培养的主动脉平滑肌细胞的钙离子依赖性钾通道开放状态检测及其门控模型的初步研究

对培养的主动脉平滑肌细胞的钙离子依赖性钾通道 (Ca2 + -dependent k+ channels in cultural aortic smooth musclescells)单通道记录进行了分析 ,检测其开放 (关闭 )状态个数 ,并提出相应的备择马尔科夫门控动力学模式 。

基于双向多层门控循环神经网络的奶牛乳脂率预测模型研究

通过对奶牛乳脂率进行数据预测以及结合随机森林算法对环境数据进行精准特征选择,确定了对乳脂率影响较大的环境因素。在此基础上,提出了将随机森林算法与双向多层门控循环神经网络相结合的乳脂率预测模型(RF-BiGRU)并进行了相关实验。结果表明,该模型能够提高预测的准确性及效率。

基于紫外-可见光谱法的工业废水CNN-GRU分类模型研究

工业废水分类是水污染防治和水资源管理的前提和基础,相较于生活污水,工业废水的分类研究相对滞后。水体化学需氧量(COD)是衡量水体质量的核心指标,针对现有工业废水COD分类算法中预测精度较低的问题,提出基于门控循环单元(GRU)的卷积神经网络(CNN)混合模型。该模型首先将紫外-可见光谱法测得的工业废水COD数据进行高斯滤波去噪,然后把去噪后的光谱数据输入CNN模型进行特征提取,最后通过GRU神经网络实现工业废水COD分类。实验结果显示,CNN-GRU分类模型经过200次训练后达到收敛,分类精度达到99.5%,与长短期记忆方法、GRU方法、CNN-LSTM方法相比,该混合模型的分类精度具有显著优势。

基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法

在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。

基于门控循环单元模型的在线路网匹配算法

路网匹配是道路网轨迹数据分析领域的一项关键技术,一个快速且准确的路网匹配算法能够为上层应用提供良好的技术支持.随着轨迹数据的爆炸式增长,现有的在线路网匹配算法存在延时的现象,尤其是在低频轨迹数据的环境下,无法快速地对轨迹数据进行路网匹配.神经网络和深度学习的发展为解决这些问题提供了新的方法.提出了一种利用门控循环单元(Gated Recurrent Unit, GRU)模型快速定位轨迹采样点的候选路段、从而加速在线路网匹配计算的方法,并将此方法和最新的在线路网匹配算法进行了实验比较.结果表明,基于GRU模型的在线路网匹配算法能够有效地加快匹配过程,提高匹配效率.

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。

城市轨道交通车站客流预测模型与算法研究

近年来,中国经济水平快速提升,交通行业对交通的需求大幅增加,给城市交通带来较大压力,为缓解城市交通拥堵,给城市居民带来更快、更优质的出行服务。引用GRU算法构建门控循环单元模型进行客流预测,最后以杭州地铁某一站点客流数据为例进行验证,为地铁公司提供预测精度较高的短时客流预测方案。

基于注意力机制的奶牛乳蛋白预测模型研究

机器学习在动物生理预测方面取得良好的效果,但在处理具有局限性的时序问题上未能得到深入应用。文章通过环境数据对乳蛋白进行预测研究,根据数据的时序特点,对双向门控循环神经单元的网络结构进行重新设计,设计了一种基于注意力机制的正反向交替的门控循环神经网络(LG)预测模型,实验验证模型在精度上和速度上都优于其他模型,所挖掘的关键指标有助于深入理解对奶牛生理情况的影响,进而有效提升养殖效益。

基于循环神经网络的2-DOF软体机械臂运动建模与控制

因现有软体机械臂材料刚度小、模量不稳定,导致建模与控制难度大.提出一种基于循环神经网络(recurrentneuralnetwork,RNN)的方法,用于二自由度(two-degree-of-freedom,2-DOF)软体机械臂的运动建模与控制.使用动作捕捉仪采集不同气压、负载下的位置坐标,并将其导入门控循环单元(gated recurrentunit,GRU)神经网络模型进行训练.当调节超参数至网络结构最优时,测试集准确度可达98.87%.在此基础上,构建气压与负载到末端位置的映射函数.实验结果表明,本方法可将机械臂的控制精度提升至6»8 mm,显著降低了软体机器人的控制与建模难度.

