期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于3D-CNN和时空注意力-卷积LSTM的抑郁症识别研究 被引量:1
1
作者 何浪 《首都师范大学学报(自然科学版)》 2021年第2期17-25,共9页
针对目前抑郁症识别方法中没有有效地从序列信息中刻画长时特征表示的问题,本文提出了一种基于三维卷积神经网络(3D-CNN)、时空注意力-卷积长短时记忆网络(STA-ConvLSTM)和空间金字塔池化(SPP)的端到端的抑郁症识别方法,计算在数据库AVE... 针对目前抑郁症识别方法中没有有效地从序列信息中刻画长时特征表示的问题,本文提出了一种基于三维卷积神经网络(3D-CNN)、时空注意力-卷积长短时记忆网络(STA-ConvLSTM)和空间金字塔池化(SPP)的端到端的抑郁症识别方法,计算在数据库AVEC2013和AVEC2014测试集上的抑郁症识别结果,并将本文结果与已发表文献结果进行对比分析.结果表明:在数据库AVEC2013和AVEC2014测试集上,平均绝对误差均为8.60,均方根误差分别为10.32和10.27,文献结果比较表明本文的抑郁症识别结果优于当前大多数基于面部视频的抑郁症识别方法. 展开更多
关键词 抑郁症 时空注意力机制convlstm(sta-convlstm) 三维卷积神经网络 卷积长短时记忆神经网络
下载PDF
深度学习提取时空特征的堆石坝变形预测模型 被引量:5
2
作者 陈颖 马刚 +2 位作者 周伟 吴继业 邹全程 《水力发电学报》 CSCD 北大核心 2023年第5期120-132,共13页
当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性,因此限制了变形预测精度的进一步提高。为了解决该问题,本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型(CTSA-Con... 当前堆石坝变形智能预测模型较少关注多测点变形时间序列在时空特征上的不均衡性,因此限制了变形预测精度的进一步提高。为了解决该问题,本文提出了一种结合卷积神经网络、注意力机制和长短期记忆神经网络的堆石坝变形预测模型(CTSA-ConvLSTM),该模型可以提取变形时空特征,对不同时刻和不同位置的测点赋予不同的权重系数,实现对堆石坝整体变形规律的自适应学习。以水布垭面板堆石坝为例,采用该模型和最大断面所有测点的变形监测数据,验证了模型的有效性。模型预测效果优于Holt-Winters等常规时序预测模型,预测精度也优于笔者提出的基于LSTM的变形预测模型。通过深度学习提取监测数据时空特征,进一步提高了大坝变形预测精度,为大坝安全监控模型提供了新的思路。 展开更多
关键词 堆石坝变形预测 时空相关性 卷积神经网络(CNN) 注意力机制 卷积长短期记忆网络(convlstm)
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部