基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

基于CNN-GRU的文本数据特征提取及其分类技术设计

针对当下中文文本分类中存在的文本特征提取不足、分类准确率低等缺点,提出一种基于E-TF-IDF(Expand-Term Frequency-Inverse Document Frequency,E-TF-IDF)的关键词提取模型和CNN-GRU(Convolutional Neural Networks-Gated Recurrent Unit,CNN-GRU)的文本分类模型。该模型能够根据关键词邻近词语的出现概率中进行拓展,以实现更好的关键词特征提取。CNN-GRU更适用于序列分类且其具有更少的参数,能够减小在小数据集下的过拟合风险。最终的实验结果显示,CNN-GRU的分类精度较高,平均可达97.88%。

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

一种基于改进CNN-GRU的建筑冷负荷单步预测方法

在智能建筑环境中,准确的建筑负荷需求预测对建筑能源管理至关重要。这在拟定高效的需求调度策略方面担任着重要角色,它提高了建筑能源利用效率,挖掘了建筑节能潜力。将卷积神经网络(CNN)和门控循环单元(GRU)作为基础模型,提出了一个混合深度神经网络模型,并使用批标准化和Dropout进行改进,以准确预测公共建筑的未来1 h冷负荷需求。所提出的模型有着良好的短期记忆能力,可以高效学习数据的时间依赖性,并充分利用少量的输入特征以获得高预测精度。所提出的模型在实际建筑中进行了实验验证。结果表明,应用批标准化和Dropout有助于CNN-GRU更有效地学习。从这个角度上看,冷负荷预测的RMSE值从310.02降低到261.87,MAE值从230.83降低到206.23,MAPE值从9.68%降低到8.51%,R2值从0.76提高到0.83。与其他基准模型相比,改进CNN-GRU获得了最好的预测性能。

基于CNN-GRU的混凝土大坝扬压力预测模型研究

为准确预测混凝土大坝扬压力的变化趋势,基于扬压力历史监测数据,通过卷积神经网络(CNN)自动获取大坝历史监测数据在高维空间的联系,建立大坝环境量与扬压力的映射关系,结合门控循环单元(GRU)处理长时序监测数据的优越性,构建CNN-GRU扬压力预测模型,并以某大坝为例进行模型性能验证。研究结果表明:本文提出的模型在4个测点的MAE分别为0.1554,0.03976,0.2306,0.1827 m,RMSE分别为0.0272,0.05485,0.2916,0.2128 m,能够高精度地演绎扬压力整体及局部拐点上的变化趋势,其预测性能明显优于PSO-BP、BBO-SVM、GRU、LSTM模型。研究结果可为大坝安全监测提供支撑。

基于EEG和DE-CNN-GRU的情绪识别

近年,情绪识别研究已经不再局限于面部和语音识别,基于脑电等生理信号的情绪识别日趋火热.但由于特征信息提取不完整或者分类模型不适应等问题,使得情绪识别分类效果不佳.基于此,本文提出一种微分熵(DE)、卷积神经网络(CNN)和门控循环单元(GRU)结合的混合模型(DE-CNN-GRU)进行基于脑电的情绪识别研究.将预处理后的脑电信号分成5个频带,分别提取它们的DE特征作为初步特征,输入到CNN-GRU模型中进行深度特征提取,并结合Softmax进行分类.在SEED数据集上进行验证,该混合模型得到的平均准确率比单独使用CNN或GRU算法的平均准确率分别高出5.57%与13.82%.

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。

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元网络(Gated Recurrent Unit,GRU)的混合模型:EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明:相对于BP神经网络和长短期记忆网络(Long Short-Term Memory,LSTM)等其他模型,本文所提出的预测方法取得了良好的性能.

