期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
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1,054篇文章
< 1 2 … 53 >
每页显示 20 50 100
已选0条
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：
基于CNN-LSTM的锚链提升器液压系统故障诊断 认领 引用 被引量：1
1
作者 李文华 杨镜田 +3 位作者 叶浩然 王火平 林珊颖 洪磊 《机床与液压》 北大核心 2026年第6期193-199,共7页
针对单一浅层学习模型不能有效处理时序数据的时空特征,而导致锚链提升器液压系统故障诊断准确率低的问题,提出一种基于CNN-LSTM的故障诊断方法。该方法结合CNN提取空间局部特征的能力和LSTM捕捉时序依赖关系的性能,实现时序数据时空特... 针对单一浅层学习模型不能有效处理时序数据的时空特征,而导致锚链提升器液压系统故障诊断准确率低的问题,提出一种基于CNN-LSTM的故障诊断方法。该方法结合CNN提取空间局部特征的能力和LSTM捕捉时序依赖关系的性能,实现时序数据时空特征的深度融合。依托锚链提升器实验台,模拟液压泵泄漏、管路老化和单向阀堵塞3种典型故障,并采集各工况下系统压力、流量和温度的多传感器时序数据,为故障的诊断提供数据支撑。诊断结果表明:该模型能准确识别故障严重程度,准确率达到99.62%,相较于单一的CNN、LSTM及RBF模型,准确率分别提高了5.61%、7.38%、11.64%。该方法为复杂机电液系统提供了一种有效的智能故障诊断解决方案,具有重要的工程应用价值。 展开更多
关键词 锚链提升器 液压系统 故障诊断 CNN-LSTM
暂未订购 下载PDF
基于多头注意力CNN-LSTM碳排放量预测研究 认领 引用 被引量：2
2
作者 仵晓聪 冯鑫 蒋豪 《重庆工商大学学报（自然科学版）》 2026年第3期116-124,共9页
目的由于碳排放具有不规律性和非线性的特点,针对如何提升碳排放量预测效果,提出一种基于多头注意力CNN-LSTM的碳排放预测方法。方法基于CNN网络具有的空间特征提取优势和LSTM算法有效利用长、短期时间的依赖关系,引入多头注意力机制以... 目的由于碳排放具有不规律性和非线性的特点,针对如何提升碳排放量预测效果,提出一种基于多头注意力CNN-LSTM的碳排放预测方法。方法基于CNN网络具有的空间特征提取优势和LSTM算法有效利用长、短期时间的依赖关系,引入多头注意力机制以分配不同权重的方式,采用多头注意力机制引导下的CNN-LSTM模型对我国碳排放量进行预测。结果对过去1724 d碳排放量的数据集进行训练和预测,发现测试集的RMSE、MASE、MAPE指标数值分别为0.0802、0.3020、0.1057;与BP神经网络算法、ARIMA(2,1,4)、GM(1,1)进行对比,可以明显看出设计的模型在3种评价指标方面均优于其余预测算法。结论采用基于多头注意力的CNN-LSTM碳排放预测方法能够有效提高预测精确度,适用于时间序列预测。 展开更多
关键词 碳排放量预测 多头注意力机制 CNN-LSTM模型 多头注意力CNN-LSTM预测模型
暂未订购 下载PDF
物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测研究 认领 引用 被引量：1
3
作者 刘伟 李洋洋 《电力系统保护与控制》 EI CSCD 北大核心 2026年第2期58-69,共12页
为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地... 为提高光伏发电系统在复杂多变气象条件下输出功率预测的精确性和稳定性,基于物理-数据融合的驱动策略,提出一种物理特征扩展的ASReLU-CNN-LSTM短期光伏功率预测方法。该方法首先通过改进太阳轨迹模型动态校正斜面辐照度,使其更准确地反映组件实际受光强度,接着结合光电转换模型与小型前馈网络扩展数据集的相对功率特征。其次,构建自适应平滑修正线性单元(adaptively smooth rectifier linear unit,ASReLU),通过参数自适应平滑修正优化卷积神经网络(convolutional neural network,CNN)的负特征提取能力。最后,将物理特征扩展的数据集输入ASReLU-CNN-LSTM模型,实现光伏功率的预测。在两个不同气候区数据集上的实验结果表明,该预测方法具有较高的精确性和泛化能力。 展开更多