面向社交媒体评论的上下文语境讽刺检测模型

讽刺是日常交际中一种常见的语用现象,能够丰富说话者的观点并间接地表达说话者的深层含义。讽刺检测任务的研究目标是挖掘目标语句的讽刺倾向。针对讽刺语境表达变化多样以及不同用户、不同主题下的讽刺含义各不相同等特征,构建融合用户嵌入与论坛主题嵌入的上下文语境讽刺检测模型。该模型借助ParagraphVector方法的序列学习能力对用户评论文档与论坛主题文档进行编码,从而获取目标分类句的用户讽刺特征与主题特征,并利用一个双向门控循环单元神经网络得到目标句的语句编码。在标准讽刺检测数据集上进行的实验结果表明,与传统Bag-of-Words、CNN等模型相比,该模型能够有效提取语句的上下文语境信息,具有较高的讽刺检测分类准确率。

基于LSTM和GRU的股价预测研究

随着计算机水平和数据库技术的迅猛发展,以神经网络为基础的深度学习已经成为机器学习领域中最热门的研究方向,人工神经网络、卷积神经网络、BP神经网络等先后被广泛应用于各领域中,并取得了很好的效果。如今,越来越多的金融学者也将目光投向了神经网络,运用网络技术建立股票收盘价趋势预测模型,取得了显著效果。本文基于用python构建了门控循环单元模型(GRU)和长短期时间记忆(LSTM)模型对光大银行收盘价进行预测,并对两种算法进行比较。实证结果表明:GRU模型在MAE、RMSE、MAPE三个评价指标的预测精度均高于LSTM模型,测试集的拟合也是最好的,能够在一定程度上反应股票价格波动趋势,为投资者进行投资决策提供了一个简单实用的方法。

基于轨迹挖掘模型的旅游景点推荐

针对旅游推荐系统中基于内容的推荐和基于协同过滤的推荐方法的数据稀疏性和冷启动问题,以及现有轨迹挖掘方法忽略旅游轨迹中高级语义的问题,提出基于门控循环单元轨迹挖掘模型的推荐方法.为了充分利用旅游轨迹的高级语义信息,基于循环神经网络设计轨迹挖掘表示模型,对游客的旅游轨迹进行建模,在利用游客历史轨迹建模后向游客提供个性化旅游景点推荐.在真实旅游轨迹数据集上的实验表明,相比广泛使用的基线方法,文中方法在景点推荐的准确性和质量上都有一定提高.

基于CNN-BiGRU-NN模型的短期负荷预测方法

为充分挖掘蕴含在大量采集数据中的有效信息,提高短期负荷预测精度,提出一种基于卷积神经网络(CNN)和双向门控循环单元(BiGRU)、全连接神经网络(NN)的混合模型的短期负荷预测方法,将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入,先利用CNN提取特征图中的有效信息,构造特征向量,再将特征向量作为BiGRU-NN网络的输入,采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例,实验结果表明:该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比,有更高的预测精度。

基于MMoE和GRU的PMU数据有损压缩算法

为解决同步向量量测装置广泛部署带来的数据冗余度与数据量快速增长、系统数据储存及传输成本大幅增加的问题,本文提出一种基于多任务学习和门控循环单元自编码器的有损数据压缩算法。首先,根据同步向量量测装置三相量测数据具有相关性的特点,采用多门控混合专家模型和门控循环单元构建了变分自编码器一次数据压缩模型,将各相数据进行特征融合,利用多任务学习挖掘三相量测数据之间的相关性;其次,使用无损压缩算法对一次压缩数据进行二次压缩,得到最终压缩数据;最后,通过算例分析表明,所提算法能够充分利用各相数据之间的相关性,实现对压缩数据的高精度重构,提高数据压缩效率。

