为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模...为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。展开更多
为了提取丰富的高级空间特征、减少关键信息的损失、全面捕捉视频中的时序特征、提升视频中错误动作的识别效果,研究了一种基于长短期记忆-卷积神经网络(long short term memory-convolutional neural network,LSTM-CNN)的体育训练视频...为了提取丰富的高级空间特征、减少关键信息的损失、全面捕捉视频中的时序特征、提升视频中错误动作的识别效果,研究了一种基于长短期记忆-卷积神经网络(long short term memory-convolutional neural network,LSTM-CNN)的体育训练视频中错误动作的识别方法。第一步,通过第一层卷积神经网络(convolutional neural network,CNN)层提取体育训练视频中错误动作的低级空间特征;第二步,利用第二层CNN层在体育训练视频低级空间特征内提取其高级空间特征;第三步,通过两层CNN层逐步提取体育训练视频的空间特征,确保在提取其高级特征的同时尽量减少其关键信息的损失,保证提取的高级空间特征具有丰富性;第四步,利用长短期记忆网络(long short term memory,LSTM)网络层,在高级空间特征内,对体育训练视频中错误动作的时序特征进行全面提取;第五步,引入注意力机制,对体育训练视频中错误动作的时序特征进行筛选,获得更有价值的时序特征,进一步提升错误动作的识别效果;第六步,通过归一化指数(Softmax)分类器,结合筛选出来的时序特征,输出层将体育训练视频中错误动作的识别结果输出。实验证明,基于LSTM-CNN的体育训练视频中错误动作的识别方法可有效提取体育训练视频动作的空间特征,并可在不同场景下精准识别体育训练视频中的错误动作。展开更多
文摘为增强综合能源系统负荷精细化分解水平,充分利用误差信息以进一步提升预测性能,提出一种基于聚合混合模态分解和时序卷积神经网络(temporal convolutional network,TCN)的综合能源系统负荷修正预测框架。首先,采用改进完全集合经验模态分解对电、冷和热负荷初步分解处理,随后利用变分模态分解对具有强复杂性的子序列进一步分解。然后,依据最大信息系数(maximum information coefficient,MIC)分析多元负荷的耦合特性并通过多元相空间重构(multivariate phase space reconstruction,MPSR)丰富特征信息。最后,构建基于TCN的修正预测模型。以校园综合能源系统算例对比不同预测模型,结果显示所提修正预测框架的电、冷和热负荷预测均具有较低的平均绝对百分比误差,有效解决了预测中模态分解的模态混叠以及模态高频分量问题,实现预测误差修正。
文摘为了提取丰富的高级空间特征、减少关键信息的损失、全面捕捉视频中的时序特征、提升视频中错误动作的识别效果,研究了一种基于长短期记忆-卷积神经网络(long short term memory-convolutional neural network,LSTM-CNN)的体育训练视频中错误动作的识别方法。第一步,通过第一层卷积神经网络(convolutional neural network,CNN)层提取体育训练视频中错误动作的低级空间特征;第二步,利用第二层CNN层在体育训练视频低级空间特征内提取其高级空间特征;第三步,通过两层CNN层逐步提取体育训练视频的空间特征,确保在提取其高级特征的同时尽量减少其关键信息的损失,保证提取的高级空间特征具有丰富性;第四步,利用长短期记忆网络(long short term memory,LSTM)网络层,在高级空间特征内,对体育训练视频中错误动作的时序特征进行全面提取;第五步,引入注意力机制,对体育训练视频中错误动作的时序特征进行筛选,获得更有价值的时序特征,进一步提升错误动作的识别效果;第六步,通过归一化指数(Softmax)分类器,结合筛选出来的时序特征,输出层将体育训练视频中错误动作的识别结果输出。实验证明,基于LSTM-CNN的体育训练视频中错误动作的识别方法可有效提取体育训练视频动作的空间特征,并可在不同场景下精准识别体育训练视频中的错误动作。