关键词 短期光伏功率预测 太阳轨迹模型 光电转换模型 自适应平滑修正线性单元 CNN-LSTM模型
暂未订购 下载PDF
深度学习在恶意软件检测中的应用:GPT-4、BERT与CNN-LSTM的集成框架 认领 引用 被引量：1
4
作者 钱丽萍 黄楠楠 +2 位作者 丛林 崔雨婷 陈艳鹏 《科学技术与工程》 EI 北大核心 2026年第6期2502-2513,共12页
随着恶意软件的快速增长和复杂化,传统的恶意软件检测方法已难以满足当前的安全需求。提出了一种基于深度学习的集成框架,该框架结合了GPT-4、BERT和CNN-LSTM,以提高恶意软件检测的准确性和效率。首先,利用GPT-4生成解释性文本,为恶意... 随着恶意软件的快速增长和复杂化,传统的恶意软件检测方法已难以满足当前的安全需求。提出了一种基于深度学习的集成框架,该框架结合了GPT-4、BERT和CNN-LSTM,以提高恶意软件检测的准确性和效率。首先,利用GPT-4生成解释性文本,为恶意软件的API调用提供上下文信息,增强了模型对未知或变异恶意软件的识别能力。接着,通过BERT模型对这些解释性文本进行编码,提取深层次的语义特征。最后,采用CNN-LSTM网络作为下游分类器,以处理序列数据并捕捉时间依赖性。在mal-api-2019数据集上的测试显示,该方法实现了准确率97.53%,精确率96.80%,召回率97.50%,F1分数97.15%的优异性能,显著优于现有最先进技术。为了验证模型的泛化能力,在VirusShare数据集上做了实验,结果也优于现有技术。本文方法通过创新的深度学习集成框架,有效地提高了恶意软件的检测率,为网络安全领域提供了一种高效的技术解决方案。 展开更多
关键词 恶意软件检测 动态分析 深度学习 GPT-4 CNN-LSTM分类器
暂未订购 下载PDF
基于CNN-LSTM的贵州省水资源需水预测与趋势分析 认领 引用 被引量：1
5
作者 李析男 朱飞燕 《人民珠江》 2026年第1期11-22,共12页
水资源是影响经济发展、生态保护和社会稳定的关键因素,气候变化加剧了其不确定性,尤其在缺水或分布不均的地区。贵州省作为典型山区省份,地形复杂、气候多变,水资源管理面临挑战。基于2004—2023年贵州省水资源公报数据(降水量、水资... 水资源是影响经济发展、生态保护和社会稳定的关键因素,气候变化加剧了其不确定性,尤其在缺水或分布不均的地区。贵州省作为典型山区省份,地形复杂、气候多变,水资源管理面临挑战。基于2004—2023年贵州省水资源公报数据(降水量、水资源量、用水量)和CMIP6四个全球气候模式(BCC-CSM2-MR,CAMS-CSM1-0,CMCC-CM2-SR5,MIROC6)的未来气候数据,构建了CNN-LSTM模型进行水资源供需预测,并分析了不同情景下水资源变化趋势。结果表明,CNN-LSTM模型预测精度高,测试集的平均绝对百分比误差为0.12383(水资源量)和0.18205(用水量),决定系数分别为0.99063和0.99067,表明模型能够有效捕捉数据的复杂时空变化趋势。未来预测显示,贵州省水资源量在SSP245(中排放)和SSP585(高排放)情景下均呈增加趋势,SSP585情景下变化幅度显著大于SSP245情景,且远期(2080—2099年)变化幅度远大于近期(2030—2049年),凸显了长期气候变化的累积效应。水资源量空间差异显著,黔南州(受地形抬升效应)增幅最大(远期SSP585达40亿m3),贵阳市(因高城镇化率削弱入渗)增幅最小(8.6亿m3)。需水量同样呈增长趋势,遵义市变化最明显(远期SSP585增加4.55亿m3)。气候变化对水资源的影响存在空间异质性,水资源分布不均和用水结构多样性是主要原因。模型预测未来水资源总量虽增加,但空间分布不均和用水结构差异带来的挑战依然严峻。未来水资源管理应重视气候变化影响,推广节水技术,提高用水效率,建立预测模型,并针对不同区域特点(如黔南防洪、遵义需水管理)制定策略,确保水资源可持续利用。 展开更多
关键词 水资源管理 气候变化 CNN-LSTM模型 CMIP6 需水量预测 贵州省
暂未订购 下载PDF
基于CNN-LSTM的深基坑挡墙变形时空分布预测方法 认领 引用
6
作者 廖少明 唐琳鸿 +3 位作者 杨逸枫 张世阳 范垚垚 刘智 《湖南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2026年第3期63-75,共13页
