基于LSTM&GRU-Attention多联合模型的锂离子电池SOH估计

锂离子电池的健康状态(state of health,SOH)准确估计对于储能电站的稳定高效运行至关重要。为了进一步提高数据驱动方法对SOH估计的精度,本团队提出了一种利用交叉验证训练的线性回归加权融合模型的方法。首先,从放电电压曲线、充电和放电温度曲线中提取了健康特征,并使用Pearson相关系数对所选特征进行了相关性分析,确定了网络模型输入的健康因子参数。随后,通过在LSTM与GRU中加入注意力机制,建立了LSTM-Attention与GRU-Attention模型,分别以NASA电池老化数据集B0005、B0006、B0007和B0018电池的前50%作为模型训练集,用剩余数据对模型进行验证,分别得到了模型对应的ŷ_(L-A)与ŷ_(G-A)估计值,然后使用所提融合模型方法对两个估计值进行线性回归加权,结果显示该方法的最大均方根误差和平均绝对误差分别为0.00291和0.00200。最后,为验证所提模型的抗干扰能力,在输入模型的健康因子中加入不同比例的高斯白噪声,实验结果显示融合模型的抗干扰能力较强,最大均方根误差和平均绝对误差仅为0.03562和0.02889。

融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化

为解决流程制造工艺参数优化面临的多工序耦合模型构建复杂、多目标冲突分析困难、实时和准确性难以保障等问题,提出一种融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法。设计了适用于多工序耦合生产的训练计算云边协同架构,通过设备边缘节点与云平台的高效协同,完成了预测模型和优化模型的云端训练,边缘端数据收集、模型下载和调用计算。在此基础上,建立了基于GRU-Attention多层神经网络的生产工艺质量预测模型,将输出质量指标作为适应度,调用鲸鱼算法对生产工艺参数进行全局寻优,获得不同工序最优工艺参数组合,实现流程生产不同工序加工质量的实时预测和综合优化。最后,以某流程制丝生产线为例进行了实验验证,结果表明,所提基于深度学习的云边联动方法可实现生产质量的综合动态优化,同时可降低工艺参数调控任务的完成时间。

基于循环门单元和注意力机制的学生学习积极性预测模型

为了挖掘校园无线网络数据中蕴含的学生行为,更好地辅助教学管理,本文提出了基于循环门单元和注意力机制(gated recurrent unit-attention,GRU-Attention)的学生学习积极性预测模型。首先对采集到的学生行为轨迹数据进行预处理和聚类分析,根据学生在校园各个场所的平均逗留时间对学习积极性做出预判断。然后根据无线流量的连接频率及用途对学生行为特征数据进行二次判断,并引入学生学习成绩作为参考标准。最后将数据集输入到GRU信息提取层,并在Attention层进行加权处理,计算得出概率分布。实验结果表明,GRU-Attention模型准确度优于其他常见预测模型,可以更好地帮助辅导员去管理和引导学生树立良好的学习态度。

基于深度学习的司法判罚研究

基于深度学习的司法判罚研究有助于缓解司法行业案多人少以及同案不同判的问题,提高司法判罚效率。文章基于深度学习技术建立司法判罚模型,主要实现罪名预测功能。对司法文本数据进行分析以及处理,通过提取要素维度关键特征的方式区分易混淆罪名。建立基于CNN+GRU-Attention(Gated Recurrent Unit-Attention)的司法判罚模型,在模型输出层加入分组focal loss损失函数,解决罪名分布不均衡问题,根据模型评估指标进行模型验证以及对比分析。建立基于深度学习的司法判罚系统,系统以模型为核心,主要实现罪名分类功能,通过对系统的测试,验证了其有效性。