一种基于多模态融合神经网络对疲劳度检测的方法

基于脑电信号特征变化,来判断司机是否处于疲劳状态,已经被证明是一种有效的方法。但单一用传统的机器学习的方法对脑电信号进行疲劳检测的准确率还较低。因此,提出一种基于脑电信号和前额眼电信号多模态融合的神经网络方法,并利用上海交通大学公开数据集SEED-VIG进行训练,实验结果表明,与单一的模态相比,多模态融合对于疲劳度检测有更好的识别效果,其准确率达到98.3%,有助于推动司机驾驶过程基于脑电信号疲劳度检测系统的应用。

基于LSTM的时间特征短期电力负荷预测方法研究

新能源发展的规模越来越大,电力系统的需求也越来越大,准确的电力负荷预测有助于电力调度、能源规划。对此,提出基于LSTM的短期电力负荷预测多种方法。其中包括LSTM模型、CNN_LSTM模型、Attention_LSTM模型、CNN_Attention_LSTM模型。选择的数据集来自于马来西亚柔佛州供电公司提供的小时用电负荷数据。为了提高准确率,还加入了时间特征、温度、湿度等多维度去考虑对负荷预测的影响。实验结果显示,平均绝对百分比误差、平均百分比误差等评价指标均优于传统方法。