基于S2S-CNN-GRU的机场离港航班延误预测

为解决空中交通管理中机场离港航班延误预测难题,采用序列到序列(S2S)框架将门控单元循环网络(GRU)和卷积神经网络(CNN)相结合,提出一种基于S2S-CNN-GRU的航班延误预测模型,主要采用序列到序列的框架结构,利用CNN来捕获机场航班延误状态的结构化特征,作为编码器的输入,利用GRU捕获延误状态的时间特征,并作为解码器输出预测结果,提高预测的准确性。采用美国实际数据检验该模型的有效性,并同其他模型进行对比。结果表明:基于S2S-CNN-GRU的航班延误预测模型预测的平均绝对误差(MAE)为3.03,均方根误差(RMSE)为5.82,明显优于其他模型的预测效果。

Ryanodine受体间相互作用及其与钙释放功能的关系(英文)

在真核生物和原核生物的生物膜上都存在由同种受体蛋白相互连接在一起形成的紧密二维排列。最近的模型计算表明这种排列方式可能是一种新型信号转导机制的结构基础,相邻受体可通过功能上的耦联优化信号处理性能。Ryanodine受体(ryanodine receptor,RyR)/钙释放通道通常在肌肉的肌浆网膜上形成二维晶格排列,该蛋白成为研究受体二维排列及其生理功能的一个很好的模型。本文综述了近几年在RyR相互作用及其二维排列工作模式和生理功能研究方面的进展,着重介绍了我们实验室利用新方法对RyR相互作用及其调控进行的研究工作。我们研究中发现了RyR功能状态对其相互作用的调控,本文对据此提出的RyR二维排列的“动态耦联模型”及其可能的生理功能进行了详细讨论。

基于元胞自动机技术的农村中长期负荷预测方法

针对农村用电负荷分布不均、多样性强,难以准确预测的问题,在考虑农村发展规划、经济、人口等影响负荷变化因素的基础上,提出了一种基于元胞自动机技术的农村中长期负荷预测方法。根据农村用电用途和特点,对农村负荷进行分类;按照台区供电范围内地块利用性质以及地块上负荷分布特点,定义了农村地块功能,利用最小二乘法得到不同功能地块的历史负荷密度曲线;在此基础上,结合农村发展规划、经济及自然条件等引起农村负荷密度和地块功能变化的影响因素,利用历史数据训练门控循环单元负荷密度模型,并利用元胞自动机技术预测地块变化信息;根据地块变化信息和历史负荷密度曲线,利用门控循环单元网络模型预测负荷密度,进而得到农村中长期负荷的预测结果;以某农村为例,验证了所提策略的可行性和有效性。

一种非线性无人地面车辆的轨迹跟踪控制

针对传统轨迹跟踪控制方法存在的速度跳变和完美速度跟踪问题,以经典轨迹跟踪控制方法(Kanayama,1990)为基础,提出了一种基于无人地面车辆运动学模型的非线性轨迹跟踪控制。在算法中引入门控双极模型以解决速度跳变,同时考虑无人地面车辆的加速度限制,以解决完美速度跟踪。结果表明该方法的有效性和准确性。

民航突发事件领域本体关系提取方法的研究

针对民航突发事件领域本体关系抽取准确率低的问题,提出了一种结合注意力机制与双向门控循环单元(BiGRU)的关系抽取模型。首先查询预先训练的词向量矩阵,将文本中每个词语映射为向量表示;其次构建BiGRU,得到词语序列的上下文语义信息;然后在词语层面和句子层面分别引入注意力机制,为表达语义关系更重要的词语和句子分配更大的权重;最后进行模型的训练与优化。将该模型应用在民航突发事件领域本体的关系提取中,实验结果表明该模型相较于其他方法具有更好的提取效果,验证了该模型的有效性,为民航突发事件领域本体关系的自动获取提供了新的方法支持。