基于时域卷积网络与Transformer的茶园蒸散量预测模型

在茶园水资源管理中,蒸散量(Evapotranspiration,ET)是评估作物水分需求的关键指标,由于茶园蒸散量预测具有时序性、不稳定性以及非线性耦合等特点,目前的茶园蒸散量预测模型存在预测精度较低的问题,针对此问题本文提出了一种新型的茶园蒸散量预测模型。首先使用互信息算法(Mutual information,MI)与主成分分析算法(Principal component analysis,PCA)相融合的数据处理算法(MIPCA),筛选强相关的特征并提取主成分;其次将时域卷积网络(Temporal convolutional network,TCN)与Transformer融合,利用灰狼算法(Grey wolf optimization,GWO)优化超参数,捕捉茶园数据的全局依赖关系;最后整合2个网络构建了MIPCA-TCN-GWO-Transformer模型,通过消融试验和对比试验验证了模型性能,并对模型在不同时间步长下的性能进行测试。结果表明,该模型平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)和决定系数(Coefficient of determination,R^(2))3个评价指标分别为0.015 mm/d、0.312 mm/d和0.962,优于长短期记忆模型(Long short term memory,LSTM)等传统预测模型。在小时尺度、日尺度和月尺度下的R^(2)分别为0.986、0.978和0.946,在不同时间步长下展现了良好的适应性和准确性。本文构建的MIPCA-TCN-GWO-Transformer模型具有较高的预测精度和稳定性,可为茶园水资源优化管理和灌溉制度制定提供科学参考。

基于时域卷积网络的精轧出口厚度预测

以精轧过程为研究对象,引入时域卷积网络算法,构建了基于时域卷积网络的精轧出口厚度预测模型。利用时域卷积网络模型提取精轧过程时序数据的特征信息,通过优化模型结构和参数,提升精轧出口厚度预测性能。实际钢种数据集仿真实验结果表明,相较于传统方法,本文所提出的时域卷积网络算法在均方根误差、平均绝对百分比误差及决定系数等评价指标方面存在较大优势,可为现场工程师提供重要的决策信息。

融合时域卷积网络和深度自编码器的VOCs数据异常检测

为了提升挥发性有机物(Volatile Organic Compounds,VOCs)数据异常检测精度,提出一种基于时域卷积网络的深度自编码器(TCN-DAE)异常检测的半监督方法,以对VOCs等空气污染物质量浓度异常值进行精准的检测。首先,使用时域卷积网络(Temporal Convolutional Network,TCN)作为深度自编码器(Deep Auto-encoder,DAE)的隐藏层,利用深层网络结构对高维、多源的时间序列数据进行高效地特征提取和数据重构。然后,通过对比重构误差与核密度估计法确定的阈值进行异常检测,其中重构误差大于此阈值则视为异常。最后,选取西安市城六区的VOCs、空气质量和气象等时间序列数据进行试验。结果显示:基于时域卷积网络的深度自编码器模型对多源、高维的时间序列具有较强的异常检测能力,在准确率、F1分数、受试者工作特征曲线下面积(Area Under Curve,AUC)等异常检测性能指标上均优于双向长短期记忆网络(Bidirectional Long Short-term Memory,Bi-LSTM)、长短期记忆网络(Long Short-term Memory,LSTM)、自编码器(Auto-Encoder,AE)和时域卷积网络(Temporal Convolutional Network,TCN)模型,表明了本文模型的可行性。

基于时域卷积网络和自注意力的非侵入式负荷监测方法

针对用电设备的运行状态多样、持续时间长等特性导致的现有负荷监测模型计算复杂度高、难以捕获设备长时间运行模式的问题,提出一种基于时域卷积网络(Temporal convolutional network,TCN)与自注意力模型的非侵入式负荷监测方法。采用序列到点学习方式,将总电能消耗输入到TCN中以提取丰富特征;同时,通过残差连接,学习用电设备不同层次的能耗模式。利用自注意力模型,计算总信号每个位置的重要性,捕捉模式间的内部相关性。利用REDD数据集开展对比实验。实验结果表明,与采用循环神经网络、去噪自编码器、卷积神经网络、生成对抗网络和TCN的负荷监测方法相比,该模型的平均绝对误差降低了约38%,F1分数提高了约17%。最后,利用UK-DALE数据集验证了该模型的泛化能力。