为实现软土地层基坑挡墙变形的精准预测与有效控制,保障基坑安全施工,本文基于基坑挡墙变形显著的时空分布变化特征,建立基坑挡墙变形时空分布矩阵并提出融合卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型CNN-LSTM,结合上海... 为实现软土地层基坑挡墙变形的精准预测与有效控制,保障基坑安全施工,本文基于基坑挡墙变形显著的时空分布变化特征,建立基坑挡墙变形时空分布矩阵并提出融合卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型CNN-LSTM,结合上海某深基坑工程,从时空维度对挡墙变形进行同步预测与对比验证.结果表明:1)基于挡墙位移时空分布矩阵的CNN-LSTM混合预测模型与4种传统模型相比,通过时空分布特征的提取与深度学习,可对基坑水平位移的时空分布实现精准预测;2)在空间分布预测方面,通过位移空间分布特征的提取与深度学习,不仅能对挡墙变形模式进行准确识别,还能对变形曲率及最大变形位置等分布特征进行精准预测,沿深度和水平方向预测的平均绝对误差MAE分别为0.532 mm和0.742 mm;3)在时间分布预测方面,通过水平位移时序特征的提取与深度学习,并考虑长短时数据依赖关系,能适应不同施工阶段挡墙位移的动态预测,施工期内预测的MAE为0.841 mm,表现出良好的鲁棒性. 展开更多
关键词 CNN-LSTM 时空分布特征 挡墙位移 神经网络
暂未订购 下载PDF
结合SBAS-InSAR与IPSO-CNN-LSTM优化模型的尾矿库监测与预测研究 认领 引用
7
作者 袁利伟 张舒寒 +2 位作者 李延林 杨四美 聂晗 《安全与环境学报》 CAS CSCD 北大核心 2026年第3期980-991,共12页
针对传统尾矿库监测手段的局限性及预测模型处理长时序数据时易丢失信息的问题,融合短基线集干涉合成孔径雷达(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)与改进粒子群算法(Improved Particle Swarm ... 针对传统尾矿库监测手段的局限性及预测模型处理长时序数据时易丢失信息的问题,融合短基线集干涉合成孔径雷达(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)与改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络,构建监测预测模型。以云南某铅锌矿尾矿库为例,基于97景哨兵一号影像和SBAS-InSAR技术监测地表形变,结合GNSS数据验证。结果表明:垂向最大沉降形变速率为58.56 mm/a,累计最大沉降量为233.76 mm;并运用经验模态分解(Empirical Mode Decomposition,EMD)揭示了降雨与沉降的关联。研究表明:IPSO-CNN-LSTM模型的各项误差评价指标均显著低于单一模型及CNN-LSTM模型,且其决定系数均高于97%;IPSO-CNN-LSTM模型在预测尾矿库形变方面展现出更高的精度和稳定性,并能准确捕捉降雨波动性和趋势性的影响,为尾矿库的后续监测与管理提供了坚实的技术支撑。 展开更多
关键词 安全工程 尾矿库 SBAS-InSAR技术 IPSO-CNN-LSTM预测模型 形变监测 形变预测
暂未订购 下载PDF
基于CNN-LSTM-AM的煤岩识别方法研究 认领 引用
8
作者 马冠超 李波 +4 位作者 韩猛 胡成军 张强 潘格格 刘洋 《金属矿山》 CAS 北大核心 2026年第6期40-49,共10页
针对煤岩截割过程中声音信号受强噪声干扰、非平稳性显著及传统方法在特征提取与识别精度方面存在不足的问题,提出一种融合变分模态分解(VMD)与注意力机制卷积长短期记忆网络(CNN-LSTM-AM)的煤岩识别方法。首先,采用VMD结合香农熵模态... 针对煤岩截割过程中声音信号受强噪声干扰、非平稳性显著及传统方法在特征提取与识别精度方面存在不足的问题,提出一种融合变分模态分解(VMD)与注意力机制卷积长短期记忆网络(CNN-LSTM-AM)的煤岩识别方法。首先,采用VMD结合香农熵模态筛选准则对原始声音信号进行自适应分解与重构,有效抑制机械噪声、电气噪声及外部干扰,保留关键声学特征,实现复杂工况下的去噪与特征增强;其次,构建CNN-LSTM-AM识别模型,利用卷积层与LSTM层进行深度空间特征提取与时序特征建模,并引入注意力机制强化全局与局部信息的关联学习,从而提升模型对煤岩混合介质的识别能力;最后,基于搭建的煤岩截割声音试验平台,采集6类典型截割工况下的样本数据进行验证。试验结果表明,所提方法在6类标签下的识别准确率和精准率均达98.33%,召回率98.37%,F1分数98.33%,显著优于CNN、LSTM与CNN-LSTM对比模型,验证了其在复杂井下环境中的高效性、鲁棒性与工程应用价值。 展开更多
