growth factor-βsignaling in postnatal neurogenesis at distinct stages of the neurogenic cascade both in vitro and in vivo,we developed two novel inducible and cell type-specific mouse models to specifically silence transforming growth factor-βsignaling in neural stem cells in(mGFAPcre-ALK5fl/fl-Ai9)or immature neuroblasts in(DCXcreERT2-ALK5fl/fl-Ai9).Our data showed that exogenous transforming growth factor-βtreatment led to inhibition of the proliferation of primary neural stem cells while stimulating their migration.These effects were abolished in activin-like kinase 5(ALK5)knockout primary neural stem cells.Consistent with this,inhibition of transforming growth factor-βsignaling with SB-431542 in wild-type neural stem cells stimulated proliferation while inhibited the migration of neural stem cells.Interestingly,deletion of transforming growth factor-βreceptor in neural stem cells in vivo inhibited the migration of postnatal born neurons in mGFAPcre-ALK5fl/fl-Ai9 mice,while abolishment of transforming growth factor-βsignaling in immature neuroblasts in DCXcreERT2-ALK5fl/fl-Ai9 mice did not affect the migration of these cells in the hippocampus.In summary,our data supports a dual role of transforming growth factor-βsignaling in the proliferation and migration of neural stem cells in vitro.Moreover,our data provides novel insights on cell type-specific-dependent requirements of transforming growth factor-βsignaling on neural stem cell proliferation and migration in vivo. 展开更多
关键词 adult neurogenesis DOUBLECORTIN HIPPOCAMPUS MIGRATION neural stem cells PROLIFERATION transforming growth factor-β
暂未订购
基于CNN-BiLSTM-Transformer的舰船中压直流全电推进系统故障诊断设计 被引量:1
5
作者 张建良 韩涛 季瑞松 《实验技术与管理》 北大核心 2025年第1期11-18,共8页
