基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

有氧运动训练影响阿尔茨海默症小鼠海马Notch1、Caspase-3的表达

背景:β-淀粉样蛋白和Tau蛋白会对阿尔茨海默症患者的认知功能产生不良影响,研究发现Notch1及Caspase-3能够调控β-淀粉样蛋白和Tau蛋白的表达。Notch1及Caspase-3是否介导了有氧运动改善阿尔茨海默症患者认知能力的过程还不清楚,目前缺乏长期有氧运动影响阿尔茨海默症小鼠海马中Notch1及Caspase-3表达的研究。目的:观察长期有氧运动干预阿尔茨海默症小鼠的空间学习记忆情况及其海马中Notch1及Caspase-3的表达,探讨Notch1及Caspase-3对阿尔茨海默症小鼠的影响。方法:将3月龄野生型及APP/PS1双转基因阿尔茨海默症小鼠随机分为4组:野生对照组、野生运动组、阿尔茨海默症对照组、阿尔茨海默症运动组,每组20只。对照组小鼠不进行运动,运动组小鼠进行5个月的有氧运动干预。运动干预结束后,采用Morris水迷宫检测小鼠空间学习记忆能力;采用Real-timePCR、免疫荧光及Westernblot检测各组小鼠海马组织Aβ_(1-42)、Tau、Notch1及Caspase-3蛋白的表达。结果与结论:①阿尔茨海默症小鼠空间学习记忆能力显著差于野生组(P<0.05);运动组小鼠空间学习记忆能力显著优于对照组(P<0.05);②阿尔茨海默症对照组小鼠海马Aβ_(1-42)、Tau、Notch1及Caspase-3表达均显著高于野生对照组(P<0.05);阿尔茨海默症运动组小鼠海马Aβ_(1-42)、Tau、Notch1及Caspase-3表达显著低于阿尔茨海默症对照组(P<0.05);③提示:长期有氧运动干预能够改善阿尔茨海默症小鼠的空间学习记忆能力,而这可能与有氧运动降低阿尔茨海默症小鼠海马Notch1、Caspase-3、Aβ_(1-42)及Tau蛋白表达有关。

基于注意力机制LSTM的电离层TEC预测

电离层总电子含量(Total Electron Content,TEC)的监测与预报是空间环境研究的重要内容,对卫星通讯和导航定位等有重要意义.TEC值影响因素较多,很难确定精确物理模型来对其进行预测.本文设计了基于注意力机制的LSTM模型(Att-LSTM),采用过去24小时TEC观测数据对未来TEC进行预测.选择北半球东经100°上,每2.5°纬度选择一个位置,共计36个位置来验证本文提出模型的性能,并与主流的深度学习模型如DNN、RNN、LSTM进行对比实验.取得了如下成果:(1)在选定的36个地区未来2小时单点预测上,基于本文的Att-LSTM模型的TEC预测性能明显优于其他对比模型;(2)讨论了纬度对Att-LSTM预测未来2小时TEC值时性能的影响,发现在北纬0°到60°之间,Att-LSTM预测性能随着纬度的升高而略有降低,在北纬62.5°~87.5°之间,模型预测性能出现扰动,预测效果略差;(3)讨论了磁暴期和磁静期模型的预测性能,发现无论是磁暴期还是磁静期,本文模型预测性能均较好;(4)还讨论了对未来多时点预测效果,实验结果表明,本文所提出的模型对未来2、4个小时的预测拟合度R-Square均超过0.95,预测结果比较可靠,对未来6、8、10个小时预测拟合度最高为0.7934,预测拟合度R-Square下降迅速,预测结果不可靠.

MOOCDR-VSI:一种融合视频字幕信息的MOOC资源动态推荐模型

学习者在面对浩如烟海的在线学习课程资源时往往存在“信息过载”和“信息迷航”等问题,基于学习者的学习记录,向学习者推荐与其知识偏好和学习需求相符的MOOC资源变得愈加重要.针对现有MOOC推荐方法没有充分利用MOOC视频中所蕴含的隐式信息,容易形成“蚕茧效应”以及难以捕获学习者动态变化的学习需求和兴趣等问题,提出了一种融合视频字幕信息的动态MOOC推荐模型MOOCDR-VSI,模型以BERT为编码器,通过融入多头注意力机制深度挖掘MOOC视频字幕文本的语义信息,采用基于LSTM架构的网络动态捕捉学习者随着学习不断变化的知识偏好状态,引入注意力机制挖掘MOOC视频之间的个性信息和共性信息,最后结合学习者的知识偏好状态推荐出召回概率Top N的MOOC视频.实验在真实学习场景下收集的数据集MOOCCube分析了MOOCDR-VSI的性能,结果表明,提出的模型在HR@5,HR@10,NDCG@5,NDCG@10,NDCG@20评价指标上比目前最优方法分别提高了2.35%,2.79%,0.69%,2.2%,3.32%.