关键词 煤岩识别 声音信号 变分模态分解 CNN-LSTM-AM
暂未订购 下载PDF
Recognition and classification of microseismic signals based on Bayesian-optimized CNN-LSTM neural network 认领 引用
9
作者 WU Yang LIU Jian-feng +4 位作者 WANG Chun-ping LIU Jun-jie JI Zhen-xing TIAN Cheng-yu XUE Fu-jun 《Journal of Central South University》 SCIE EI CAS CSCD 2026年第6期2762-2787,共26页
Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"S... Microseismic monitoring and signal recognition constitute critical technologies for accurately assessing rockburst risks and ensuring the safe construction of underground rock engineering.This study developed a"Surface+Underground"microseismic intelligent monitoring system to evaluate dynamic disaster risks during construction at the Beishan High-level Radioactive Waste Geological Disposal Laboratory in China.The datasets of four typical one-dimensional time-domain microseismic signals,including rock fracture,blasting,TBM tunneling,and drilling,were constructed,and the BO-CNN-LSTM model is developed to identify and classify these signals..Based on the classification results,the typical time-frequency domain characteristics of the four types of signals are analyzed.The classification results of BO-CNN-LSTM,CNN,LSTM and CNN-LSTM models show that the recognition accuracy of the four models is 98.0%,85.7%,66.7%and 91.0%,respectively.Among all types,the four models demonstrate the highest effectiveness in identifying rock fracture and borehole signals.The findings further confirm that the BO-CNN-LSTM model efficiently recognizes and extracts microseismic signal features,demonstrating superior performance and stability in the classification task.Finally,the study suggests several future research directions,particularly in the areas of raw signal denoising,and automation of feature extraction. 展开更多
关键词 deep ground engineering microseismic monitoring signal classification neural network Bayesian optimization convolutional neural network(CNN) long short-term memory network(LSTM) BO-CNN-LSTM model