针对舰船中压直流全电推进系统结构复杂度高、单元耦合性强、运行环境多变等特点造成的故障诊断准确性低和实时性差等问题,开展了基于CNN-BiLSTM-Transformer的故障诊断设计。首先,基于卷积神经网络CNN构建单点特征级联网络,开展单一时... 针对舰船中压直流全电推进系统结构复杂度高、单元耦合性强、运行环境多变等特点造成的故障诊断准确性低和实时性差等问题,开展了基于CNN-BiLSTM-Transformer的故障诊断设计。首先,基于卷积神经网络CNN构建单点特征级联网络,开展单一时刻下故障信号空间特征的深入提取,以提升故障特征提取的有效性;其次,以双向长短期记忆网络BiLSTM为核心设计多点特征依赖网络,利用门控机制和双向时序学习机制,实现故障信号在多个时刻之间特征依赖关系的有效学习,以提升故障诊断的准确性;然后,以Transformer为核心建立序列特征并行处理网络,通过自注意力机制实现对故障特征上下文关系的精确刻画,进而利用多头注意力机制实现特征序列的并行处理,以提升故障诊断的实时性;最后,设计舰船中压直流全电推进系统故障诊断实验方案,并开展不同故障模式下的诊断性能评估。该文方法在多种故障模式下诊断准确率和实时性均优于现有的主流故障诊断方法,有助于为舰船中压直流全电推进系统的安全运行提供更有力的技术保障。 展开更多
关键词 舰船 中压直流 全电推进系统 故障诊断 transformER
在线阅读 下载PDF
基于STGCN-Transformer的短期电力净负荷预测
6
作者 孟伟 俞斌 +3 位作者 白隆 徐婕 顾晋豪 郭锋 《中国测试》 北大核心 2025年第6期160-169,共10页
智能电网的发展认识到短期电力净负荷预测对综合能源系统(integrated energy system,IES)的重要性。净负荷预测代表用电负荷与安装的可再生能源之间的差异,是能量管理和优化调度的基础。为解决IES波动性大,传统统计模型预测精较差的问题... 智能电网的发展认识到短期电力净负荷预测对综合能源系统(integrated energy system,IES)的重要性。净负荷预测代表用电负荷与安装的可再生能源之间的差异,是能量管理和优化调度的基础。为解决IES波动性大,传统统计模型预测精较差的问题,该文提出一种基于时空图卷积网络(spatial temporal graph convolutional networks,STGCN)和Transformer相结合的综合能源系统短期负荷预测模型。首先,利用STGCN作为输入嵌入层对多元输入序列进行编码,填补Transformer中没有充分考虑相关信息的空白。然后,利用Transformer中的自注意机制捕获序列数据的时间依赖性。最后,利用前馈神经网络输出预测负荷值。以浙江省某地区电力数据集为例,与其他4种预测模型相比较平均绝对百分比误差均在5%以内,结果表明该文模型具有较高的预测精度和稳定性。 展开更多
关键词 时空图卷积网络 transformER 多头注意力机制 短期净负荷预测
在线阅读 下载PDF
一种基于FastText-Transformer的微博作者身份识别
7
作者 蔡满春 陈政 何泉 《中国人民公安大学学报(自然科学版)》 2025年第1期54-59,共6页
随着网络文本的快速增长和社交媒体的普及,识别文本作者身份的需求日益增加,对来源追溯、网络安全以及社会管理等领域具有重要意义。而针对自媒体庞大且语义灵活的中文网络短文本作者身份识别仍然存在很大挑战。为实现自动化特征提取,... 随着网络文本的快速增长和社交媒体的普及,识别文本作者身份的需求日益增加,对来源追溯、网络安全以及社会管理等领域具有重要意义。而针对自媒体庞大且语义灵活的中文网络短文本作者身份识别仍然存在很大挑战。为实现自动化特征提取,提高识别准确率,通过基于深度学习框架和改进FastText模型,提升词向量表示质量,将FastText模型输出的词向量输入到改进的Transformer Encoder模型中,提升了分类质量。实验结果表明提出的算法模型对微博数据集文本作者身份识别准确率达92.3%,可以实现微博作者身份识别。 展开更多
关键词 作者识别 FastText模型 transformer模型
在线阅读 下载PDF
融合群分解与Transformer-KAN的短期风速预测
8
作者 史加荣 张思怡 《南京信息工程大学学报》 北大核心 2026年第1期60-68,共9页