基于多车型CNN-GRU性能预测模型的轨道状态评价

不同车型高速综合检测列车的动力学传递特性不同,使得其对同一线路的车体加速度评价结果存在一定差异.为解决上述问题,本文基于多列动检车的检测数据,将卷积神经网络(convolutional neural network,CNN)与门控循环单元(gated recurrent unit,GRU)相结合,建立了多车型车辆动力学响应预测模型,通过输入多项实测轨道不平顺和车速预测各车型的车体垂向和横向加速度,并将多车型车体加速度预测值的最大包络作为轨道状态评价依据.结果表明:将高低、轨向不平顺等8项轨道不平顺和车速共同作为输入参数的模型预测性能最优,车体垂向和横向加速度预测的评估指标分别提升了5%~13%和25%~36%;CNN-GRU模型所预测的车体加速度在时域和频域均与实测结果吻合较好,相关系数最大达到0.902;且相比于BP (back propagation)神经网络,各项车体垂向和横向加速度预测的评估指标分别提升了36%~109%和11%~167%;针对某轨道几何状态不良区段应用效果,预测6种车型中有4种车型达到车体垂向加速度Ⅰ级或Ⅱ级超限,有1种车型达到车体横向加速度Ⅰ级超限,提高了轨道状态评价的准确性和一致性.

基于时空序列的CNN-GRU气温预测模型

针对传统气温预测方法在面对多维度样本时模型收敛速率低、模型拟合程度差等问题,提出一种基于卷积神经网络(CNN)和门控循环单元(GRU)的组合预测模型。首先,使用CNN对原始样本数据进行降维,提取样本中各特征向量之间的隐含关系;其次,通过GRU网络学习降维后的样本数据的特征动态变化趋势与规律来实现气温预测。通过德国耶拿马克斯普朗克生物地球化学研究所气象站的气象观测数据验证所提模型。实验结果表明,与未采用卷积操作的Prophet-LSTM和PCA-GRU结构神经网络相比,所提模型在处理高维度样本数据时能在保证模型收敛速率的同时,分别将平均绝对误差(MAE)降低24.0%和22.8%,均方根误差(RMSE)降低42.2%和39.4%,验证了它在实际环境中预测温度趋势的有效性。

融合注意力机制的CNN-GRU动车组蓄电池SOC估算方法

碱性镍镉蓄电池是动车组辅助装置的核心能源,对其荷电状态(state of charge,SOC)进行精确估计,对于延长电池使用寿命及提高能量利用率具有显著意义。考虑现有的SOC估计方法在处理小样本电池循环数据时的局限性,文章提出了一种融合注意力机制的卷积-门控循环单元(CNN-GRU)电池SOC估算模型,并通过亚通达LPH140A型动车组镍镉蓄电池进行实验验证。模型通过卷积神经网络(CNN)提取电池循环数据中长序列的短时特征依赖关系,然后采用融合注意力机制的门控循环单元(GRU)对提取的特征数据进行长空间距离依赖关系的捕捉,从而达到更准确的电池SOC估算精度。同时为适应小样本电池循环数据SOC精准估算,文章将连续回归模型转化为分类问题,将电池SOC区间离散化,将最终预测结果转化为电池SOC区间离散值。实验结果表明,文章所提算法的预测结果与CNN-GRU算法的相比在均方根误差、平均绝对误差以及平均相对误差这3个关键指标上分别提升了18.90%、17.92%和19.78%。可见该模型在预测准确性和稳定性方面具有出色性能。

GAN-CNN-GRU在光伏最大功率点跟踪中的应用

光伏阵列在复杂光照强度条件下,出现局部遮荫现象,导致输出特性曲线呈现多峰值状态,造成光伏系统能量转化率低下。本文提出一种基于生成对抗网络(GAN)、卷积神经网络(CNN)和门控循环单元(GRU)的混合预测模型,预先使用GAN对光伏发电原始环境数据进行数据扩充,再用CNN提取不同光伏太阳能板的环境数据特征,最后利用GRU进行最大功率点电压的预测。仿真结果表明,该混合预测模型可避免陷入局部极值的情况,可以有效提高复杂光照强度条件下的最大功率点跟踪效率。