基于BERT-BiLSTM-CRF模型的畜禽疫病文本分词研究

针对畜禽疫病文本语料匮乏、文本内包含大量疫病名称及短语等未登录词问题,提出了一种结合词典匹配的BERT-BiLSTM-CRF畜禽疫病文本分词模型。以羊疫病为研究对象,构建了常见疫病文本数据集,将其与通用语料PKU结合,利用BERT(Bidirectional encoder representation from transformers)预训练语言模型进行文本向量化表示;通过双向长短时记忆网络(Bidirectional long short-term memory network,BiLSTM)获取上下文语义特征;由条件随机场(Conditional random field,CRF)输出全局最优标签序列。基于此,在CRF层后加入畜禽疫病领域词典进行分词匹配修正,减少在分词过程中出现的疫病名称及短语等造成的歧义切分,进一步提高了分词准确率。实验结果表明,结合词典匹配的BERT-BiLSTM-CRF模型在羊常见疫病文本数据集上的F1值为96.38%,与jieba分词器、BiLSTM-Softmax模型、BiLSTM-CRF模型、未结合词典匹配的本文模型相比,分别提升11.01、10.62、8.3、0.72个百分点,验证了方法的有效性。与单一语料相比,通用语料PKU和羊常见疫病文本数据集结合的混合语料,能够同时对畜禽疫病专业术语及疫病文本中常用词进行准确切分,在通用语料及疫病文本数据集上F1值都达到95%以上,具有较好的模型泛化能力。该方法可用于畜禽疫病文本分词。

融合多源异构气象数据的光伏功率预测模型

高精度光伏功率预测对提高电力系统运行效率具有重要意义。光伏功率受多种因素影响,其中云层的变化是最主要的不确定因素。传统光伏功率预测方法没有充分考虑云的3维结构和气象要素对光伏功率的影响。因此,该文提出一种融合多源异构气象数据的多源变量光伏功率预测模型(MPPM)。MPPM的核心包括时空条件扩散模型(STCDM)、注意力堆叠LSTM网络(ASLSTM)和多维特征融合模块(MFFM)。STCDM模型通过对2维卫星云图进行精确预测,消除了云层边界处的模糊现象。ASLSTM模型则提取了3维天气研究与预报模式(WRF)气象要素特征。MFFM模块将2维卫星云图特征和3维WRF气象要素特征进行融合,以得到未来1 h光伏功率预测结果。该文分别利用STCDM模型和MPPM模型开展卫星云图预测实验和光伏功率预测实验。实验结果显示,STCDM模型预测1 h内卫星云图的结构相似性指数(SSIM)达到0.914,MPPM模型预测1 h内光伏功率的相关系数(CORR)达到0.949,优于所有对比算法。

Fe对Ni-Mn-Ga合金微丝形状记忆效应的影响

以Ni-Mn-Ga合金微丝为基础分析Fe元素掺杂前后对合金微丝的形状记忆效应的变化。用真空磁控钨极电弧熔炼炉制备Ni-Mn-Ga-Fe合金,并用高真空精密熔体抽拉设备将母合金制备成微丝。采用EDS能谱分析仪、DSC差示扫描量热分析仪、XRD、DMA动态机械分析仪,研究Fe元素掺杂Ni-Mn-Ga合金微丝后的物相、马氏体相变行为、微丝的形状记忆效应。结果表明,Ni-Mn-Ga-Fe合金微丝显示的是四方结构马氏体相和面心立方结构奥氏体相的混合相,对微丝采用步进式阶梯有序化热处理,有序化热处理能有效降低微丝内部缺陷,释放内应力,细化微丝内部晶粒,收缩晶格体积,马氏体孪晶界面更加平直,孪晶面更易移动,微丝的伸长率提高。在258 K下对制备态Ni-Mn-Ga-Fe合金微丝进行单程形状记忆的测试,拉伸到350 MPa后卸载到0 MPa,随后将微丝升温到奥氏体态后,应变恢复率为78.75%,而在289K对有序化热处理态Ni-Mn-Ga-Fe合金微丝进行单程形状记忆测试,应变恢复率达到100%。在126 MPa和240 MPa下分别对有序化热处理态三元Ni-Mn-Ga合金微丝和Ni-Mn-Ga-Fe合金微丝进行恒应力拉伸,两种微丝双程形状恢复能力均接近100%,但Ni-Mn-Ga-Fe合金微丝在发生形变时的弹性应变储能略高于Ni-Mn-Ga合金微丝。Fe的加入使得到的合金微丝的力学性能高于传统三元形状记忆合金微丝;制备态下和热处理态的Ni-Mn-Ga-Fe合金微丝的马氏体相变温度较Ni-Mn-Ga合金微丝分别提高6.0 K和11.5 K,热滞分别降低6.7 K和1.5 K。