针对风速固有的不稳定性,通过融合群分解(Swarm Decomposition,SWD)、Transformer和Kolmogorov-Arnold网络(KAN),提出一种SWD-Transformer-KAN预测模型.首先,利用SWD对原始风速数据进行分解,以提取关键特征.其次,针对每个被分解的子序列... 针对风速固有的不稳定性,通过融合群分解(Swarm Decomposition,SWD)、Transformer和Kolmogorov-Arnold网络(KAN),提出一种SWD-Transformer-KAN预测模型.首先,利用SWD对原始风速数据进行分解,以提取关键特征.其次,针对每个被分解的子序列,建立Transformer-KAN模型,所建模型充分利用了Transformer的时序处理能力和KAN的非线性逼近能力.最后,对所有子序列的预测结果进行叠加,得到最终的风速预测值.为了验证所提出模型的有效性,将其与其他模型进行实验对比,结果表明,SWD-Transformer-KAN模型具有最优的预测性能,其决定系数(R2)高达99.91%. 展开更多
关键词 风速预测 群分解 transformER Kolmogorov-Arnold网络
在线阅读 下载PDF
基于LSTM预训练-Transformer修正的船舶运动极短期预报 被引量:1
9
作者 张睿 孟帅 +2 位作者 张小卿 刘震 封培元 《船舶工程》 北大核心 2025年第4期37-45,共9页
[目的]为减少Transformer模型复杂度和推理时间,提高船舶运动极短期预报精度,[方法]提出将传统LSTM模型和改进的LSTM-OneShot模型进行预训练,借用梯度提升决策树(GBDT)算法和集成学习思路,基于Transformer模型引入注意力机制来修正预报... [目的]为减少Transformer模型复杂度和推理时间,提高船舶运动极短期预报精度,[方法]提出将传统LSTM模型和改进的LSTM-OneShot模型进行预训练,借用梯度提升决策树(GBDT)算法和集成学习思路,基于Transformer模型引入注意力机制来修正预报残差。采用某远洋船在三级海况下时历数据进行试验。[结果]研究发现:1)在船舶运动曲线预报方面,Transformer修正可显著提高LSTM模型预报精度。在预报时长2s时,拟合优度系数R^(2)可从0.807提高到0.940;Transformer修正在一定程度上可提高LSTM-OneShot模型预报精度。在预报时长2 s时,R^(2)可从0.938提高到0.941;Transformer修正的LSTM-OneShot模型整体表现最佳。2)在船舶运动包络线预报方面,包络线的周期性在可行的输入序列时间不显著,多层感知机提取的历史特征成为干扰信息,导致LSTM-OneShot模型预报结果明显不如传统LSTM模型。在预报时长2s时,R^(2)从0.938降低至0.881;注意力机制修正可以显著提高传统的LSTM模型预报精度。在预报时长2 s时,R^(2)从0.938提高到0.963;注意力机制修正在一定程度上可提高LSTM-OneShot模型的预报精度,但是无法从根本上去除多层感知机带来的干扰信息。在预报时长2s时,R^(2)可从0.881提高到0.887;Transformer修正的传统LSTM模型整体表现最佳。[结论]研究成果可为船舶运动极短期预报提供一定参考。 展开更多
关键词 船舶运动 极短期预报 长短期记忆循环神经网络 transformer模型 注意力机制
原文传递
冠状动脉树描述和病变评估对急诊经皮冠状动脉介入治疗的STEMI病人住院期间新发心房颤动的预测价值
10
作者 夏林虎 魏腾飞 +2 位作者 涂胜 李东戈 江荣炎 《安徽医药》 2026年第1期107-112,共6页
目的分析冠状动脉树描述和病变评估(CatLet)评分在急诊经皮冠状动脉介入治疗(PCI)的急性ST段抬高型心肌梗死(STEMI)病人住院期间新发心房颤动(NOAF)的预测价值。方法连续入选2021年1月至2023年3月于亳州市人民医院行经皮冠状动脉介入治... 目的分析冠状动脉树描述和病变评估(CatLet)评分在急诊经皮冠状动脉介入治疗(PCI)的急性ST段抬高型心肌梗死(STEMI)病人住院期间新发心房颤动(NOAF)的预测价值。方法连续入选2021年1月至2023年3月于亳州市人民医院行经皮冠状动脉介入治疗的STEMI病人396例,根据术中CatLet评分分为高分组≥25分(192例),低分组<25分(204例);分析两组基线资料及住院期间NOAF发病率差异,应用二元logistic回归分析STEMI病人住院期间NOAF的危险因素,绘制受试者操作特征曲线(ROC曲线)评估CatLet评分对STEMI病人住院期间NOAF的预测价值。结果396例STEMI住院病人NOAF45例(11.4%);CatLet高分组38例,低分组7例(19.8%比3.4%,P<0.001)。