期刊导航
期刊开放获取
vip
退出
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
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
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:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
CNN-RxLSTM:基于混合时空卷积和残差xLSTM的EEG情绪识别网络
被引量:
1
1
作者
甘秋静
闭应洲
+2 位作者
霍雷刚
刘善锐
熊凯睿
《广西科学院学报》
2025年第1期24-32,共9页
针对基于脑电图(Electroencephalogram,EEG)的情绪识别方法在特征提取不足和时空依赖建模的局限性,本研究提出一种基于混合时空卷积神经网络(Convolutional Neural Network,CNN)和残差扩展型长短时记忆网络(Residual Extended Long Shor...
针对基于脑电图(Electroencephalogram,EEG)的情绪识别方法在特征提取不足和时空依赖建模的局限性,本研究提出一种基于混合时空卷积神经网络(Convolutional Neural Network,CNN)和残差扩展型长短时记忆网络(Residual Extended Long Short-Term Memory,RxLSTM)的EEG情绪识别模型CNN-RxLSTM。该模型首先使用CNN提取EEG信号的局部时空特征,然后引入xLSTM模块通过双向信息流处理和残差连接机制建模信号的全局时空依赖,最后通过分类器模块完成分类。为验证模型的有效性,分别在SEED数据集和DEAP数据集上进行实验。结果表明,在SEED数据集上,CNN-RxLSTM模型的分类准确率为98.15%;在DEAP数据集上,其效价分类准确率和唤醒分类准确率分别为94.60%和95.89%。研究结果验证了该模型在EEG情绪识别中的卓越性能,可为情绪解码和其他EEG相关研究提供新的解决方案。
展开更多
关键词
情绪识别
脑电图
卷积神经网络
扩展型长短时记忆网络
残差机制
在线阅读
下载PDF
职称材料
融合深度学习网络的地下储气库微震时序智能预测模型及其应用
2
作者
刘新涛
曹晓辉
+2 位作者
杜睿山
孟令东
马速超
《现代地质》
北大核心
2026年第1期275-286,共12页
地下储气库动态安全运行离不开对注采扰动引起微震活动的准确预测。针对微震时序中存在的强非线性耦合、外部注采扰动的滞后效应以及多尺度演化模式难以精确建模的问题,本研究提出了一种融合扩展型长短期记忆网络(xLSTM)与Informer结构...
地下储气库动态安全运行离不开对注采扰动引起微震活动的准确预测。针对微震时序中存在的强非线性耦合、外部注采扰动的滞后效应以及多尺度演化模式难以精确建模的问题,本研究提出了一种融合扩展型长短期记忆网络(xLSTM)与Informer结构的微震时序预测模型。在数据处理环节,构建了包含注采速率、井口压力、温度等多源工程参数的特征集,并采用皮尔逊相关系数与互信息方法筛选关键驱动特征,以增强输入的代表性;在模型设计上,引入xLSTM以强化短期动态扰动与时滞响应的建模能力,同时采用Informer的稀疏自注意力机制与层次化蒸馏编码结构,实现对长周期依赖与全局演化趋势的高效捕捉。实验结果表明,所提方法在微震事件频次与能量预测任务中,平均绝对误差(MAE)、均方误差(MSE)以及平均绝对百分比误差(MAPE)均显著优于对比模型。此外将该模型应用于同区块不同储气库的注采条件下,数据验证表明,其在复杂工况下能够准确预测微震事件频次和能量的演化趋势。
展开更多
关键词
xlstm
网络
Informer网络
时序预测
注意力机制
深度学习
地下储气库
在线阅读
下载PDF
职称材料
基于深度学习算法融合的B细胞线性表位预测模型
3
作者
羊红光
苏柏馨
《河北省科学院学报》
2025年第6期1-8,共8页
B细胞线性表位的实验鉴定不仅成本高,且通量低;同时,已开发的相关预测模型也存在泛化能力不足的问题。为此,本研究提出了一种多深度学习算法融合的B细胞线性表位预测模型——DFPred,由CNN、单头注意力机制和xLSTM组成,并且在训练数据集...