基于时域卷积网络的中文句子级唇语识别算法

针对现有中文句子级唇语识别技术存在的视觉歧义、特征提取不充分导致识别准确率偏低的问题,提出了一种基于时域卷积网络,采用三维时空卷积的中文句子级唇语识别算法——3DT-CHLipNet(Chinese LipNet based on 3DCNN,TCN)。首先,针对特征提取不充分的问题,所提算法采用了比长短期记忆网络(LSTM)感受野更大的时域卷积网络(temporal convolutional network,TCN)来提取长时依赖信息;其次,针对中文唇语识别中存在的“同型异义”视觉歧义问题,将自注意力机制应用于中文句子级唇语识别,以更好地捕获上下文信息,提升了句子预测准确率;最后,在数据预处理方面引入了时间掩蔽数据增强策略,进一步降低了算法模型的错误率。在最大的开源汉语普通话句子级数据集CMLR上的实验测试表明,与现有中文句子级唇语识别代表性算法相比,所提算法的识别准确率提高了2.17%至23.99%。

基于时域卷积网络和分位数回归的短期风电功率概率预测

提出一种基于时域神经网络结合分位数回归与动态误差修正的风电功率概率预测方法。首先,采用时域卷积网络构造分位数回归模型。然后,对分位数回归模型的预测误差分布进行建模。最后,采用动态误差修正技术对分位数点进行修正,得到多组风电功率预测区间。采用两个风电场数据集进行验证,结果表明所提方法能在保证高可靠性的同时获得较窄的预测区间,并有效解决分位数交叉问题,可为电网调度优化提供有效帮助。

基于时域卷积网络的风力涡轮机发电功率多时间尺度预测

基于时域卷积网络,提出一种风力涡轮机发电功率的多时间尺度预测方法。首先,对影响发电功率的若干数据进行清理和归一化处理,减少异常值所带来的不良影响。其次,为了能够有效地捕捉时间序列数据中的动态特征,搭建了一种三层结构的时域卷积网络模型,对风力涡轮机未来一段时间内的发电功率进行预测。最后,利用公开数据集进行仿真实验,验证所提出模型的有效性,并对不同时间尺度的预测结果进行对比分析。

二维Z变换中的时域卷积定理探讨

该文给出了二维时域卷积定理的完整描述，包括二维单边、双边时域序列及二维单边、双边Ｚ变换的不同组合情形下，时域卷积定理的描述及定理的证明。由于卷积在数学定义上的特殊性，导致卷积序列在二、三、四象限的值对结果的第一象限值有影响，而单边Ｚ变换仅对序列第一条限值进行计算，两者在定义上的差异及统一正是该文所研究的问题。

基于集成时域卷积神经网络模型的水驱油田单井产量预测方法

针对水驱油田单井产量变化大、预测难的问题,提出了一种基于时域卷积神经网络(TCN)的水驱油田单井产量预测方法,并进行实例验证。该方法从数据处理入手,依据注水井影响半径衡量油水井对应关系,增加油井当月受注水井影响程度为模型特征,构建随机森林模型填补水驱开发动态数据空缺,根据含水率将单井生产历程划分为低含水、中含水、高含水、特高含水4个阶段,基于TCN建立阶段预测模型,采用麻雀搜索算法(SSA)优化模型超参数,最终将4个阶段模型集成为全生命周期模型用于产量预测。大庆油田应用实践表明:①所用数据处理方法较常规数据处理方法更符合产量数据特点、数据集更具真实性和完备性;②TCN模型较长短时记忆网络(LSTM)等11种时间序列模型预测精度更高;③集成全生命周期模型较单一全生命周期模型可显著降低产量预测误差。