与低分组相比,高分组在KillipⅡ~Ⅳ级比例、N末端B型脑钠肽前体(NT-ProBNP)水平、肌钙蛋白I(CtnI)值、多支血管病变例数、慢/无复流比例明显升高,左心室射血分数(LVEF)值明显降低(P<0.001);经二元logistic回归分析显示:CatLet评分、年龄、Killip分级、左心房内径(LAD)、多支血管病变(3支冠状动脉血管中至少有2支血管存在狭窄且程度≥50%)、冠状动脉病变的复杂性及严重程度(Syntax)评分是STEMI病人住院期间出现NOAF的独立危险因素;CatLet评分预测STEMI病人住院期间NOAF的曲线下面积(AUC)为0.78,灵敏度93.3%,特异度52.4%。结论CatLet评分、年龄、Killip分级、左心房内径、多支血管病变、Syntax评分是STEMI病人住院期间出现NOAF的独立危险因素,CatLet评分对STEMI病人住院期间NOAF有一定的预测价值。 展开更多
关键词 st段抬高型心肌梗死 冠状动脉树描述和病变评估(CatLet) 心房颤动 经皮冠状动脉内介入治疗 肌钙蛋白Ⅰ 预测价值
暂未订购
基于Transformer和LSTM算法的河套灌区土壤水分预测研究 被引量:2
11
作者 王钥 郑方元 +3 位作者 雍婷 查元源 周龙才 徐祥森 《节水灌溉》 北大核心 2025年第2期1-8,14,共9页
土壤水是土壤中的关键指标,其变化直接影响着作物生长,并影响着水资源利用的管理决策。因此,准确地预测土壤水分有利于对农业水资源进行合理的规划利用。使用深度学习算法进行土壤水分预测在当前的农业、水资源管理和生态学等领域具有... 土壤水是土壤中的关键指标,其变化直接影响着作物生长,并影响着水资源利用的管理决策。因此,准确地预测土壤水分有利于对农业水资源进行合理的规划利用。使用深度学习算法进行土壤水分预测在当前的农业、水资源管理和生态学等领域具有重要性。深度学习算法能够从大规模数据中学习土壤水分的复杂模式和时空关系,为土壤水的准确预测提供了新的机会。为了探索新兴深度学习方法Transformer在土壤水分预测中的有效性,选择河套灌区义长灌域为研究区域,利用地下水位观测数据、气象数据、SMAP土壤水数据等作为训练数据,设置了1、5、10 d共3种数据滞后情况,验证Transformer算法在土壤水时间序列预测任务中的有效性,并与目前广泛应用于时序预测任务中的LSTM进行对比。研究表明Transformer在土壤水分时间序列预测任务中具有更好的预测能力,相比于LSTM,其R^(2)平均提升约0.181,RMSE平均下降27.6%。同时,Transformer在应对滞后变化带来的影响时更具鲁棒性,在3种数据滞后情况下Transformer的预测平均R^(2)分别比LSTM高出了0.121、0.167、0.256,站点平均RMSE分别降低了30.7%、28.6%、23.5%。此外,Transformer对于土壤水序列中的非线性信息的提取能力更强,对于高频振幅的土壤水时间序列Transformer拥有更强的预测能力。 展开更多
关键词 土壤水分预测 深度学习 时序预测 transformer模型 LstM模型 数据滞后
在线阅读 下载PDF
基于Bi-LSTM和Transformer的谱图预测模型
12
作者 朱宇翀 陈德华 潘乔 《智能计算机与应用》 2025年第3期203-206,共4页
数据非依赖采集(DIA)近年来发展迅速,在蛋白质组学中也有着广泛的应用。DIA数据的蛋白质鉴定通常需要使用由数据依赖采集(DDA)得到的谱图数据库。然而该数据库含有的信息有限,为了在搜索过程中覆盖更多的蛋白质,目前采用深度学习模型的... 数据非依赖采集(DIA)近年来发展迅速,在蛋白质组学中也有着广泛的应用。DIA数据的蛋白质鉴定通常需要使用由数据依赖采集(DDA)得到的谱图数据库。然而该数据库含有的信息有限,为了在搜索过程中覆盖更多的蛋白质,目前采用深度学习模型的预测结果对该数据库进行补充。针对谱图预测任务,不同模型在不同数据集上的表现存在差异,且仅有少量模型展示了其在四维(4D)质谱数据上的性能。本文比较不同序列模型在4D-DIA血浆数据上的表现,提出了一个新的模型结构,该模型使用门控结合了双向长短期记忆网络(Bi-LSTM)和Transformer的特征,在较长的氨基酸序列上拥有更好的表现。 展开更多
关键词 数据非依赖采集技术 谱图预测 双向长短期记忆网络 transformER