助行康复机器人自适应步态控制方法研究

为了提高助行康复机器人在不同坡度上的稳定性,合理的步态控制方法显得尤为重要。这里以助行康复机器人为研究对象,提出了一种将长短期记忆网络和动态运动基元结合的步行康复机器人自适应步态控制方法。将传感器采集信息与动态运动基元中步态控制项相结合,对参考步态进行调整。同时通过更改动态运动基元的时间项和空间项对步态进行二次调整以适应不同的坡度。通过试验对该控制方法的可用性进行验证。结果表明,该方法可以在(0~20)°斜坡进行自适应步态变换,具有一定的实用价值。

基于字词向量融合的民航智慧监管短文本分类

为解决民航监管事项所产生的检查记录仅依靠人工进行分类分析导致效率低的问题,提出一种基于数据增强与字词向量融合的双通道特征提取的短文本分类模型,探讨民航监管事项的分类,包括与人、设备设施环境、制度程序和机构职责等相关问题。为解决类别不平衡问题,采用数据增强算法在原始文本上进行变换,生成新的样本,使各个类别的样本数量更加均衡。将字向量和词向量按字融合拼接,得到具有词特征信息的字向量。将字词融合的向量分别送入到文本卷积神经网络(TextCNN)和双向长短期记忆(BiLSTM)模型中进行不同维度的特征提取,从局部的角度和全局的角度分别提取特征,并在民航监管事项检查记录数据集上进行试验。结果表明:该模型准确率为0.9837,F 1值为0.9836。与一些字嵌入模型和词嵌入模型相对比,准确率提升0.4%。和一些常用的单通道模型相比,准确率提升3%,验证了双通道模型提取的特征具有全面性和有效性。

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

基于金属磁记忆的弯曲工字钢梁的力-磁效应

目前,基于金属磁记忆检测技术的受力状态表征及损伤评估应用广泛,但在受弯构件的检测中,弯曲长度及荷载作用位置对检测结果的影响尚不明确。为研究受弯构件的力-磁效应,本工作基于四点弯曲工字钢梁的磁记忆检测,采用考虑初始平面外弯曲和应力与磁化作用角度的力-磁耦合方法,通过COMSOL多物理场仿真软件进行了数值模拟研究,并结合有效场理论分析了钢梁弯曲长度对磁信号的影响,提出了表征损伤及荷载作用位置的磁特征参数。结果表明:检测线磁信号峰-峰值S在钢梁接近屈服状态时显著增大,并在钢梁处于承载能力极限状态时达到最大值;腹板检测线磁信号峰-峰值S_(w)在钢梁屈服和达到最大承载能力时分别随有效段长度的增加呈线性减小和以二次函数的规律减小,而下翼缘检测线磁信号峰-峰值S_(f)在钢梁屈服和达到最大承载能力时均随有效段长度的增加以二次函数的规律减小;根据磁特征参数S_(w)和S_(f)定义了磁损伤指数D和荷载作用系数S_(r),当钢梁所受外加荷载超过其最大承载能力的80%时,可根据D>0.5的特征对钢梁不安全的受力状态进行预警;荷载作用系数S_(r)与钢梁的剪跨比λ近似线性相关,可以表征荷载的作用位置。

基于Arduino的SMA丝材智能修复损伤钢筋混凝土梁试验研究

为修复钢筋混凝土梁在使用阶段中由于材料老化、裂缝开展等原因造成的损伤,提出一种基于Arduino智能平台和形状记忆合金(Shape Memory Alloy,SMA,具有形状记忆效应和超弹性特性)的智能修复控制系统,根据挠度及裂缝控制原理,设计智能修复控制装置。该装置由输入模块、处理模块和输出模块组成,当检测到钢筋应变超过限值时,输出模块升高SMA丝材温度对梁体进行修复。为验证该智能修复装置的修复性能,设计对比梁A(无修复装置)与试验梁B(加装智能修复控制装置),在加载过程中对试验梁B进行3次修复,对2根梁的跨中挠度、钢筋应变及裂缝宽度等进行对比分析。结果表明:破坏时试验梁B的跨中挠度、裂缝宽度均小于对比梁A,并且在3次修复中试验梁B的跨中挠度、裂缝宽度和钢筋应变最大回复率分别为31.0%、47.0%和71.5%。说明该智能修复控制装置可以监测试验梁受损情况并激发SMA材料对试验梁实施修复,实现钢筋混凝土梁的智能修复。