B细胞线性表位的实验鉴定不仅成本高,且通量低;同时,已开发的相关预测模型也存在泛化能力不足的问题。为此,本研究提出了一种多深度学习算法融合的B细胞线性表位预测模型——DFPred,由CNN、单头注意力机制和xLSTM组成,并且在训练数据集和验证数据集上对DFPred的性能进行了广泛测试。实验结果表明,DFPred的AUC和AUC10%分别达到0.806和0.420,均优于对比方法。
展开更多
关键词
线性表位
B细胞
卷积神经网络
扩展长短记忆网络
注意力机制
深度学习
融合
在线阅读
下载PDF
职称材料
题名
CNN-RxLSTM:基于混合时空卷积和残差xLSTM的EEG情绪识别网络
被引量:
1
1
作者
甘秋静
闭应洲
霍雷刚
刘善锐
熊凯睿
机构
南宁师范大学计算机与信息工程学院
出处
《广西科学院学报》
2025年第1期24-32,共9页
基金
国家自然科学基金项目(62067007)
广西学位与研究生教改课题(JGY2023236)资助。
文摘
针对基于脑电图(Electroencephalogram,EEG)的情绪识别方法在特征提取不足和时空依赖建模的局限性,本研究提出一种基于混合时空卷积神经网络(Convolutional Neural Network,CNN)和残差扩展型长短时记忆网络(Residual Extended Long Short-Term Memory,RxLSTM)的EEG情绪识别模型CNN-RxLSTM。该模型首先使用CNN提取EEG信号的局部时空特征,然后引入xLSTM模块通过双向信息流处理和残差连接机制建模信号的全局时空依赖,最后通过分类器模块完成分类。为验证模型的有效性,分别在SEED数据集和DEAP数据集上进行实验。结果表明,在SEED数据集上,CNN-RxLSTM模型的分类准确率为98.15%;在DEAP数据集上,其效价分类准确率和唤醒分类准确率分别为94.60%和95.89%。研究结果验证了该模型在EEG情绪识别中的卓越性能,可为情绪解码和其他EEG相关研究提供新的解决方案。
关键词
情绪识别
脑电图
卷积神经网络
扩展型长短时记忆网络
残差机制
Keywords
emotion recognition
Electroencephalogram(EEG)
Convolutional Neural
network
(CNN)
Ex-tended Long Short-Term Memory
network
(
xlstm
)
residual mechanism
分类号
TP391.7 [自动化与计算机技术—计算机应用技术]
R447 [医药卫生—诊断学]
在线阅读
下载PDF
职称材料
题名
融合深度学习网络的地下储气库微震时序智能预测模型及其应用
2
作者
刘新涛
曹晓辉
杜睿山
孟令东
马速超
机构
东北石油大学计算机与信息技术学院
中国联合工程有限公司
黑龙江省石油大数据与智能分析重点实验室
黑龙江省油气藏及地下储库完整性评价重点实验室
中国石油大庆油田工程建设有限公司
出处
《现代地质》
北大核心
2026年第1期275-286,共12页
基金
黑龙江省科技创新基地项目“数智化油田信息感知与智能分析处理关键技术研究”(JD24A009)
东北石油大学人才引进科研启动经费资助项目(13051202402)。
文摘
地下储气库动态安全运行离不开对注采扰动引起微震活动的准确预测。针对微震时序中存在的强非线性耦合、外部注采扰动的滞后效应以及多尺度演化模式难以精确建模的问题,本研究提出了一种融合扩展型长短期记忆网络(xLSTM)与Informer结构的微震时序预测模型。在数据处理环节,构建了包含注采速率、井口压力、温度等多源工程参数的特征集,并采用皮尔逊相关系数与互信息方法筛选关键驱动特征,以增强输入的代表性;在模型设计上,引入xLSTM以强化短期动态扰动与时滞响应的建模能力,同时采用Informer的稀疏自注意力机制与层次化蒸馏编码结构,实现对长周期依赖与全局演化趋势的高效捕捉。实验结果表明,所提方法在微震事件频次与能量预测任务中,平均绝对误差(MAE)、均方误差(MSE)以及平均绝对百分比误差(MAPE)均显著优于对比模型。此外将该模型应用于同区块不同储气库的注采条件下,数据验证表明,其在复杂工况下能够准确预测微震事件频次和能量的演化趋势。
关键词
xlstm
网络
Informer网络
时序预测
注意力机制
深度学习
地下储气库
Keywords
xlstm network
Informer
network
time series prediction
attention mechanism
deep learning
underground gas storage
分类号
P315 [天文地球—地震学]
TP391 [自动化与计算机技术—计算机应用技术]
T631.8 [一般工业技术]
T618.1 [一般工业技术]
TE122.3 [石油与天然气工程—油气勘探]
在线阅读
下载PDF
职称材料
题名
基于深度学习算法融合的B细胞线性表位预测模型
3
作者
羊红光
苏柏馨
机构
河北省科学院应用数学研究所/河北省信息安全认证技术创新中心
河北科技大学澳联大信息工程学院
出处
《河北省科学院学报》
2025年第6期1-8,共8页
基金
河北省自然科学基金项目(F2022302001)。
文摘
B细胞线性表位的实验鉴定不仅成本高,且通量低;同时,已开发的相关预测模型也存在泛化能力不足的问题。为此,本研究提出了一种多深度学习算法融合的B细胞线性表位预测模型——DFPred,由CNN、单头注意力机制和xLSTM组成,并且在训练数据集和验证数据集上对DFPred的性能进行了广泛测试。实验结果表明,DFPred的AUC和AUC10%分别达到0.806和0.420,均优于对比方法。
关键词
线性表位
B细胞
卷积神经网络
扩展长短记忆网络
注意力机制
深度学习
融合
Keywords
Linear epitope
B-cell
Convolutional neural
network
(CNN)
Extended long short-term memory(
xlstm
)
Attention mechanism
Deep learning
Fusion
分类号
R392.9 [医药卫生—免疫学]
TP389.1 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
CNN-RxLSTM:基于混合时空卷积和残差xLSTM的EEG情绪识别网络
甘秋静
闭应洲
霍雷刚
刘善锐
熊凯睿
《广西科学院学报》
2025
1
在线阅读
下载PDF
职称材料
2
融合深度学习网络的地下储气库微震时序智能预测模型及其应用
刘新涛
曹晓辉
杜睿山
孟令东
马速超
《现代地质》
北大核心
2026
0
在线阅读
下载PDF
职称材料
3
基于深度学习算法融合的B细胞线性表位预测模型
羊红光
苏柏馨
《河北省科学院学报》
2025
0
在线阅读
下载PDF
职称材料
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部