部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向...部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。展开更多
文章基于深度学习技术探讨一种新的继电保护故障诊断方法,分析深度学习在继电保护故障诊断中存在的问题,提出基于卷积神经网络-长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)模型的故障诊断方法,详细...文章基于深度学习技术探讨一种新的继电保护故障诊断方法,分析深度学习在继电保护故障诊断中存在的问题,提出基于卷积神经网络-长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)模型的故障诊断方法,详细介绍该模型的结构和算法实现过程。通过收集和处理实验数据,对所提出的方法进行验证,并与传统方法进行对比。结果表明,所提出的方法具有更好的故障诊断性能。最后对实验结果进行分析和讨论,进一步说明该方法的可行性和优越性。该研究为继电保护故障诊断提供了一种新的思路和方法,具有一定的理论和实际应用价值。展开更多
为了减少因驾驶员的生理和心理健康状况变化引发的交通事故,实现对驾驶员健康状态的自动监测和实时优化,提出以控制论的基本理论为基础的驾驶员健康状态闭环反馈系统框架.首先基于驾驶员日志建立个性化健康模型;然后结合各种传感器实时...为了减少因驾驶员的生理和心理健康状况变化引发的交通事故,实现对驾驶员健康状态的自动监测和实时优化,提出以控制论的基本理论为基础的驾驶员健康状态闭环反馈系统框架.首先基于驾驶员日志建立个性化健康模型;然后结合各种传感器实时采集的驾驶员、车辆和道路环境等多模态数据,对驾驶员当前健康状态进行估计;最后针对预设健康目标,为驾驶员提供可执行的行为建议,实现对驾驶员健康状态的导航优化.在最关键的实时监测环节,提出基于注意力的卷积神经网络(convolutional neural network,CNN)-长短期记忆网络(long short term memory,LSTM)的多模态融合模型,实现对驾驶员压力、情绪和疲劳3个方面的健康状态估计.在私有数据集和公开数据集上分别开展的实验验证均获得高于90%的检测准确率.实验结果表明,提出的模型和方法可以实时准确监测驾驶员的压力、情绪和疲劳状态,为实现驾驶员的个性化健康导航系统提供有力支撑.展开更多
文摘部分稳定氧化锆(Partially stabilized zirconia,PSZ)陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标,为了降低磨削表面粗糙度的预测误差,提出了一种基于相关性分析与卷积-双向长短期记忆神经网络(Convolution-bidirectional long short term memory neural network,CNN-BiLSTM)的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性,筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵,作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明,基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。
文摘文章基于深度学习技术探讨一种新的继电保护故障诊断方法,分析深度学习在继电保护故障诊断中存在的问题,提出基于卷积神经网络-长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)模型的故障诊断方法,详细介绍该模型的结构和算法实现过程。通过收集和处理实验数据,对所提出的方法进行验证,并与传统方法进行对比。结果表明,所提出的方法具有更好的故障诊断性能。最后对实验结果进行分析和讨论,进一步说明该方法的可行性和优越性。该研究为继电保护故障诊断提供了一种新的思路和方法,具有一定的理论和实际应用价值。
文摘为了减少因驾驶员的生理和心理健康状况变化引发的交通事故,实现对驾驶员健康状态的自动监测和实时优化,提出以控制论的基本理论为基础的驾驶员健康状态闭环反馈系统框架.首先基于驾驶员日志建立个性化健康模型;然后结合各种传感器实时采集的驾驶员、车辆和道路环境等多模态数据,对驾驶员当前健康状态进行估计;最后针对预设健康目标,为驾驶员提供可执行的行为建议,实现对驾驶员健康状态的导航优化.在最关键的实时监测环节,提出基于注意力的卷积神经网络(convolutional neural network,CNN)-长短期记忆网络(long short term memory,LSTM)的多模态融合模型,实现对驾驶员压力、情绪和疲劳3个方面的健康状态估计.在私有数据集和公开数据集上分别开展的实验验证均获得高于90%的检测准确率.实验结果表明,提出的模型和方法可以实时准确监测驾驶员的压力、情绪和疲劳状态,为实现驾驶员的个性化健康导航系统提供有力支撑.
