-
题名基于长短期记忆神经网络的健康状态估算
被引量：1
- 1
-
-
作者
肖仁鑫
宋新月
张梦帆
夏雪磊
肖佳鹏
-
机构
昆明理工大学交通工程学院
-
出处
《农业装备与车辆工程》
2020年第4期77-81,共5页
-
文摘
当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。
-
关键词
锂离子电池
健康状态
长短期记忆神经网络算法
学习率优化
-
Keywords
lithium-ion battery
state of health
long short term memory neural network algorithm
learning rate optimization
-
分类号
TM912
[电气工程—电力电子与电力传动]
-
-
题名目标检测模型的优化训练方法研究
- 2
-
-
作者
杨海龙
田莹
王澧冰
-
机构
辽宁科技大学计算机与软件工程学院
-
出处
《辽宁科技大学学报》
CAS
2020年第2期129-134,145,共7页
-
文摘
针对基于深度学习的目标检测模型如何能更高效地训练问题,探究数据增强、类标签平滑、学习率优化和随机尺度训练四种优化训练方法对于检测性能的提升程度,并将其用于单阶段检测模型YOLOv3和双阶段检测模型Faster R-CNN。在PASCAL VOC数据集上进行训练测试,证明这些方法都能在一定程度上提高检测准确率,并阐释了各种方法提升准确率的原因。在MS COCO数据集上实验证明这些优化训练方法的泛化能力,能够更高效地训练目标检测模型。
-
关键词
目标检测
数据增强
类标签平滑
学习率优化
随机尺度训练
-
Keywords
object detection
data augmentation
class label smoothing
learning rate optimization
random scale training
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于DC-DenseNet的乳腺癌病理图像分类
被引量：1
- 3
-
-
作者
张庙林
帅仁俊
-
机构
南京工业大学计算机科学与技术学院
-
出处
《计算机应用与软件》
北大核心
2023年第4期116-121,共6页
-
基金
国家自然科学基金项目(61701222)。
-
文摘
乳腺癌病理图像的自动分类具有重要的临床应用价值。设计一种新颖的卷积神经网络模型(DC-DenseNet),该模型在DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。此外,还提出一种新的学习率优化器,它不需要复杂的微调学习率就可以表现出优异的性能。对BACH数据集划分为良性、恶性、原位癌和浸润性癌四个类进行分类预测研究,并将所提的方法与AlexNet、VGG-19、DenseNet161模型进行综合对比。实验结果表明所提方法有效提高了乳腺癌的分类预测精度,在四个类上的平均识别率达到了94.10%。
-
关键词
乳腺癌病理图像
图像分类
卷积神经网络
DenseNet优化
学习率优化器
-
Keywords
Breast cancer pathological image
Image classification
Convolutional neural network
DenseNet optimization
Learning rate scheduler
-
分类号
TP391.7
[自动化与计算机技术—计算机应用技术]
-
-
题名多模型分层融合的配用电系统用户数据识别
被引量：1
- 4
-
-
作者
蔡军
谢航
吴高翔
唐贤伦
邹密
-
机构
重庆市复杂系统与仿生控制重点实验室(重庆邮电大学)
国网重庆市电力公司电力科学研究院
-
出处
《电工电能新技术》
CSCD
北大核心
2022年第4期49-58,共10页
-
基金
国家电网公司科技项目(SGCQDK00NYJS2000060)
国家自然科学基金(52007022)。
-
文摘
针对配用电系统用户数据识别中特征选择困难和单模型分类精度不高的问题,本文提出多模型分层融合的识别方法。首先,设计多尺度联结的递归差分卷积网络对用户数据进行特征提取,使浅层融合的有效信息不会随着层数的增长而消失;其次,改进自适应学习率优化算法训练模型,增加模型分类性能;最后对6种基模型分层加权融合,以阈值划分层级,新定义混淆矩阵的错误样本数确定权值,有效克服了基模型适应度缺陷。融合方法在用户特征库的识别上获得99.43%的准确率,比传统卷积神经网络与加权融合方法的准确率分别提高0.53%、0.47%,实现了对用户数据的特征提取和高准确率识别,有助于提高配用电系统信息处理和智能决策水平,为电力需求侧用户服务和经营管理提供支撑。
-
关键词
递归差分卷积网络
模型分层加权融合
自适应学习率优化算法
阈值区间
混淆矩阵
-
Keywords
recursive differential convolutional network
multi-model hierarchical weighted integration
adaptive learning rate optimization algorithm
threshold interval
confusion matrix
-
分类号
TM731
[电气工程—电力系统及自动化]
-
