文摘为了准确预测电机绕组绝缘的剩余寿命,延长电机使用寿命、降低维护成本和防止意外故障,提出了一种新颖的深度学习模型用于预测电机绕组绝缘的剩余寿命。该模型结合了空洞卷积神经网络(Dilated Convolution,DCNN)、双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)和注意力机制(Attention),以提高预测的准确性。通过对电机绕组绝缘热老化机理的深入研究和加速寿命实验的数据收集与训练,模型能够有效捕捉电机绝缘老化过程中的复杂特征和非线性关系。实验结果表明,该模型在电机绝缘剩余寿命的预测方面表现出色,为电机的维护和可靠性管理提供了有力的工具。
文摘金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络(dilated convolutional neural network,DCNN)、长短时记忆神经网络(long short term memory,LSTM)和注意力机制(attention mechanism,AT)的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成:第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性.