在线阅读 下载PDF
血清NID1、FLAD1水平对STEMI患者PCI后心室重塑的预测价值
13
作者 李楠 郝媛媛 申怡博 《中南医学科学杂志》 2026年第1期106-109,共4页
目的分析血清巢蛋白1(NID1)及黄素腺嘌呤二核苷酸合成酶1(FLAD1)水平对ST段抬高型心肌梗死(STEMI)患者经皮冠脉介入术(PCI)后心室重塑的预测价值。方法选取157例PCI后的STEMI患者,根据术后随访6个月是否发生心室重塑将其分为重构组(41例... 目的分析血清巢蛋白1(NID1)及黄素腺嘌呤二核苷酸合成酶1(FLAD1)水平对ST段抬高型心肌梗死(STEMI)患者经皮冠脉介入术(PCI)后心室重塑的预测价值。方法选取157例PCI后的STEMI患者,根据术后随访6个月是否发生心室重塑将其分为重构组(41例)与无重构组(116例)。比较两组术前血清NID1、FLAD1水平及心室重塑指标[左室舒张末内径(LVEDD)、舒张末期室间隔厚度(IVSd)、左心室后壁舒张末期厚度(LVPWd)、左室舒张末容积(LVEDV)、左心室质量指数(LVMI)]水平。采用多因素Logistic回归分析STEMI患者PCI后发生心室重塑的影响因素。通过ROC曲线评估血清NID1和FLAD1对STEMI患者PCI后发生心室重塑的预测效能。结果与无重构组相比,重构组冠状动脉最大狭窄程度、Gensini评分、甘油三酯、NID1、LVEDD、IVSd、LVPWd、LVMI、LVEDV水平均升高(P<0.05),FLAD1水平降低(P<0.05)。心室重塑指标与血清NIDI水平呈正相关(P<0.001);与血清FLAD1水平呈负相关(P<0.001)。NID1、FLAD1水平、冠状动脉最大狭窄程度及Gensini评分是STEMI患者PCI后发生心室重塑的影响因素(P<0.05);血清NIDI、FLAD1两者联合预测患者PCI后发生心室重塑的AUC值高于单独指标预测值(P<0.05)。结论血清NID1、FLAD1水平对STEMI患者PCI后发生心室重塑具有较高的预测价值,两者联合预测值高于单独指标预测值。 展开更多
关键词 st段抬高型心肌梗死 心室重塑 巢蛋白1 黄素腺嘌呤二核苷酸合成酶1 经皮冠脉介入术
暂未订购
LSTM与Transformer融合模型在时间序列预测中的应用研究 被引量:2
14
作者 王首晨 王利民 《网络安全与数据治理》 2025年第3期27-31,38,共6页
随着可再生能源的快速发展,风电功率预测对于电网稳定运行和能源管理具有重要意义。风电功率预测是一个复杂的非线性问题,涉及多种气象因素和环境条件。提出了一种基于长短期记忆网络(LSTM)、自适应稀疏自注意力机制(ASSA)和Transforme... 随着可再生能源的快速发展,风电功率预测对于电网稳定运行和能源管理具有重要意义。风电功率预测是一个复杂的非线性问题,涉及多种气象因素和环境条件。提出了一种基于长短期记忆网络(LSTM)、自适应稀疏自注意力机制(ASSA)和Transformer的融合模型,用于发电功率的时间序列预测。该模型结合了LSTM在捕捉时间序列长期依赖性方面的优势、ASSA在处理局部特征交互稀疏性方面的高效性以及Transformer在捕捉全局依赖性方面的强大并行处理能力。通过实验验证,该模型在发电功率预测任务中表现出色,尤其是在极端波动或拐点处的预测精度上有所提高。与传统方法相比,该模型能够更准确地捕捉风电功率变化的复杂性和动态性,为风电场的运营管理提供了有力的决策支持。 展开更多
关键词 自适应稀疏自注意力机制 LstM transformER 时间序列 功率预测
在线阅读 下载PDF
基于LSTM-Transformer的短期风电功率预测方法
15
作者 黄红哲 李沛 +1 位作者 王宗宇 田文婧 《现代工业经济和信息化》 2025年第9期150-152,共3页
为了进一步提高处理长期依赖关系的数据,提出一个LSTM和Transformer的融合模型(LSTM-Transformer)。该模型通过结合LSTM的长期记忆能力和Transformer的强大自注意力机制,旨在提高对长时间序列数据的预测准确性。实验数据来自德国风力涡... 为了进一步提高处理长期依赖关系的数据,提出一个LSTM和Transformer的融合模型(LSTM-Transformer)。该模型通过结合LSTM的长期记忆能力和Transformer的强大自注意力机制,旨在提高对长时间序列数据的预测准确性。实验数据来自德国风力涡轮发电机,覆盖2011年1月的一个时段,模型在100个训练周期后展示了优异的拟合能力,决定系数达到0.953332。通过这项研究,不仅验证了LSTM-Transformer模型的有效性,还为相关领域提供了有价值的参考和启示。 展开更多