暂未订购 下载PDF
基于CNN-LSTM的电力物联网边缘设备智能响应与数据管控模型 认领 引用 被引量：2
10
作者 马振华 徐涛 刘宏岭 《宁夏电力》 2026年第1期53-61,共9页
智能电网和可再生能源的快速发展,使电力物联网(Internet of Things, IoT)在边缘设备接入、数据处理与平台管控方面面临挑战。负荷预测作为关键技术,直接影响系统调度与运行效率。本文提出一种卷积神经网络(convolutional neural networ... 智能电网和可再生能源的快速发展,使电力物联网(Internet of Things, IoT)在边缘设备接入、数据处理与平台管控方面面临挑战。负荷预测作为关键技术,直接影响系统调度与运行效率。本文提出一种卷积神经网络(convolutional neural network, CNN)与长短期记忆网络(long short-term memory network, LSTM)融合的混合模型,用于预测边缘终端电力负荷。该模型结合CNN的局部特征提取能力与LSTM的时序依赖建模优势,在公开电力消耗数据集上的实验结果显示,其预测精度优于多层感知机(multi-layer perceptron, MLP)、CNN和LSTM单一模型,在均方误差(mean squared error, MSE)和平均绝对误差(mean absolute error, MAE)指标上均取得最佳表现。进一步分析表明,温度、湿度及时间特征对负荷变化具有显著影响。研究成果为优化边缘节点接入策略、提升资源配置效率及支撑数据驱动的管控决策提供了有效依据,并具备推广至更广泛物联网智能分析场景的潜力。 展开更多
关键词 电力物联网 边缘设备 CNN-LSTM 电力负荷预测
暂未订购 下载PDF
融合岩性信息的CNN-LSTM-GAT深度网络孔隙压力预测方法 认领 引用
11
作者 邹佳玲 秦长春 +2 位作者 梁海波 韩毅辉 习国江 《电子测量与仪器学报》 EI CSCD 北大核心 2026年第4期182-191,共10页
地层孔隙压力是油气勘探与开发中的关键参数,精准预测对保障钻井安全与提升作业效率具有重要意义。针对传统模型和浅层机器学习模型缺乏对岩性空间信息的有效融合,导致模型泛化性能受限等问题,提出一种融合岩性信息的深度图注意力网络... 地层孔隙压力是油气勘探与开发中的关键参数,精准预测对保障钻井安全与提升作业效率具有重要意义。针对传统模型和浅层机器学习模型缺乏对岩性空间信息的有效融合,导致模型泛化性能受限等问题,提出一种融合岩性信息的深度图注意力网络孔隙压力预测方法(CLG)。模型以井深、当量循环密度、机械钻速与钻压、自然伽马、孔隙度及岩性编码等多源参数为输入,相关数据主要来源于随钻测量(LWD)系统,采用箱型图清洗、滤波、归一化处理提升数据质量。通过CNN提取局部特征,LSTM捕捉时序依赖,图注意力机制融合岩性结构信息。在渤海某勘探区应用结果表明,CLG模型在多个井位均取得优异性能(R2=0.9979,MSE=0.0035,RMSE=0.0596,MAE=0.0481),在盲井预测中,预测精度提升15%左右,泛化能力得到加强。该方法有效提升了岩性感知下的地层孔隙压力建模水平,为复杂地质条件下的油气钻井提供可靠支持。 展开更多
关键词 孔隙压力预测 石油钻井 特征提取 CNN-LSTM-GAT 深度学习
暂未订购 下载PDF
基于贝叶斯优化CNN-LSTM-Att的长江流域短期水流量预测 认领 引用
12
作者 刘恒 李志 范洋 《科学技术与工程》 EI 北大核心 2026年第16期6978-6984,共7页
河流流量短期预测为防灾减灾及水资源可持续利用等提供关键时间窗口和决策支持。针对单一长短期记忆(long short-term memory,LSTM)模型存在难以捕捉局部特征、对超参数敏感以及预测性能差等问题,提出了一种融合卷积神经网络(convolutio... 河流流量短期预测为防灾减灾及水资源可持续利用等提供关键时间窗口和决策支持。针对单一长短期记忆(long short-term memory,LSTM)模型存在难以捕捉局部特征、对超参数敏感以及预测性能差等问题,提出了一种融合卷积神经网络(convolutional neural network,CNN)、LSTM以及自注意力机制的水流量预测模型,利用贝叶斯优化(Bayesian optimization,BO)算法对超参数调优,从而构建耦合模型BO-CNN-LSTM-Att。以湖北荆州长江流域为实例,对比评估多种模型的流量预测精度,结果表明:本文融合模型相对于传统LSTM在均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)两个误差指标上分别减少了51.55%和53.56%,且有着最高的决定系数(R2)0.9728,预测效果显著优于未完全融合以及其他算法模型。 展开更多
