排序方式: 共有72条查询结果,搜索用时 31 毫秒
61.
传统的水声信号识别方法是将特征提取和分类识别分开进行处理的,影响了水声信号识别的整体性能。本文根据水声信号的特点,结合一维卷积网络(1DCNN)的卷积运算、时间平移不变性和门控循环网络(GRU)内部充分考虑时序相关性的记忆能力等优势,将一维卷积网络和门控循环网络进行串联中并对网络参数和模型结构进行优化,自适应提取特征给出分类结果,并与单独使用1DCNN和GRU网络模型的分类性能进行对比。结果表明,本文提出的网络对水声信号的识别准确率最高。 相似文献
62.
船体结构应力预测对船舶航行安全具有重要意义,然而由于船体结构应力数据具有强随机性,传统方法难以有效准确地对其进行预测。为解决这一问题,采用对非线性关系具有很强拟合能力的长短期记忆网络(LSTM)和门控循环单元(GRU)组合方法对船体结构应力数据进行预测,并通过模型试验验证该方法的稳定性和可行性。结果表明,相比传统的循环神经网络(RNN)模型和单个预测模型,该组合模型在预测精度和效果方面都有明显优势,能够有效预测船体结构应力。其中,预测值与实际值的误差保持在3%以内,决定系数为0.91。 相似文献
63.
船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元(gated recurrent unit, GRU)提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法(spatial-temporal attention mechanism-gated recurrent unit, STA-GRU)。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明:对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收... 相似文献
64.
南京地铁车辆门控器功能及常见故障初探 总被引:1,自引:0,他引:1
李亚东 《现代城市轨道交通》2009,(4):40-42
地铁车辆的客室车门在运营中频繁使用,因而导致其故障率比较高。通过对地铁车辆车门的故障分析,发现大部分故障与车辆的门控器有关。介绍了门控器的结构和功能,指出了主要故障原因以及主要故障部件,并提出了解决高发故障率的思路。 相似文献
65.
彭有根 《电力机车与城轨车辆》2009,32(2):53-54
重点对广州地铁三号线列车车门频繁出现的代码1的故障进行了分析,详细介绍了针对该故障的改进方案。 相似文献
66.
针对目前宁波地铁车辆段检修作业的管理现状,分析人工管理方面不足之处和可能存在的安全隐患,研究一种利用技术手段代替人工管理的系统解决方案,并在宁波地铁车辆段应用。该系统采用先进的自动化控制技术,结合计算机逻辑判断,实现检修作业过程的安全管控,同时提高工作效率。 相似文献
67.
有效地预测高铁列控车载设备故障率对合理分配设备备品、制定维修计划、减少故障发生具有重要意义。以列车运行控制系统的历史故障数据为对象,提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的故障率预测模型。首先,利用VMD将车载设备故障率时间序列分解为一组包含不同频率信息的子序列,降低原始序列的非平稳性;然后,针对分解后的各个子序列建立多个基于GRU的时间序列预测模型,为提高预测精度,提出一种改进的猫群优化(ICSO)算法自适应设置各个GRU网络参数;最后,叠加各子序列预测结果得到最终故障率预测值。收集CTCS3-300T型列控车载设备历史故障数据进行实验,结果表明,相比于其他时间序列预测模型,本文模型得到的均方根误差(RMSE)和平均绝对误差(MAE)分别为0.044 5和0.039 1,均低于其他模型,验证了其有效性。 相似文献
68.
锂离子电池在老化过程中,其内部呈现非线性的复杂变化,因此直接使用动态条件下的锂离子电池运行时段的数据(电流、电压和温度)进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据,对动态数据的部分片段进行时频特征提取,组成时频特征矩阵作为输入,构建级联式卷积神经网络和门控循环单元容量估计模型,对输入数据进行内在特征提取,并进一步挖掘各时间序列中的相关特征,实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明,该方法能在仅已知电池的额定容量的情况下,准确完成锂离子电池容量估计。最后,本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。 相似文献
69.
利用深度学习方法预测船舶未来航行趋势,对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统(AIS)中已知的经度、纬度、航速数据基础上,提出一种基于门控循环单元结合双卷积层长短期记忆神经网络(GRU-Dconv LSTM)预测模型。根据原始数据的变化趋势,采用标准差法对数据中的异常值进行处理,得到最终试验数据。该模型一方面通过门控循环单元(GRU)学习船舶历史数据上的运动规律;并采用双卷积层与长短期记忆神经网络(LSTM)结合的形式充分提取数据深层信息,提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络(CNN-LSTM)、卷积门控循环神经网络(CNN-GRU)以及卷积层长短期记忆(Conv-LSTM)神经网络等3个模型进行对比,将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准,结果表明,GRU-Dconv LSTM模型在经度和纬度预测上误差较小,精确度较高。 相似文献
70.
不同车型高速综合检测列车的动力学传递特性不同,使得其对同一线路的车体加速度评价结果存在一定差异.为解决上述问题,本文基于多列动检车的检测数据,将卷积神经网络(convolutional neural network,CNN)与门控循环单元(gated recurrent unit,GRU)相结合,建立了多车型车辆动力学响应预测模型,通过输入多项实测轨道不平顺和车速预测各车型的车体垂向和横向加速度,并将多车型车体加速度预测值的最大包络作为轨道状态评价依据.结果表明:将高低、轨向不平顺等8项轨道不平顺和车速共同作为输入参数的模型预测性能最优,车体垂向和横向加速度预测的评估指标分别提升了5%~13%和25%~36%;CNN-GRU模型所预测的车体加速度在时域和频域均与实测结果吻合较好,相关系数最大达到0.902;且相比于BP (back propagation)神经网络,各项车体垂向和横向加速度预测的评估指标分别提升了36%~109%和11%~167%;针对某轨道几何状态不良区段应用效果,预测6种车型中有4种车型达到车体垂向加速度Ⅰ级或Ⅱ级超限,有1种车型达到车体横向加速度Ⅰ级超限,提高了轨... 相似文献