关键词 时间序列预测 LstM transformER 深度学习
在线阅读 下载PDF
基于Transformer‑LSTM网络的干扰态势预测
16
作者 张钰清 王凯 +3 位作者 黄子纯 董春曦 陈长风 张扬 《航天电子对抗》 2025年第4期16-26,共11页
以2种类型的作战单元:雷达和干扰机为主要研究对象,利用Transform⁃er模型-长短期记忆(Transformer⁃LSTM)网络,实现对雷达工作参数和工作模式、干扰机干扰样式的预测。结合LSTM和Transformer模型的优点,提升了序列数据中复杂模式的学习能... 以2种类型的作战单元:雷达和干扰机为主要研究对象,利用Transform⁃er模型-长短期记忆(Transformer⁃LSTM)网络,实现对雷达工作参数和工作模式、干扰机干扰样式的预测。结合LSTM和Transformer模型的优点,提升了序列数据中复杂模式的学习能力;利用强化学习的方法,根据雷达工作状态数据集模拟生成干扰样式的时序数据集,使预测结果更贴近实际场景。通过引入深度学习和强化学习技术,提升了对雷达和干扰机工作状态的预测能力,实现了态势预测中雷达和干扰机工作状态预测等重要工作。 展开更多
关键词 态势预测 强化学习 LstM网络 transformer模型
在线阅读 下载PDF
基于NRBO-Transformer-BiLSTM的柔性薄壁轴承细粒度故障诊断
17
作者 郭明军 陈昕昀 +2 位作者 石淇 李鑫 赵学智 《现代制造工程》 北大核心 2025年第11期136-145,34,共11页
针对现有柔性薄壁轴承的细粒度故障识别及其现有诊断方法特征提取不足等问题,提出一种基于牛顿-拉夫逊优化(Newton-Raphson-Based Optimizer,NRBO)算法优化的Transformer编码层与双向长短期记忆(Bi-directional Long Short-Term Memory,... 针对现有柔性薄壁轴承的细粒度故障识别及其现有诊断方法特征提取不足等问题,提出一种基于牛顿-拉夫逊优化(Newton-Raphson-Based Optimizer,NRBO)算法优化的Transformer编码层与双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)神经网络解码层相结合的故障诊断方法。该方法首先使用时变滤波经验模态分解(Time-Varying Filter Empirical Mode Decomposition,TVFEMD)柔性薄壁轴承振动加速度信号,同时采用NRBO算法对其时变滤波带宽和B样条阶数等参数进行优化,依据互相关系数准则筛选主要本征模态分量(Intrinsic Mode Function,IMF),计算其时频域特征,结合振动加速度信号的时域、频域特征构建多域特征数据集,并按比例划分为训练集和测试集;其次将训练集输入模型,通过NRBO算法对模型初始学习率、BiLSTM神经网络的隐藏层节点数以及Transformer模型的正则化系数进行优化;通过测试集对优化模型进行测试,并与其他细粒度故障诊断模型对比。结果表明,所提方法准确率达99.60%,高于其他模型。该方法可为柔性薄壁轴承细粒度的智能诊断提供一种新的研究思路,对其他相关领域的智能化健康管理亦可提供有益借鉴。 展开更多
关键词 柔性薄壁轴承 故障诊断 牛顿-拉夫逊优化算法 双向长短期记忆网络 transformer模型 时变滤波经验模态分解
在线阅读 下载PDF
基于LSTM-Transformer-ECA的海上风电施工船舶轨迹预测方法
18
作者 胡鹏辉 陈金海 《集美大学学报(自然科学版)》 2025年第6期562-568,共7页