基于CNN-GRU-CTC的藏族学生普通话发音偏误检测

为了提高藏族学生学习普通话的发音水平,根据普通话和藏语发音特点设计并录制了一个偏误语音语料库,并结合卷积神经网络(Convolutional Neural Network,CNN)、门控循环单元(Gated Recurrent Unit,GRU)技术和连接时序分类技术(Connectionist Temporal Classification,CTC)搭建CNN-GRU-CTC声学模型,提出了一种发音偏误检测的方法.该方法将语音转换为一张图像作为输入,对完整的语谱图进行数据提取,利用深度全序列卷积神经网络进行建模,使用自动语音识别框架来进行发音偏误检测.实验结果表明:在该模型下,系统检测准确率为88.55%,错误拒绝率为7.16%,联合错误率为14.94%.该方法可以有效检测出错误发音,性能优于其他模型,可以用于检测和纠正藏族学生学习普通话时的错误发音,提高藏族学生的普通话发音水平.

基于CNN-GRU融合网络的情绪脑电信号辨别研究

针对当前情绪脑电信号(EM-EEG)辨识方法分辨率低的问题。在分析EM-EEG特征分布规律和单一卷积神经网络(CNN)特性的基础上,与门控循环单元(GRU)相结合,提出了CNN-GRU融合网络用于EM-EEG辨别研究。构建的CNN-GRU网络融合了CNN提取的EM-EEG频域、空域特征与GRU提取的EM-EEG时域特征,在构造的EM-EEG时-频-空域特征空间上进行情绪状态辨识;另外利用自己搭建的数据采集平台,设计情绪诱导实验生成新的情绪状态数据集。经过实验探究,结果表明:所提网络模型分别在SEED IV数据集、自采数据集上训练获得的辨识率为89.2%和83.76%,均能有效的对四种不同情绪进行判别,验证了该网络良好的泛化能力;而使用SEED IV数据集训练得到的模型在自采情绪数据集上的预测实验则验证了该网络拥有较强的鲁棒性。

基于CNN-GRU模型的道岔故障诊断算法研究

道岔作为铁路重要的信号基础设备,在保障铁路安全运行中起到重要作用。基于信号集中监测系统中道岔的故障电流和功率曲线,经过哈尔小波变换后,通过卷积神经网络(CNN)中的卷积层,对故障曲线提取一定维度的道岔故障特征;然后把提取到的故障特征作为门控循环单元(GRU)的输入,从而实现道岔故障诊断;最后将数据集分成训练集和测试集,对模型做训练和验证。实验仿真表明,特征矩阵采用40维输入,迭代75次时,道岔故障诊断准确率达95%,训练时间也优于其他方法。

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.

基于CNN-GRU网络的轴承故障检测算法

传统的卷积神经网络(Convolutional Neural Networks,CNN)采用的激活函数sigmoid,tanh计算量大,容易出现梯度消失和过拟合现象,ReLU函数容易导致均值偏移,且在轴承故障诊断中,故障数据一般为时序信号。为了解决CNN网络中激活函数存在的问题,同时提高对故障数据的时序特征提取能力,将CNN与门控循环单元(Gated Recurrent Unit,GRU)相结合,提出了一种基于eLU激活函数的CNN-GRU网络模型,用于轴承故障诊断。用凯斯西储大学轴承故障数据集对该网络进行验证,预测准确率达到99.93%,相较于其他算法更具优越性。

基于CNN-GRU网络的5G流量预测模型

探索使5G网络应用于垂直行业的方法,关键在于满足行业业务需求的前提下,提供高效率低能耗的网络服务。为了实现5G网络资源负载均衡及网络切片等应用,本文通过研究5G网络的实际表现,对5G网络进行精准预测,提出一种基于CNN-GRU的5G流量预测模型。利用实测带宽数据进行测试,与LSTM,GRU等网络模型进行对比验证其实际表现。结果表明,CNN-GRU的表现优于对比模型,是预测5G流量的理想模型。

双通道特征融合CNN-GRU齿轮箱故障诊断

旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。