钢筋混凝土剪力墙抗震滞回性能的多元时序深度神经网络预测

钢筋混凝土剪力墙结构抗震性能优越且造价合理,广泛用于抗震烈度较高的地区。准确地预测剪力墙的滞回性能与骨架曲线,直接决定了结构设计与分析的准确度与可靠性。该文提出了一种基于深度学习的剪力墙结构滞回性能预测方法,可以根据结构的基本设计参数(如材料属性、几何尺寸、荷载工况等),直接预测出其承载力。通过3组剪力墙的滞回试验预测1组结构的滞回曲线,结果表明:通过比较时域的特征,深度学习方法具有较高的预测精度。通过与有限元仿真结果对比,深度学习仅需输入不同参数就能够快速预测滞回曲线,其优势还在于具有较高的计算效率,而有限元仿真需要几何建模、本构模型选取、材料属性输入和荷载工况定义,整个过程相较于深度学习耗时耗力。

基于时序深度置信网络的在线人体动作识别

在线人体动作识别是人体动作识别的最终目标,但由于如何分割动作序列是一个待解决的难点问题,因此目前大多数人体动作识别方法仅关注在分割好的动作序列中进行动作识别,未关注在线人体动作识别问题.本文针对这一问题,提出了一种可以完成在线人体动作识别的时序深度置信网络(Temporal deep belief network,TDBN)模型.该模型充分利用动作序列前后帧提供的上下文信息,解决了目前深度置信网络模型仅能识别静态图像的问题,不仅大大提高了动作识别的准确率,而且由于该模型不需要人为对动作序列进行分割,可以从动作进行中的任意时刻开始识别,实现了真正意义上的在线动作识别,为实际应用打下了较好的理论基础.

RTL集成电路的时序深度

在高层次测试生成中 ,为了更好地利用高层次电路的结构信息 ,以Verilog硬件描述语言描述的电路为研究对象 ,提出寄存器传输级 (RTL)集成电路的静态时序深度和动态时序深度概念 .从静态、动态两方面出发度量语句的执行效果和程序运行的时序关系 ,并结合实例分析了二者在高层次测试生成中的应用 .高层次行为信息的提取也将为高层次设计和验证提供方便 .

一个基于可满足性算法的时序深度计算方法

有界模型校验(Bounded Model Checking)由于验证的不完备性而经常受到验证人员的指责。为了解决这个问题,计算时序深度的算法被提出。该文算法基于可满足性算法引擎,与其它基于可满足性算法引擎的算法不同,为了减少可满足性算法引擎的负担,采用了状态空间显式存储的方法。ISCAS’89的实例很好证明了该算法的有效性。

基于自主认知深度时间聚类表示的隔离开关故障诊断方法

为准确识别隔离开关发生的故障,并确定故障类型,保证电网的稳定运行,提出一种基于自主认知的深度时序聚类表示模型(Autonomous-cognition deep temporal clustering representation model,AC-DTCR)对隔离开关的故障进行诊断。在数据量少且类别标签信息不可用的情况下,时间序列聚类是非常好的无监督学习技术,而AC-DTCR模型集成了时间重建和K-means目标,为提高编码器的能力,提出一种假样本生成策略和辅助分类任务,改进集群结构,获得特定于集群的时间表示。根据高压隔离开关故障模拟试验得到的电机电流数据,使用AC-DTCR模型分成四个部分对试验数据进行训练。结果表明,该模型具有良好的分类性能,与传统的分类模型和时间序列聚类模型相比,有更高的准确率,可应用于电力设备故障诊断领域中。

基于时序深度学习模型的安全壳关键参数快速预测研究

主蒸汽管道断裂(MSLB)事故威胁核电厂安全运行。本文基于时序深度学习模型预测核电厂非能动安全壳冷却系统(PCCS)在MSLB事故下关键安全参数随时间变化的瞬态响应。以瞬态安全参数为研究对象,数据通过线性归一化、特征标签分割预处理,使用短期数据集训练,采用长短时记忆网络(LSTM)和循环神经网络(RNN)建立单参量与多参量协同的时序深度学习模型;由多参量协同模型预测未经训练的长期数据集。研究表明:在同类事故、不同工况下,基于时序深度学习模型的预测具有适用性;基于训练短期数据来预测长期数据方法可行;使用LSTM的单参量模型或多参量协同模型的预测精度比RNN更高,基于LSTM深度学习模型能够有效、高精度快速预测MSLB事故下PCCS瞬态安全参数响应特性,可为事故安全分析提供快速预测分析。

基于深度学习技术的电表大数据检测系统

随着我国电厂不断发展,我国智能电表装机量不断扩大,日臻成熟,对智能电表的监测越来越重要。本文通过对电表数据的采集、清洗,完成数据格式化。运用皮尔森相关系数分析以及K折交叉验证等方法,进行数据分析。通过采用深度学习时序模型进行预测研究,最终达到检测电表运行状态的目的。通过利用智能电表大数据对电表运行状态的分析,可以判断电表运行是否正常,如果异常是属于故障还是有偷漏电发生,判断相关位置,以便进一步采取行动。该检测系统的研究与应用,可以避免智能电表的物理检测,可以达到延长正常电表的使用寿命,节省大量的资源的目的。

基于CNN-Transformer的城区地下水位预测

提出了一种将Transformer与卷积神经网络(CNN)相结合的城区地下水位预测模型。Transformer模型能够提取地下水位在时间序列上包含的关键信息,有效提升了模型的长时间预测能力;CNN能获取相邻监测站点地下水位数据之间的空间关联信息,使信息的提取更加丰富。使用开源地下水位数据集对模型进行训练,并进行仿真验证。仿真结果表明,在预测未来12个时刻的地下水位值时,CNN-Transformer模型预测结果整体的均方根误差值相比于循环神经网络(RNN)系列模型从0.2507米降到0.1427米,在未来第12个时刻的均方根误差也仅为0.2309米,验证了上述模型能实现长时间高精度的地下水位预测。

用电大数据分析与电表异常检测

随着我国智能电表使用日臻成熟,对智能电表的监测越来越重要.通过对电表数据的采集、清洗,完成数据格式化.运用皮尔森相关系数分析以及K折交叉验证等方法,进行数据分析.通过采用深度学习时序模型进行预测研究,最终达到检测异常与故障识别.通过对异常电表的检测,可以延长正常电表的使用寿命,节省大量的资源.