提出了一种融合长短期记忆(LSTM)网络和Transformer编码器的预测方法,进一步集成了增强型通道注意力机制,以深入挖掘船舶航行的内在特征。首先对船舶自动识别系统的数据进行清洗、插值处理、重采样以及标准化,以获取精确的船舶航行路径... 提出了一种融合长短期记忆(LSTM)网络和Transformer编码器的预测方法,进一步集成了增强型通道注意力机制,以深入挖掘船舶航行的内在特征。首先对船舶自动识别系统的数据进行清洗、插值处理、重采样以及标准化,以获取精确的船舶航行路径。接着,建立了一个结合LSTM-Transformer-ECA的复合神经网络模型,并完成了模型参数的设定。最后,用施工船舶的AIS数据进行实验测试,并与LSTM、Bi-LSTM、Transformer进行了比较分析。实验结果表明,用本文提出的方法预测施工船舶航迹的经度和纬度,平均绝对误差和均方根误差两个指标改进显著。 展开更多
关键词 海上风电 施工船舶 轨迹预测 长短期记忆 transformER
在线阅读 下载PDF
基于Transformer-卷积神经网络模型实现单节点腰部康复训练动作识别任务
19
作者 余圣涵 成贤锴 +1 位作者 郑跃 杨颖 《中国组织工程研究》 北大核心 2026年第16期4125-4136,共12页
背景:惯性测量单元被广泛用于人体姿态感知与动态捕捉。深度学习已逐步替代传统规则与特征工程,广泛应用于动作识别任务。卷积神经网络在提取局部动态特征方面表现良好,Transformer则在建模长时序依赖方面展现出强大能力。目的:通过基于... 背景:惯性测量单元被广泛用于人体姿态感知与动态捕捉。深度学习已逐步替代传统规则与特征工程,广泛应用于动作识别任务。卷积神经网络在提取局部动态特征方面表现良好,Transformer则在建模长时序依赖方面展现出强大能力。目的:通过基于Transformer-卷积神经网络融合模型识别方法,实现在单惯性传感器条件下的腰部康复训练动作识别任务。方法:采集6名健康受试者佩戴单个惯性传感器条件下执行腰部康复动作的加速度与角速度数据,以动作类型为数据进行标注,制作腰部康复动作数据集。通过腰部康复动作数据集对Transformer-卷积神经网络融合模型进行训练,构建动作分类模型。通过留一交叉验证评估模型准确性,并与线性判别分析、支持向量机、多层感知、经典Transformer等模型进行性能对比。结果与结论:在5类动作识别任务中,Transformer-卷积神经网络模型准确率达96.67%,F1-score为0.9669。在单传感器输入的条件下,相较于传统模型,在识别精度与泛化能力方面具有明显优势。验证了基于单惯性测量单元数据的深度模型在腰部康复动作分类任务中的实用性,为轻量化、高部署性的居家腰部康复训练系统提供基础。 展开更多
关键词 慢性腰痛 康复训练 深度学习 transformER 单节点惯性传感器 动作分类
暂未订购
改进的Transformer-LSTM模型在交通流量预测中的应用与优化 被引量:1
20
作者 刘海悦 伍添龙 毛自森 《陆军工程大学学报》 2025年第4期80-87,共8页
针对现有方法在捕捉交通流量复杂时空特征中的不足,提出了一种改进的Transformer长短期记忆(long short-term memory,LSTM)融合模型,旨在提升高速公路交通流量的预测精度。结合LSTM的长期依赖建模能力与Transformer的全局自注意力机制,... 针对现有方法在捕捉交通流量复杂时空特征中的不足,提出了一种改进的Transformer长短期记忆(long short-term memory,LSTM)融合模型,旨在提升高速公路交通流量的预测精度。结合LSTM的长期依赖建模能力与Transformer的全局自注意力机制,通过门控残差网络筛选关键特征、动态位置编码增强时序感知,并引入掩码机制优化多头注意力计算,有效降低模型复杂度。基于长深高速公路监控数据,对比HA、ARIMA、LSTM、GRN及传统Transformer、GRN-Transformer等基线模型,实验结果表明,在6、12、24步长预测任务中,所提模型平均绝对误差(mean absolute error,MAE)与均方根误差(root mean square error,RMSE)均显著优于其他模型。其中,24步长预测的MAE较Transformer模型降低7.7%,RMSE较GRN-Transformer模型降低7.2%,验证了模型在捕捉长期时空依赖与动态特征上的优势。所提模型为智能交通系统提供了高精度的流量预测解决方案,可助力实时交通管理与决策优化。 展开更多
关键词 交通流预测 长短期记忆网络 transformER 门控残差网络 位置编码
在线阅读 下载PDF
上一页 1 2 250 下一页 到第
使用帮助 返回顶部