关键词 短期水流量预测 深度学习模型 CNN-LSTM-Att 贝叶斯优化
暂未订购 下载PDF
基于CNN-LSTM模型的西南地区气象干旱时空预测与影响因素分析 认领 引用
13
作者 汤宁 李进讷 +2 位作者 石艳 李珏 白滔 《干旱气象》 2026年第3期349-357,共9页
中国西南地区地形复杂、气候差异显著,干旱频发。针对传统干旱预测方法对时空特征刻画能力不足的问题,本文以降水、气温、太阳辐射总量、风速等因子为输入,构建卷积神经网络(Convolu⁃tional Neural Networks,CNN)与长短期记忆网络(Long ... 中国西南地区地形复杂、气候差异显著,干旱频发。针对传统干旱预测方法对时空特征刻画能力不足的问题,本文以降水、气温、太阳辐射总量、风速等因子为输入,构建卷积神经网络(Convolu⁃tional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)耦合模型,对西南地区气象干旱时空演变特征及其驱动机制进行分析,并开展2030年干旱情景预测。结果表明:CNNLSTM耦合模型能够较好表征干旱时空变化特征,预测结果与观测值具有较高一致性,平均绝对误差约为0.17;降水、气温、风速以及太阳辐射总量等因子共同影响西南地区干旱;2030年西南地区干旱呈向低山丘陵和平原地区扩展的趋势,整体干旱程度进一步增强。 展开更多
关键词 西南地区 气象干旱 多驱动因素 深度学习 CNN-LSTM模型
暂未订购 下载PDF
基于CNN-LSTM埋地管道阴极保护隐性故障预测分析 认领 引用
14
作者 赵志峰 邓凤庆 刘昕宇 《中国安全生产科学技术》 CAS CSCD 北大核心 2026年第7期89-96,共8页
针对传统阴极保护监测方法难以有效识别“隐性故障”(系统运行异常但未触发报警)的问题,基于卷积神经网络-长短时记忆网络(CNN-LSTM)深度学习模型,对多源时序监测数据进行系统性分析。首先,通过滑动窗口对多源时序数据进行预处理,提取... 针对传统阴极保护监测方法难以有效识别“隐性故障”(系统运行异常但未触发报警)的问题,基于卷积神经网络-长短时记忆网络(CNN-LSTM)深度学习模型,对多源时序监测数据进行系统性分析。首先,通过滑动窗口对多源时序数据进行预处理,提取均值、趋势、波动性及综合异常评分等关键特征;其次,利用CNN层捕获局部时空模式,LSTM层建模长期时序依赖,构建预测模型;最后,融合数据驱动预测与国标规则判断,形成动态风险评估机制。在埋地长输管道实际数据集上的实验结果表明:所提CNN-LSTM模型在3分类任务(正常、显性故障、隐性故障)中F1分数达95.7%,精确率为94.2%,召回率为97.9%,显著优于单一LSTM,CNN,随机森林RF和极端梯度提升XGBoost等模型,且按月验证的准确率稳定在99.9%以上,可有效实现阴极保护系统隐性故障的前瞻性预测。研究结果可为管道完整性管理提供技术支撑,具备良好的工程应用前景。 展开更多
关键词 阴极保护 隐性故障 CNN-LSTM 故障预测
暂未订购 下载PDF
基于麻雀搜索算法优化的CNN-LSTM煤自燃温度预测模型研究 认领 引用
15
作者 刘永立 尚祖熠 李伟浩 《煤炭技术》 CAS 2026年第4期1-7,共7页
针对煤矿火灾中煤自燃温度预测精度不足的问题,本文以龙煤集团某矿煤样为研究对象,开展程序升温实验获取多种指标气体数据。结合斯皮尔曼相关性分析、随机森林特征筛选及现场经验,优选φCO、φC_(2H4)、φCO/φCO_(2)、... 针对煤矿火灾中煤自燃温度预测精度不足的问题,本文以龙煤集团某矿煤样为研究对象,开展程序升温实验获取多种指标气体数据。结合斯皮尔曼相关性分析、随机森林特征筛选及现场经验,优选φCO、φC_(2H4)、φCO/φCO_(2)、φCO/φ△O_(2)和φC_(2H4)/φC_(2H4)作为关键预测指标。在完成异常值处理、缺失值补全与归一化等数据预处理后,构建了融合卷积神经网络(CNN)与长短期记忆网络(LSTM)的煤自燃温度预测模型,以充分挖掘气体指标的时序特征。进一步引入改进麻雀搜索算法(ISSA)对模型超参数进行智能寻优,形成ISSA-CNN-LSTM预测模型。实验结果表明:与LSTM及未优化的CNN-LSTM模型相比,ISSA-CNN-LSTM在EMA、EMAP、ERMS和R2等指标上均表现最优,决定系数达到0.9954,具有更高的预测精度和泛化能力,对煤自燃温度预测与防控具有重要应用价值。 展开更多
