基于Agilent86100取样示波器的时域网络分析系统(英文)

本文根据Nose-to-Nose校准技术的基本原理,提出了利用NTN技术和Agilent86100取样示波器,构建时域网络分析系统的新方法。该方法成功地实现了对标称带宽50GHz的同轴适配器、同轴电缆等器件的测量。通过数字信号处理不仅可以得到这些器件的全部时域特性(冲激响应、阶跃响应、上升时间和过冲等),而且还能得到其全部频域特性(幅频特性、相频特性和带宽等)。扫频源比对实验证明该方法是有效的。

时域网络分析器的校准和带宽扩展

本文提供一种时域反射和时域传输测量系统的校正方法,能够对测量系统的响应误差作校正。本文根据系统的S参数模型,推导出一组能满足时域校正所需的计算标准。利用本文的校正技术,对HP公司的套TDR和TDT系统作校正,使系统的带宽从8GHz提高到20GHz。

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。

时域孪生网络融合Transformer的长时无人机视觉跟踪

针对无人机(UAV)执行跟踪任务时经常出现尺寸变化、低分辨率、目标遮挡等场景导致跟踪目标框漂移的问题,提出一种时域孪生网络融合Transformer的长时无人机视觉跟踪算法TTTrack。首先,使用基于孪生网络的SiamFC++(AlexNet)算法作为基线算法;其次,利用Transformer自适应地提取历史帧的时空信息并在线更新模板,从而将时空上下文信息储存为动态模板;随后,分别使用基准模板和动态模板与搜索特征图进行互相关运算,获得响应图后利用Transformer融合两个响应图,从而在连续帧之间建立时空上下文映射关系。实验结果表明,在LaSOT长序列跟踪基准上TTTrack的成功率和精确率分别为63.9%和66.6%,在UAV123跟踪基准上的成功率和精确率分别为61.4%和80.2%。与基线算法相比,该算法在完全遮挡场景下的成功率和精确率分别提升7.4和8.0个百分点。TTTrack在DTB70跟踪基准上精确率达到82.1%,并且跟踪速度为118 帧/s,满足实时性要求。测试结果验证了TTTrack具有良好的鲁棒性、实时性和抗干扰能力,能有效应对长时UAV跟踪任务。

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。

基于特征传播的时域分割网络行为识别

为了高效、准确地获得视频中的行为类别和运动信息,减少计算的复杂度,文中提出一种融合特征传播和时域分割网络的视频行为识别算法.首先将视频分为3个小片段,分别从相应片段中提取关键帧,从而实现对长时间视频的建模;然后设计一个包含特征传播表观信息流和FlowNet运动信息流的改进时域分割网络(P-TSN),分别以RGB关键帧、RGB非关键帧、光流图为输入提取视频的表观信息流和运动信息流;最后将改进时域分割网络的BN-Inception描述子进行平均加权融合后送入Softmax层进行行为识别.在UCF101和HMDB51这2个数据集上分别取得了94.6%和69.4%的识别准确率,表明该算法能够有效地获得视频中空域表观信息和时域运动信息,提高了视频行为识别的准确率.

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。

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。

基于残差时域注意力神经网络的交通模式识别算法

交通模式识别是用户行为识别中的一个重要分支,其目的是对用户所处的交通模式进行准确判断。针对现代智慧城市交通系统对在移动设备环境下精准感知用户交通模式的需求,提出了一种基于残差时域注意力神经网络的交通模式识别算法。首先,通过具有较强局部特征提取能力的残差网络提取传感器时序中的局部特征;然后,采用基于通道的注意力机制对不同传感器特征进行重校准,并针对不同传感器的数据异构性进行注意力重校准;最后,利用具有更广感受野的时域卷积网络(TCN)提取传感器时序中的全局特征。采用数据丰富度较高的宏达通讯(HTC)交通模式识别数据集来对已有的交通模式识别算法和所提出的残差时域注意力模型进行评估,实验结果表明,所提出的残差时域注意力模型在对现代移动嵌入式设备的计算开销友好的前提下具有高达96.07%的准确率,且对单一类别均具有高于90%的召回率与精确率,验证了该模型的准确性与鲁棒性。所提模型可以作为一种支持移动智能终端运算的交通模式识别应用于智能交通出行、智慧城市等领域。

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。

基于TCN-BiLSTM网络的电力电缆故障诊断

为了提升电力电缆故障诊断技术的准确率,解决传统电力电缆诊断过程中操作复杂、可靠性低和精准度不够等问题,提出了一种基于TCN和BiLSTM的电力电缆故障诊断方法。该方法的核心是使用Matlab/Simulink搭建三相电缆的仿真模型,按照电缆的实际参数设置模型,然后提取出电缆的四种短路故障:单相接地短路、双相接地短路、双相相间短路以及三相短路的电压信号。构建电缆故障样本集,搭建TCN和BiLSTM网络对电缆故障信号进行特征提取和序列捕捉,通过与TCN网络和CNN-BiLSTM网络进行实验对比,以及对从淮南某煤矿采集到的数据进行验证,证明该方法对电缆故障诊断具有良好的性能。

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%。

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。

网络时域环境下大学生心理现状研究

从当前网络时域环境下大学生心理的现状、影响大学生心理健康的因素及其产生的影响出发,以为国家培养德才兼备的创新型人才角度来看,网络传播的信息中,积极与消极并存,一方面促进了学生德智体发展,一方面也影响了其心理健康的发展。因此,研究当前网络时域环境下大学生心理健康发展的现状里心里特点,结合其影响因素,提出改进对策,对大学生心理健康的发展来说具有深远的影响意义。

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Swin-TCN融合网络的运动视频理解的研究

针对运动比赛中运动员行为识别的问题,提出一种基于Swin Transformer和TCN(时域卷积网络)的混合网络模型。首先对视频进行预处理得到视频帧,使用Swin模块提取视频帧中人体动作相关的空间特征,将输出的特征图的空间尺寸压缩,纵向拼接后交给TCN模块提取视频中人体动作的时序特征。为提高通道对于行为识别结果的贡献度,在TCN残差块中加入通道注意力机制,经过分类模块后得到最终结果。实验结果显示,该模型在UCF101上动作识别准确率达到了89.7%。

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。