金属磁记忆检测的关键技术研究现状与展望

金属磁记忆检测技术是一种绿色无污染、可检出早期应力集中、隐性损伤以及宏观缺陷的全寿命无损检测技术,经过20多年发展,已取得众多研究成果并应用于压力容器、石油管道、铁路桥梁、能源电力、航空航天等重要领域。针对金属磁记忆检测技术近年来的热点与难点问题,从理论基础到工程应用中的关键技术出发,归纳总结了磁记忆检测技术的机理、信号降噪与特征提取,以及机器学习在磁记忆检测评价中的应用等方面的研究现状,并对磁记忆检测技术亟待解决的关键难点问题与未来发展方向进行了探讨。

NiTi形状记忆合金的功能特性及其应用发展

NiTi形状记忆合金(shape memory alloys,SMAs)作为一种智能材料,具有良好的超弹性、形状记忆效应和生物相容性等功能特性,被广泛应用于航空航天、医疗器械和工程建筑等领域。其中超弹性在宏观上表现为发生较大的变形仍能恢复原形状,且其远大于常见金属可恢复的弹性应变。形状记忆效应则是温度激励下奥氏体和马氏体两相的相互转变,根据宏观变形分为单程、双程和全程形状记忆效应。而NiTi SMAs的生物相容性体现在低弹性模量和低生物毒性等方面,可应用于正畸、矫正、心血管支架等医疗器件。为充分发挥NiTi SMAs的功能,研究者们不断开发NiTi SMAs相关的智能结构。本文简要综述了近年来研究和发展NiTi SMAs的不同功能特性及其对应的智能结构典型应用,详细介绍和讨论了NiTi SMAs的功能特性、关注问题和应用领域。同时,也对NiTi SMAs阻尼性能和储氢特性进行了阐述。最后,展望了NiTi SMAs在各领域应用上尚需重点关注的问题:利用增材制造技术调控微观结构实现超弹性的稳定性提升;通过建立本构模型为形状记忆效应的稳定应用提供理论指导,并进一步优化结构实现形状记忆效应的宏观放大;提高NiTi SMAs在生物环境里的耐腐蚀性和医疗应用推广。因此,推动NiTi SMAs在不同应用领域的个性化和功能定制化,尚需大量的跨学科研究。

磁记忆效应的Jiles-Atherton理论模型全过程推导

金属磁记忆检测方法是一种能够对铁磁材料进行早期无损检测的新技术,其检测的是在外应力和地磁场的共同作用下铁磁构件产生的自发漏磁场.而磁机械效应则是指在恒定的外磁场环境中,磁化强度与外应力之间的变化关系.两者从本质上来讲是相似的.因此,磁记忆效应的物理本质就是弱磁场(地磁场)下的磁机械效应.针对磁机械效应经典的Jiles-Atherton理论模型,进行了系统、全面、完整的理论公式推导,分析了不同变量之间的物理关系和数学关系,并指出Jiles-Atherton理论模型存在的不足,并探讨了基于该模型进行的优化改进研究,改进的模型很好地解释了拉压应力作用下的非对称磁化行为.

结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究

为了提高模型预测性能,提出一种综合太阳辐射模型及深度学习的光伏功率预测模型。首先,利用太阳辐射机理建立太阳辐射模型(SRM),估算出水平面上总辐射值,再由斜面辐照度转换方法计算出光伏组件所接收的斜面辐射值。其次,通过皮尔逊相关分析法筛选出对光伏功率影响较大的主要因素,将斜面辐射计算值及主要影响因素作为输入,采用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立光伏功率SRM-CNN-LSTM预测模型。分别利用春夏秋冬四季典型日的数据开展对比实验,结果表明:与几种其他方法相比,该文方法具有更好的预测效果。

数字时代的文化记忆:档案学视域下数字记忆的研究图景与展望

数字记忆是数字时代的记忆新形态,是实施国家文化数字化战略的重要载体。论文利用CiteSpace软件对档案学视域下数字记忆研究的相关文献进行可视化分析,结合人工阅读,描绘数字记忆的研究图景与未来展望,以期为提升档案馆数字文化服务能力提供借鉴。目前研究主要集中于数字记忆的概念内涵、档案馆在数字记忆构建中的功能定位、数字记忆资源建设、数字记忆项目建设以及对数字记忆的理论反思等五个方面。未来建议加强记忆资源聚合、多元协同机制、用户参与机制、典型创新案例和人才培养模式研究。

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。