关键词 煤自然发火 温度预测 气体指标 CNN-LSTM模型 深度学习
暂未订购 下载PDF
基于CNN-LSTM耦合模型的禹城市土壤有机质预测制图 认领 引用 被引量：2
16
作者 肖二龙 夏迎新 +1 位作者 李道诚 宁立新 《农业资源与环境学报》 CAS CSCD 北大核心 2026年第3期742-753,共12页
当前数字土壤制图(DSM)研究在环境变量选择中对物候信息系统考量不足,现有模型时空多维特征融合能力有限。为探索融合MODIS长时间序列物候数据的新方法,提升耕地土壤有机质(SOM)的预测精度,本研究以山东省禹城市为研究区,整合环境协变量... 当前数字土壤制图(DSM)研究在环境变量选择中对物候信息系统考量不足,现有模型时空多维特征融合能力有限。为探索融合MODIS长时间序列物候数据的新方法,提升耕地土壤有机质(SOM)的预测精度,本研究以山东省禹城市为研究区,整合环境协变量与2011—2020年MODIS物候数据,通过卷积神经网络(CNN)提取空间特征,结合长短期记忆网络(LSTM)捕捉时序动态规律,创新性构建CNN-LSTM时空特征耦合模型以实现耕地SOM的高精度预测。结果表明:融合物候特征使CNN-LSTM模型预测精度显著提升(R2=0.523),较未使用物候数据的CNN模型(R2=0.492)和随机森林模型(R2=0.467)精度分别提高6.3%和12.0%;SOM空间分布呈中南部高、北部及东南部低格局,与地形特征和耕作模式高度吻合;风速、水汽压和地形位置指数与SOM显著相关,物候变量中生长季中期的植被指数对预测贡献度最高。通过将MODIS长时间序列物候数据与CNN-LSTM时空融合模型相结合,本研究不仅揭示了物候动态对SOM预测的增强作用,同时有效突破了传统方法在土壤属性时空特征融合中的技术瓶颈,所生成的30 m分辨率SOM数字土壤制图可为区域耕地质量提升和土壤固碳潜力评估提供科学数据支持。 展开更多
关键词 土壤有机质 数字土壤制图 CNN-LSTM 环境协变量 MODIS物候数据 时空特征融合 禹城市
暂未订购 下载PDF
基于注意力机制CNN-LSTM的地铁接触网悬挂状态退化趋势预测 认领 引用
17
作者 刘裕舸 路晓鹏 《广西电力》 2026年第2期14-25,共12页
地铁牵引供电系统长期高负荷运行易导致接触网悬挂缓慢退化,引发弓网受流波动与供电故障。针对多源监测量难以统一表征、退化趋势预测精度偏低的问题,构建融合导高偏差、拉出值偏差、动态接触力、离线率及工况信息的健康指数,将多维几... 地铁牵引供电系统长期高负荷运行易导致接触网悬挂缓慢退化,引发弓网受流波动与供电故障。针对多源监测量难以统一表征、退化趋势预测精度偏低的问题,构建融合导高偏差、拉出值偏差、动态接触力、离线率及工况信息的健康指数,将多维几何参数与电气指标映射至[0,1]区间,并设计融合注意力机制的卷积神经网络-长短期记忆网络(CNNLSTM)模型,提取监测量局部与长时序特征,突出退化敏感时段信息。基于弓网动力学仿真数据开展算例分析,结果表明:本文模型在典型区段的健康指数预测中,平均绝对误差(MAE)和均方根误差(RMSE)分别降至0.0116和0.0143,R2达0.948;在多区段场景下,相较于朴素预测(Naive)等5类基准模型,本文模型的MAE、RMSE箱线图整体下移,数据离散性更小,预警准确率和召回率分别达90.9%和92.7%,可提前3~5周识别接近预警阈值的区段。该研究为地铁接触网及牵引供电设备的状态检修、检修计划优化提供了可量化的退化趋势预测技术手段。 展开更多
关键词 接触网悬挂 健康指数 退化趋势预测 注意力机制 CNN-LSTM
暂未订购 下载PDF
集成双重注意力机制CNN-LSTM时空网络的离散车间生产瓶颈预测 认领 引用 被引量：1
18
作者 石逸涵 张旭 +3 位作者 庄存波 刘金山 王家修 孙连胜 《机械工程学报》 EI CAS CSCD 北大核心 2026年第5期49-60,共12页
