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
共找到4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：
融合Transformer和卷积LSTM的轨迹分类网络
1
作者 夏英 陈航 《重庆邮电大学学报（自然科学版）》 CSCD 北大核心 2024年第1期29-38,共10页
为了减少原始轨迹数据的噪声,充分提取轨迹的时空特征,提高基于轨迹数据的交通模式分类精度,提出一种融合堆叠降噪自编码器、Transformer和卷积长短期记忆网络的轨迹分类网络(networks fusing stacked denoising auto-encoder, Transfor... 为了减少原始轨迹数据的噪声,充分提取轨迹的时空特征,提高基于轨迹数据的交通模式分类精度,提出一种融合堆叠降噪自编码器、Transformer和卷积长短期记忆网络的轨迹分类网络(networks fusing stacked denoising auto-encoder, Transformer and ConvLSTM,SDAETC)。通过堆叠降噪自编码器减少原始轨迹数据中的噪声;利用结合了Transformer的递归图自编码器,提取到更为丰富的时间特征,同时利用特征图自编码器提取空间特征;改进卷积长短期记忆网络,充分提取轨迹中的时空特征,并与提取到的时间特征和空间特征相融合,从而实现交通模式分类。实验结果表明,提出的SDAETC与基线模型相比,在GeoLife和SHL数据集上的准确率分别提升了1.8%和2%。此外,消融实验结果和模型训练时间分析表明,引入堆叠降噪自编码器、Transfomer和ConvLSTM虽然增加了时间消耗,但是对分类精度有积极贡献。 展开更多
关键词 轨迹数据 交通方式分类 时空特征 堆叠降噪自编码器 TRANSFORMER 卷积长短期记忆网络
下载PDF
基于分组双阶段双向卷积长短期方法的高光谱图像超分辨率网络
2
作者 林建君 侯钧译 杨翠云 《智能城市》 2024年第4期1-3,共3页
文章提出基于分组的双阶段Bi-ConvLSTM网络(GDBN),可以充分利用图像的空间和光谱信息,通过使用以波段为单位的分组策略,有效缓解了计算负担,并对光谱信息进行保护。在编码器的不同阶段,对浅层信息提取模块和深度特征提取模块进行不同层... 文章提出基于分组的双阶段Bi-ConvLSTM网络(GDBN),可以充分利用图像的空间和光谱信息,通过使用以波段为单位的分组策略,有效缓解了计算负担,并对光谱信息进行保护。在编码器的不同阶段,对浅层信息提取模块和深度特征提取模块进行不同层次信息的提取,浅层信息提取模块能够对不同尺度的浅层特征信息进行充分捕捉,深度特征提取模块能够捕捉图像的高频特征信息。文章还引入通道注意力机制,增强网络对特征的组织能力,并在自然数据集cave上进行大量实验,效果普遍优于目前主流的深度学习方法。 展开更多
关键词 双向卷积长短期记忆网络 高光谱图像超分辨率 通道注意力 神经网络 深度学习
下载PDF
基于时间序列和CNN-LSTM的滑坡位移动态预测 被引量：14
3
作者 王朝阳 李丽敏 +2 位作者 温宗周 张明岳 魏雄伟 《国外电子测量技术》 北大核心 2022年第3期1-8,共8页
针对滑坡演化的动态特性以及静态预测模型的不足,提出一种基于时间序列与卷积长短期记忆神经网络(CNN-LSTM)的滑坡位移动态预测模型。首先,在利用曼-肯德尔(Mann-Kendall)趋势检验法检验滑坡位移的趋势特征的基础上,采用二次移动平均法... 针对滑坡演化的动态特性以及静态预测模型的不足,提出一种基于时间序列与卷积长短期记忆神经网络(CNN-LSTM)的滑坡位移动态预测模型。首先,在利用曼-肯德尔(Mann-Kendall)趋势检验法检验滑坡位移的趋势特征的基础上,采用二次移动平均法将滑坡累积位移分解为趋势项位移和周期项位移,并采用最小二乘多项式函数拟合趋势项位移。然后,采用频谱图检验滑坡位移的周期特征,对周期项位移采用CNN-LSTM混合网络模型进行预测。最后,将两者预测值叠加得到累积位移预测值。该模型在中国三峡库区八字门滑坡得到了验证。实验结果表明,与当前常见的预测模型相比,所提方法的能有效对滑坡位移进行预测,且在周期项位移预测方面相较于经典BP神经网络,LSTM网络以及“门循环”(gated recurrent unit,GRU)网络模型,CNN-LSTM网络模型有更高的预测精度。 展开更多
关键词 滑坡位移预测 时间序列 卷积长短期记忆神经网络 八字门滑坡
下载PDF
注意力去噪与复数LSTM的时变信道预测算法
4
作者 陈永 蒋丰源 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2024年第1期29-40,共12页
随着无线通信技术的发展,高速场景下通信技术的研究也越来越广泛,其中获取到准确的信道状态信息对提升无线通信系统的性能具有重要的意义。针对正交频分复用系统在高速场景下,现有信道预测算法未考虑噪声影响及预测精度低的问题,提出了... 随着无线通信技术的发展,高速场景下通信技术的研究也越来越广泛,其中获取到准确的信道状态信息对提升无线通信系统的性能具有重要的意义。针对正交频分复用系统在高速场景下,现有信道预测算法未考虑噪声影响及预测精度低的问题,提出了一种注意力去噪与复数卷积LSTM的时变信道预测算法。首先,设计了一种通道注意力信道去噪网络对信道状态信息进行去噪处理,降低了噪声对信道状态信息的影响。然后,提出了基于复数卷积层和长短期记忆网络的信道预测模型,对去噪后历史时刻的信道状态信息进行特征提取,并且对未来时刻的信道状态信息进行预测;改进后的LSTM预测模型增强了对信道时序特征的提取能力,提高了信道预测的精度。最后,结合Adam优化器对未来时刻信道状态信息进行预测输出。仿真结果表明:与对比算法相比,所提基于注意力去噪与复数卷积LSTM的时变信道预测算法对信道状态信息的预测精度更高,能够适用于高速移动场景下的时变信道预测。 展开更多
关键词 时变信道预测 高速场景 通道注意力去噪 复数卷积长短期记忆网络 正交频分复用
下载PDF
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
使用帮助 返回顶部