期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型 被引量：10
1
作者 李浩君 方璇 戴海容 《计算机应用研究》 CSCD 北大核心 2022年第3期732-738,共7页
针对现有深度知识追踪模型存在输入习题间复杂关系捕获能力弱、无法有效处理长序列输入数据等问题,提出了基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型(KTSA-BiGRU)。首先,将学习者的历史学习交互序列数据映射为实值向量序... 针对现有深度知识追踪模型存在输入习题间复杂关系捕获能力弱、无法有效处理长序列输入数据等问题,提出了基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型(KTSA-BiGRU)。首先,将学习者的历史学习交互序列数据映射为实值向量序列;其次,以实值向量序列作为输入训练双向GRU神经网络,利用双向GRU神经网络建模学习者的学习过程;最后,使用自注意力机制捕获练习题之间的关系,根据双向GRU神经网络输出的隐向量和注意力权重计算学习者正确回答下一问题的概率。实验在三个公共数据集上的性能分析优于现有的知识追踪模型,能提高深度知识追踪的预测精度。 展开更多
关键词 知识追踪 深度学习 双向gru神经网络 自注意力机制
下载PDF
基于双向GRU神经网络和双层注意力机制的中文文本中人物关系抽取研究 被引量：21
2
作者 张兰霞 胡文心 《计算机应用与软件》 北大核心 2018年第11期130-135,189,共7页
实体关系抽取是知识抽取的重要组成部分。与传统模式识别的方法相比,深度学习的方法在关系抽取任务中表现得更为突出。目前关于中文的关系抽取技术的研究主要是基于核函数和远程监督的方法,而且数据集中的噪音数据对实验结果带来的负面... 实体关系抽取是知识抽取的重要组成部分。与传统模式识别的方法相比,深度学习的方法在关系抽取任务中表现得更为突出。目前关于中文的关系抽取技术的研究主要是基于核函数和远程监督的方法,而且数据集中的噪音数据对实验结果带来的负面影响不可忽视。提出一种基于双向GRU神经网络和双层注意力机制的中文关系抽取模型。结合中文语言的结构特点,采用字向量的形式进行输入,针对遗忘性问题,采用双向的GRU神经网络对输入向量进行融合。从一个句子中提取出字级别的特征信息,并通过句子级别的注意力机制来提取句子特征。利用远程监督的方法在新闻网站上抽取约8 000条数据进行验证。实验结果表明,双层注意力机制的神经网络模型可以充分利用句子的所有特征信息,准确率和召回率相较于未加入注意力机制的神经网络模型都有显著提升。 展开更多
关键词 中文关系抽取 双向gru神经网络 注意力机制 字向量
下载PDF
基于时域卷积与双向GRU神经网络的时序预测模型
3
作者 王振 张生 《软件导刊》 2020年第3期48-52,共5页
随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双... 随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。 展开更多
关键词 深度学习 时序预测 双向gru神经网络 卷积神经网络 循环神经网络
下载PDF
基于双向GRU和H_(∞)滤波器的SOC复合估算 被引量：2
4
作者 桂阳 周飞 +2 位作者 杨文 陈星 李康群 《电源技术》 CAS 北大核心 2022年第4期384-389,共6页
锂离子电池荷电状态(SOC)估算作为电池管理系统(BMS)的重要功能,是合理利用EV车辆电池组能量的前提。现有估算方法中,基于模型驱动法过程繁琐、计算量大;基于数据驱动法对数据要求高,估计精度差。针对以上问题,提出了基于双向GRU(BidiG... 锂离子电池荷电状态(SOC)估算作为电池管理系统(BMS)的重要功能,是合理利用EV车辆电池组能量的前提。现有估算方法中,基于模型驱动法过程繁琐、计算量大;基于数据驱动法对数据要求高,估计精度差。针对以上问题,提出了基于双向GRU(BidiGRU)神经网络结合H∞滤波器的复合估算方法来估算锂离子电池的SOC。用不同温度下北京应力循环工况(BJDST)来训练BidiGRU神经网络模型,再使用联邦测试程序驾驶时间表(US06)来对模型进行测试。测试结果的均方根误差(RMSE)最小可达到2.05%,平均绝对误差(MAE)最小可达到1.79%。用H∞滤波器优化后的RMSE和MAE均可降低到0.17%以下,最低可达到0.11%。结果表明该方法可在不同温度和不同工况下对锂离子电池SOC做出实时估计,并能够达到较高的精度。 展开更多
关键词 锂离子电池 SOC估计 双向gru神经网络 H∞滤波
下载PDF
高渗透率分布式光伏接入的新型电力系统净功率预测 被引量：19
5
作者 郭威 张凯 +1 位作者 魏新杰 张华铭 《电测与仪表》 北大核心 2022年第12期48-55,共8页
在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配... 在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配电网净功率的预测精度,文章提出了Attention-双向GRU神经网络配电网净功率预测方法。文章对光伏出力特性、用户侧负荷特性、以及配电网净功率影响因素进行分析,充分掌握净功率受分布式光伏出力和用户侧负荷变化规律的影响;将Attention机制融入到双向GRU神经网络中建立了配电网净功率预测模型。其中,Attention机制赋予输入特征不同的关注度,双向GRU神经网络能够学习到净功率的时序特征,二者的完美结合,大大提升了净功率预测模型的表示能力和泛化能力。实验结果表明,所述方法提高了配电网净功率预测精度,且性能优于对比模型。 展开更多
关键词 光伏出力 特性分析 净功率预测 Attention机制 双向gru神经网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部