在总装拉动生产模式下,离散制造车间作为多厂(车间)生产模式的核心载体,其生产任务分散、设备布局灵活、生产过程复杂。然而,瓶颈单元在时间和空间维度上的动态漂移,成为制约生产效率与资源利用率提升的关键挑战。因此,研究离散车间的... 在总装拉动生产模式下,离散制造车间作为多厂(车间)生产模式的核心载体,其生产任务分散、设备布局灵活、生产过程复杂。然而,瓶颈单元在时间和空间维度上的动态漂移,成为制约生产效率与资源利用率提升的关键挑战。因此,研究离散车间的瓶颈预测问题,对于提升多厂生产模式下的整体生产效率具有重要意义。为了准确预测瓶颈单元并监测瓶颈漂移趋势,提出了一种集成双重注意力机制的时空网络预测模型(Convolutional neural network-long short term memory-dual attention mechanism,CNN-LSTM-DAM)。首先,针对瓶颈单元的多属性耦合特性,构建了复合定义的瓶颈识别模型;其次,将识别出的历史疑似瓶颈数据作为辅助数据,输入融合CNN与空间注意力机制的空间特征感知器以及融合LSTM与状态注意力机制的时序特征感知器,进一步强化模型对生产序列数据中空间和时间维度信息的捕捉能力;最后,通过与门控循环单元(Gated recurrent unit,GRU)、双向长短期记忆网络(Bidirectional long short term memory,BiLSTM)等LSTM变体的消融试验对比,验证了所提模型在预测给定时延内瓶颈单元及瓶颈漂移趋势方面的准确性和有效性。 展开更多
关键词 瓶颈预测 多属性瓶颈度 双重注意力机制 CNN-LSTM 多步时间序列预测
暂未订购 下载PDF
基于CNN-LSTM混合模型的农业灌溉机械深度学习异常检测 认领 引用
19
作者 崔方圆 《农业装备与智能技术》 2026年第1期1-6,共6页
针对农业灌溉机械在复杂环境下易发生故障且传统检测方法精度不足的问题,提出一种基于CNN-LSTM混合模型的深度学习异常检测方法。该方法通过融合多模态传感器数据(振动、温度、压力),利用CNN提取空间特征、LSTM捕捉时间依赖关系,实现端... 针对农业灌溉机械在复杂环境下易发生故障且传统检测方法精度不足的问题,提出一种基于CNN-LSTM混合模型的深度学习异常检测方法。该方法通过融合多模态传感器数据(振动、温度、压力),利用CNN提取空间特征、LSTM捕捉时间依赖关系,实现端到端的异常识别。实验结果表明,所提模型在准确率、F1分数和AUC等多项指标上均优于传统机器学习模型及单一深度学习模型,验证了其在实际农业环境中的有效性和优越性。此外,该模型具备良好的实时性与鲁棒性,推理延迟为每个样本102 ms,模型大小仅为8.7 MB,适用于边缘部署。该研究为农业机械智能运维提供了高效、可靠的解决方案,具有较高的工程应用价值。 展开更多
关键词 农业灌溉机械 异常检测 深度学习 卷积神经网络(CNN) 长短期记忆网络(LSTM) CNN-LSTM混合模型 多模态传感器融合
暂未订购 下载PDF
基于CNN-LSTM网络模型的课程群成绩预测模型研究——以“机器人编程及应用”课程成绩预测为例 认领 引用 被引量：1
20
作者 姚畅 张勇 +2 位作者 杨媛媛 费正顺 侯北平 《浙江科技大学学报》 2026年第1期54-64,共11页
【目的】为了有效预测学生在机器人工程课程群中“机器人编程与应用”课程期末成绩的通过情况,提出了将卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)网络相结合的深度学习二元预测模型。... 【目的】为了有效预测学生在机器人工程课程群中“机器人编程与应用”课程期末成绩的通过情况,提出了将卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)网络相结合的深度学习二元预测模型。【方法】选取某校机器人工程专业共82名学生的历史信息和专业课程群中先后开设的3门课程的学习行为数据。首先通过CNN自动筛选出学生有效的静态特征和动态特征,然后利用LSTM网络模型捕捉学生学习过程中跨课程间的时序性关系,最后精准预测专业课程群中“机器人编程及应用”课程期末成绩的通过情况。【结果】本模型在预测学生“机器人编程及应用”课程期末成绩通过情况上的准确率达到93.1%;与支持向量机(support vector machine,SVM)和LSTM网络模型进行比较,结果表明本模型在第48周的成绩预测上准确率分别高出21.3%和16.1%。【结论】随着学生学习周数的增长,本模型的预测准确率会快速提高。本研究结果可为机器人工程课程群提供一种成绩预测的方法参考。 展开更多
关键词 学生成绩预测 CNN-LSTM网络模型 时序数据 教育数据挖掘
暂未订购 下载PDF
已选0条
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 2 … 53 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