基于时域卷积网络的水文模型

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测,为预防自然灾害提供科学依据,提出一种结合改进的灰狼优化(MGWO)算法与时域卷积网络(TCN)的预测模型MGWO-TCN。针对标准灰狼优化(GWO)算法存在早熟停滞的不足引入差分进化(DE)算法,扩展灰狼种群的多样性;改进灰狼种群更新时的收敛因子和变异时的变异算子,以自适应的形式对参数进行调整,提升算法的收敛速度,均衡算法的全局与局部搜索能力;利用MGWO算法对TCN的重要参数寻优,提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测,预测结果的均方根误差(RMSE)为0.039。实验结果表明,与对比模型相比,MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。

基于时域卷积网络的多尺度双线性天气预测模型

针对时域卷积网络(TCN)提取能力受卷积层感受野限制,难以对天气数据中的季节性信息和长时信息进行有效提取与分析的问题,提出了一个新的基于TCN的多尺度双线性天气预测模型。该模型由TCN层和双线性汇合层2部分组成,时域卷积层包含双路TCN,每个TCN利用历史观测数据独立提取特征,除卷积核尺度之外,其他网络参数均保持一致。多尺度的网络组合可以更深入挖掘数据中潜在关联信息;时域卷积层的输出作为双线性汇合层的输入进行双线性融合,规范化后得到最终输出,即对未来天气的预测值,进一步提升模型的特征表示能力。在公开的天气预测数据集上与5个基准方法进行对比,实验结果表明所提方法的预测结果准确率更高;此外,对比TCN,多尺度双线性天气预测模型面对长时数据信息时表现更加稳定。

应用时域卷积神经网络的地震波阻抗反演方法

地震波阻抗反演是储层预测研究的一种重要手段,线性地震波阻抗反演方法求解精度依赖于初始地质模型,而完全非线性方法可望得到高精度求解结果。有鉴于此,首先利用全卷积神经网络、因果卷积、膨胀卷积和残差块构建一个时域卷积神经网络(TCN),以建立地震数据与波阻抗之间的非线性映射关系;然后通过该网络对样本进行训练得到反演映射模型,进一步将地震数据输入该模型得到地震波阻抗。正演数据及实际数据测试结果表明,所提方法实现了地震数据到地震波阻抗间的映射,为地震波阻抗反演提供了具有并行计算能力和自适应结构的智能化方法,并在港2025区块砂泥岩储层预测中得到成功应用。

融合时域卷积、残差结构和注意力机制的时序预测

对于具有长、短期的时间关联性、非线性和非平稳性等特点的时序数据,传统时序预测模型对此类数据的预测效果不佳.为进一步提高时序预测模型的准确率和效率,考虑时域卷积提取时间特征的有效性,以及残差结构加快模型收敛的优越性,同时考虑注意力机制对参数的强化作用,提出了一种融合时域卷积、残差结构和注意力机制的时序预测模型(Attention Temporal Convolutional Neural Network,A-TCNN).首先,通过多层残差时域卷积层提取时序数据的长、短期特征;其次,通过注意力机制加强对输出影响较大的参数的权重;最后,通过一个全连接层得到输出结果.在实际医院流水的数据集上,与常规网络对比,比较多种多步预测策略.实验结果表明,该模型与常规模型相比具有更好的预测精度和效率.

基于FPGA和时域卷积实现线性调频信号脉冲压缩方法

本文主要介绍在Xilinx公司的Zynq7000系列FPGA上实现线性调频信号脉冲压缩的方法。主要介绍了时域方法实现脉冲压缩处理,将零中频信号与回波信号进行卷积直接得出结果。由于FPGA内部集成了大量的可以并行运行的乘加单元,大大地提高了数据处理速率,FPGA可以灵活的设计并行数字信号处理算法,并且FPGA有较多的数据传输通道,可以满足大量数据传输,因此,用FPGA来实现线性调频信号脉冲压缩方法。

基于时域图卷积神经网络的交通流预测模型

针对当前大多数模型对交通流数据空间信息挖掘不充分、无法捕获长序列单元间的信息等问题,提出一种基于时域图卷积神经网络的交通流预测模型。通过阈值权重法重构邻接矩阵,将多层近邻机制嵌入图卷积网络进一步挖掘空间信息;引入时域卷积网络,借助膨胀因果卷积扩大感知野并结合残差网络提取时间信息;运用Dense网络输出结果。利用加州性能评估系统中两个数据集进行评估,其结果表明,该模型性能优于常用的基准模型以及最近提出的多时空图卷积网络模型。

