基于1D-CNN的近红外光谱定量分析棉/涤纶/羊毛混纺纤维含量方法研究

纤维成分的定性及定量分析在纺织品检测中一直是研究热点,但常规检测手段存在周期长、工序复杂且对环境不友好等问题,因此提出一种对纺织品纤维含量快速、无损且准确的检测方法就显得尤为重要。研究提出一种纺织品纤维含量的定量校正模型,可以准确预测纺织品中棉/涤纶/羊毛的纤维含量,解决传统校正模型无法兼顾准确与多种纤维预测的难点。针对645个羊毛/涤纶、棉/涤纶以及羊毛/涤纶/棉混纺样品为研究对象,采用红外光谱分析仪采集样品的近红外反射光谱,在光谱数据预处理的基础之上,提出一种一维卷积神经网络(1D-CNN)模型,实现对多种纤维含量的同时预测,为了凸显模型的优势,在相同的训练集和测试集样本之上对比3种不同机器学习算法的预测结果。结果表明:选用线性函数归一化、多项式平滑滤波(SG平滑,滑动窗口为9,拟合阶数为7)的预处理方法,结合所提出的1D-CNN模型效果最优,其模型决定系数R-Squared可达到0.998,各含量预测的平均绝对误差(MAE)为0.62,预测均方根误差(RMSE)为1.31。同时采用未参与建模的138个纺织品样品验证模型泛化能力,模型在测试集上的表现为,决定系数R-Squared为0.996,各含量预测的平均绝对误差(MAE)为0.80,预测均方根误差(RMSE)为2.01。采用所提出的模型,可以准确预测羊毛、棉和涤纶混纺织品中纤维含量,为快速无损检测纺织品提供了一种可行的方法,同时为其他混纺纤维含量的定量分析提供了新的思路。

基于1D CNN-SLSTM模型的太湖蓝藻密度预测方法

太湖中的水华爆发对太湖及其沿岸居民造成巨大影响,因此保证提前预测蓝藻密度非常重要。为精确预测太湖蓝藻密度,在长短时记忆网络(LSTM)模型的基础上,加入一维卷积模型,筛选并优化激活函数,提出一种基于1D CNN-SLSTM的预测模型预测蓝藻密度。试验结果表明,1D CNN-SLSTM模型的RR_(MSE)、M_(MAPE)、M_(MAE)值分别比单独使用LSTM模型降低30.38%、1.85%、16.89%,R值和N_(NSE)值则提升了0.08、0.17,验证了使用扩展型指数线性单元激活函数(Selu)的LSTM神经网络(1D CNN-SLSTM)预测效果最好。

基于1D CNN-LSTM模型的红旗水库水位序列模拟

为了提升水库水位模拟的精度,通过1D CNN-LSTM模型与五种常用的机器学习模型对安徽省红旗水库历史水位数据和降雨量数据实现未来7天的水位模拟并进行对比验证。CNN和LSTM能够表现出比较好的模拟性能,结合两种模型的优势能够更加显著的提升模型的模拟效果;1D CNN-LSTM具有较高鲁棒性,对于未来3天以内水位模拟都有较好的预测效果和精度,虽然3天以后的模拟效果有明显下降,但对未来第7天的模拟NSE和KGE依然能够达到0.8以上,在不发生极端天气的情况下,模型对于水位趋势的模拟依然具有相当的参考价值。1D CNN-LSTM模型对于红旗水库的水位模拟优于其他五种传统的机器学习模型,并具有相当高的精度。

基于GloVe模型和注意力机制Bi-LSTM的文本分类方法

为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络(1D-CNN)和双向长短期记忆网络(Bi-LSTM)的文本分类方法。首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势。然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数。最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度。在多个公开数据集中进行二元分类和多元主题分类实验。实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5%,最高F1得分为91.3%。