热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional lon...热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。展开更多
为了满足运行速度快、时延低、性能好、公平性好等特点,提出了多服务器门限服务系统,并利用BiLSTM(Bi-direc-tional Long Short-Term Memory)神经网络对其进行预测分析,使用多服务器接入方式来降低网络时延,改善系统性能。多个服务器调...为了满足运行速度快、时延低、性能好、公平性好等特点,提出了多服务器门限服务系统,并利用BiLSTM(Bi-direc-tional Long Short-Term Memory)神经网络对其进行预测分析,使用多服务器接入方式来降低网络时延,改善系统性能。多个服务器调度时,可以采用同步和异步两种方式。首先,研究多服务器门限服务的系统模型。其次,在单服务器的基础上,利用嵌入马尔可夫链和概率母函数的分析方法对多服务器门限服务的平均排队队长、平均循环周期和平均时延进行求解;同时,利用Matlab进行仿真实验,分别将单服务器系统与多服务器系统的理论值与仿真值进行系统分析,对比多服务器同步和异步两种方式。最后,构建BiLSTM神经网络来预测多服务器系统的性能。实验结果表明,该多服务器系统异步方式优于同步和单服务器系统,多服务器异步系统的性能更好,时延更低,效率更高。综合对比多服务器的3种基本服务系统,在保证公平性的情况下,门限服务系统更加稳定。并且使用BiLSTM神经网络预测算法能够准确预测系统的性能,提高计算效率,对轮询系统的性能评价具有指导意义。展开更多
抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与...抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.展开更多
为了更有效地获得缺陷报告的非结构化信息的特征,提出一种D_BBAS(Doc2vec and BERT BiLSTM-attention similarity)方法,它基于大规模缺陷报告库训练特征提取模型,生成能反映深层次语义信息的缺陷摘要文本表示集和缺陷描述文本表示集;利...为了更有效地获得缺陷报告的非结构化信息的特征,提出一种D_BBAS(Doc2vec and BERT BiLSTM-attention similarity)方法,它基于大规模缺陷报告库训练特征提取模型,生成能反映深层次语义信息的缺陷摘要文本表示集和缺陷描述文本表示集;利用这两个分布式的表示集计算出缺陷报告对的相似度,从而得到两个新的相似度特征;这两个新特征将与基于结构化信息生成的传统特征结合后参与重复缺陷报告的检测。在著名开源项目Eclipse、NetBeans和Open Office的缺陷报告库上验证了D_BBAS方法的有效性,其中包含超过50万个缺陷报告。实验结果表明,相比于代表性方法,该方法的F1值平均提升了1.7%,证明了D_BBAS方法的有效性。展开更多
安全是民航业的核心主题。针对目前民航非计划事件分析严重依赖专家经验及分析效率低下的问题,文章提出一种结合Word2vec和双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络模型的民航非计划事件分析方法。首先采...安全是民航业的核心主题。针对目前民航非计划事件分析严重依赖专家经验及分析效率低下的问题,文章提出一种结合Word2vec和双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络模型的民航非计划事件分析方法。首先采用Word2vec模型针对事件文本语料进行词向量训练,缩小空间向量维度;然后通过BiLSTM模型自动提取特征,获取事件文本的完整序列信息和上下文特征向量;最后采用softmax函数对民航非计划事件进行分类。实验结果表明,所提出的方法分类效果更好,能达到更优的准确率和F 1值,对不平衡数据样本同样具有较稳定的分类性能,证明了该方法在民航非计划事件分析上的适用性和有效性。展开更多
针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输...针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。展开更多
水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相...水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。展开更多
文摘热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。
文摘为了满足运行速度快、时延低、性能好、公平性好等特点,提出了多服务器门限服务系统,并利用BiLSTM(Bi-direc-tional Long Short-Term Memory)神经网络对其进行预测分析,使用多服务器接入方式来降低网络时延,改善系统性能。多个服务器调度时,可以采用同步和异步两种方式。首先,研究多服务器门限服务的系统模型。其次,在单服务器的基础上,利用嵌入马尔可夫链和概率母函数的分析方法对多服务器门限服务的平均排队队长、平均循环周期和平均时延进行求解;同时,利用Matlab进行仿真实验,分别将单服务器系统与多服务器系统的理论值与仿真值进行系统分析,对比多服务器同步和异步两种方式。最后,构建BiLSTM神经网络来预测多服务器系统的性能。实验结果表明,该多服务器系统异步方式优于同步和单服务器系统,多服务器异步系统的性能更好,时延更低,效率更高。综合对比多服务器的3种基本服务系统,在保证公平性的情况下,门限服务系统更加稳定。并且使用BiLSTM神经网络预测算法能够准确预测系统的性能,提高计算效率,对轮询系统的性能评价具有指导意义。
文摘抑郁症诊断是医学领域的重要研究方向.而现有的抑郁症诊断方法存在高成本、低效率、准确率不高以及解释性不强等问题,为解决该问题,本文结合睡眠分期技术,提出一种基于睡眠脑电信号的抑郁症自动诊断算法.该方法首先通过卷积神经网络与双向长短时记忆神经网络结合,能够提取睡眠信号的高级特征,同时结合不同睡眠时期的关联性进行分析,提升了睡眠分期的准确率与可解释性.实验结果表明,这种方法在Sleep-EDF公开数据集中准确率最高能够达到95.82%,超越了大多数现有方法.随后,基于睡眠分期的结果,结合卷积神经网络提出了DepNet2D (depression net 2 dimension)模型,对REM期的脑电数据进行特征提取并分类.该模型能够有效地学习睡眠脑电的时空依赖关系,捕捉抑郁症患者大脑活动的特征模式,提高了识别患者频谱特征的准确率.实验结果表明,在抑郁症诊断任务中,本文提出的抑郁症筛查方法准确率达到了88.82%,与传统抑郁症诊断模型相比,具有更高的准确率.该方法增强了抑郁症诊断的可解释性,对现代抑郁症研究等分析研究具有一定的实用价值,为精神健康领域的研究和临床实践提供了新的思路和方法.
文摘安全是民航业的核心主题。针对目前民航非计划事件分析严重依赖专家经验及分析效率低下的问题,文章提出一种结合Word2vec和双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络模型的民航非计划事件分析方法。首先采用Word2vec模型针对事件文本语料进行词向量训练,缩小空间向量维度;然后通过BiLSTM模型自动提取特征,获取事件文本的完整序列信息和上下文特征向量;最后采用softmax函数对民航非计划事件进行分类。实验结果表明,所提出的方法分类效果更好,能达到更优的准确率和F 1值,对不平衡数据样本同样具有较稳定的分类性能,证明了该方法在民航非计划事件分析上的适用性和有效性。
文摘针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。
文摘水泥生产过程中,分解炉出口温度是非常重要的工艺参数,为了应对出口温度变量的多样性,文章提出一种核主成分分析(kernel principal component analysis,KPCA)与双向长短期记忆(bidirectional long short-term memory,BiLSTM)神经网络相结合的温度预测组合模型用来预测分解炉的出口温度。通过KPCA筛选出影响因素的主成分从而达到数据降维目的,将降维后的主成分作为BiLSTM神经网络的输入,分解炉出口温度作为BiLSTM神经网络的输出。经BiLSTM神经网络训练,得到分解炉出口温度预测模型。通过对比验证表明,使用KPCA-BiLSTM相结合的温度预测模型具有较好的预测精度。