时域卷积组合模型在桥梁沉降预测中的研究

针对桥梁所承受的动静荷载特性差异问题,该文通过小波分解将垂直位移监测数据分解成低频和高频信号,低频信号稳定性强,主要呈现了静荷载影响特点,而高频信号波动性较大,呈现了动荷载影响特点,因此将低频信号和高频信号分别进行小波重构,重构后的低频信号和高频信号分别使用时域卷积神经网络和BP神经网络进行预测,并进行叠加处理得到最终预测结果。以常泰大桥实际静力水准沉降监测项目为例,将该文模型预测结果分别与小波优化的BP神经网络模型和小波优化的自回归滑动平均模型(ARIMA)预测结果进行对比分析,已有的两种模型预测的平均绝对误差分别为0.61 mm和1.38 mm,而该文模型预测的平均绝对误差为0.46 mm,预测精度的提高,为桥梁的施工和维护提供参考。

基于时域卷积网络的股票指数预测

股指预测一直是金融研究的热点问题,然而股指数据的非线性、高噪声、非平稳性和不确定性增加了人们预测的难度。时域卷积网络(TCN)吸收了卷积神经网络和循环神经网络的结构优势,在时序数据方面具有很大的潜力。基于此,借助时域卷积网络模型实现对股票指数的预测分析,以开盘价为预测目标,将股指的收盘价、最高价等相关的技术因子作为输入因子,对股票指数进行数据特征提取,训练模型的权值参数,然后通过仿真实验,得到TCN模型预测结果,通过对比实验,论证模型的有效性。

时域卷积神经网络地震波阻抗反演因素影响的研究

时域卷积神经网络(Temporal Convolutional Network,简称TCN)被用于地震波阻抗反演,在取得较好反演效果的同时,因其最初的成功实例主要是自然语言处理领域,而在地震反演的应用相对较少,且影响反演结果的因素众多,为了加快该方法在反演中的应用,基于前人研究的基础,注重对地震资料的预处理及网络超参数的选择进行系统分析.因此,笔者在Marmousi-2数据集实现TCN地震波阻抗反演的基础上,进一步研究噪声、归一化、随机采样三种数据预处理方法及TCN反演网络构建时学习率、dropout、批数量、通道数量四种超参数的选取对TCN地震波阻抗反演的影响,为TCN地震波阻抗反演提供预处理与超参数选择依据,并将所选取的预处理操作和超参数组合在TCN地震波阻抗反演中进行应用.该研究可为TCN地震波阻抗反演提供可行的质控手段,同时可为其他深度学习反演的数据预处理和超参数的选取提供参考,对加快基于深度学习的地震波阻抗反演应用进程具有一定的现实意义.

钴-60集装箱检测系统的冲激响应和图像时域反卷积算法

理论推导出钴 60集装箱检测中辐射测量系统的冲激响应函数。在此基础上 ,提出了一种处理图像模糊的时域反卷积算法 ,使图像细节突出 ,图像质量得到明显改善。

基于双扩展时域自适应图卷积神经网络的骨架动作识别

为提高人机交互过程中动作识别的识别率,提出了一种基于骨架的图卷积神经网络动作识别方法。首先,针对人机交互任务设计了一套动作命令集并进行数据采集,通过坐标系变换进行了视点无关处理,减少动作对位置的敏感性。然后,为了保证对整个动作过程中局部时间与全局时间的特征提取,通过对不同膨胀因子的卷积进行结合,设计了双扩展时域卷积层。最后,通过与自适应空间图卷积层结合建立双扩展时域自适应图卷积神经网络模型。对所建立的模型用数据集进行实验验证,结果表明:动作的总体识别率为98.5%,每一类动作的识别率达97.5%以上,识别效果优异,能够完成人机交互任务的需求。