- 博客(4)
- 收藏
- 关注
RSS订阅原创 融合时空特征的多模态车辆轨迹预测方法
车辆轨迹预测可定义为：给定所有邻近车 辆在过去时间范围 T 上的位置 X ，其目标是预测它们 在未来时间范围 H 中的轨迹分布 Y。然后，通过特征融合门控单元 实现每个时间步长对应时空特征的自适应融合，并利用门控循环单元（GRU）网络构建解码器进一步生成未 来车辆轨迹的概率分布。GCNTA 模型的时间特征提取由添加注意力机制的 TCN-Attention 模块组成.的多模态车辆轨 迹预测方法（GCNTA）。其次，构建具有时间注意力机制的时域卷积网络（TCN）完成。使用协方差作相关系数。
2024-05-07 11:47:55
396
原创 An Artificial Intelligence Neural Network PredictiveModel for Anomaly Detection and Monitoring ofW
基于云的预测维护模型开发的故障预测wt包括三个主要模块包括预测模型为每个WT基于随机森林算法，监控代理提供故障预测间隔10分钟间隔的数据收集，和一个GUI界面可视化从开发的模型获得的信息。利用气象站获得的风速数据进行基于叶片单元动量（BEM）的计算，分析WT叶片的空气动力行为，并将计算流体动力学（CFD）计算的空气动力数据输入所开发的人工神经网络（ANN）模型。本文评估、比较和对比了8种不同的人工神经网络（ANN）模型，用于诊断和监测wt，这些模型基于内部组件的传感器信号和产生温度来预测机器的系统故障。
2024-03-27 22:33:42
1108
原创 知识与数据联合驱动建模技术综述
模型的不稳定性和难解释性一直是深度学习 理论面临的难点问题，伴随海量标注数据的大量噪 声导致深度学习不稳定，深度学习模型提取的特征 很难直观地理解和解释。采 用一种端到端的方式直接对数据本身进行建模，通 过深度神经网络自动学习提取特征并建立深度特征 与数据标签之间的映射关系。知识提取的目的是从非结构化的文本和其他结 构化或半结构化的数据源中发现和识别实体和关 系。2. 基于隐式知识的建模方法：即有监督学习，打标签的方法。1. 基于显式知识的建模方法，即专家系统。四、 知识和数据联合驱动建模。
2024-03-25 17:19:19
771
原创 Fault detection of wind turbine based on SCADA data analysis using CNN and LSTM with attention mech
本文提出了一种新的风力涡轮机故障检测方法，即将卷积神经网络（CNN）级联到基于注意机制（AM）的长、短期记忆网络（LSTM）中。利用风力涡轮机的监控和数据采集（SCADA）数据作为输入变量，构建CNN架构，提取数据的动态变化。AM被用于加强重要信息的影响。最后，通过实例对风力机的早期失效进行了预测，验证了该方法的有效性。在AM模型的CNN-LSTM中，构造一个高维特征作为LSTM输入，并学习特征的内部动态变化。AM可以通过映射加权和参数学习，对LSTM的隐含状态分配不同的权重，并可以加强重要信息的影响。
2024-01-17 10:25:35
422
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人