为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法(Variational Model Decomposition,VMD)分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法(Particle Swarm Optimizati...为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法(Variational Model Decomposition,VMD)分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD进行了优化,以提取出更能代表寿命变化的特征。在此基础上,将筛选的特征输入到双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络中进行剩余使用寿命预测。通过实验并与其他深度模型进行对比,该文提出模型的均方误差等指标均比其他几种模型更低,证明了该文模型在轴承剩余使用寿命预测上的有效性。展开更多
针对油气领域知识图谱构建过程中命名实体识别使用传统方法存在实体特征信息提取不准确、识别效率低的问题,提出了一种基于BERT-BiLSTM-CRF模型的命名实体识别研究方法。该方法首先利用BERT(bidirectional encoder representations from...针对油气领域知识图谱构建过程中命名实体识别使用传统方法存在实体特征信息提取不准确、识别效率低的问题,提出了一种基于BERT-BiLSTM-CRF模型的命名实体识别研究方法。该方法首先利用BERT(bidirectional encoder representations from transformers)预训练模型得到输入序列语义的词向量;然后将训练后的词向量输入双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)模型进一步获取上下文特征;最后根据条件随机场(conditional random fields,CRF)的标注规则和序列解码能力输出最大概率序列标注结果,构建油气领域命名实体识别模型框架。将BERT-BiLSTM-CRF模型与其他2种命名实体识别模型(BiLSTM-CRF、BiLSTM-Attention-CRF)在包括3万多条文本语料数据、4类实体的自建数据集上进行了对比实验。实验结果表明,BERT-BiLSTM-CRF模型的准确率(P)、召回率(R)和F_(1)值分别达到91.3%、94.5%和92.9%,实体识别效果优于其他2种模型。展开更多
住宅短期电力负荷预测是一种关键应用场景,能够为电力公司和用户提供实时且准确的用电负荷预估,实现最优调度并合理分配电力资源。提出了一种基于双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)和卷积神经网络(Convolut...住宅短期电力负荷预测是一种关键应用场景,能够为电力公司和用户提供实时且准确的用电负荷预估,实现最优调度并合理分配电力资源。提出了一种基于双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)和卷积神经网络(Convolutional Neural Network,CNN)的CNN-BiLSTM预测模型。利用CNN对原始负载数据进行特征提取,以降低输入数据的维度并提高模型的运行效率;将提取的特征输入BiLSTM和CNN-BiLSTM模型中进行预测。该方法已在实际住宅负荷数据集上进行了验证,预测结果好于传统的基于时间序列的预测方法。这表明该方法在短期住宅负荷预测领域中具有广泛的应用前景。展开更多
文摘为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法(Variational Model Decomposition,VMD)分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD进行了优化,以提取出更能代表寿命变化的特征。在此基础上,将筛选的特征输入到双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络中进行剩余使用寿命预测。通过实验并与其他深度模型进行对比,该文提出模型的均方误差等指标均比其他几种模型更低,证明了该文模型在轴承剩余使用寿命预测上的有效性。
文摘针对油气领域知识图谱构建过程中命名实体识别使用传统方法存在实体特征信息提取不准确、识别效率低的问题,提出了一种基于BERT-BiLSTM-CRF模型的命名实体识别研究方法。该方法首先利用BERT(bidirectional encoder representations from transformers)预训练模型得到输入序列语义的词向量;然后将训练后的词向量输入双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)模型进一步获取上下文特征;最后根据条件随机场(conditional random fields,CRF)的标注规则和序列解码能力输出最大概率序列标注结果,构建油气领域命名实体识别模型框架。将BERT-BiLSTM-CRF模型与其他2种命名实体识别模型(BiLSTM-CRF、BiLSTM-Attention-CRF)在包括3万多条文本语料数据、4类实体的自建数据集上进行了对比实验。实验结果表明,BERT-BiLSTM-CRF模型的准确率(P)、召回率(R)和F_(1)值分别达到91.3%、94.5%和92.9%,实体识别效果优于其他2种模型。