基于改进LSTM模型的航空安全预测方法研究

精确的航空安全预测是科学开展安全预警的前提.航空事故不仅致因机理复杂,还存在迟滞效应,给安全样本时序信息的深度挖掘加大了难度.基于此,提出一种基于改进长短期记忆(long short-term memory,LSTM)模型的航空安全预测新方法.首先基于相关系数热图优选致因指标,再以步进搜索和Adam算法相结合的方式优化...     

具退化性的一类非线性扩散方程的正则化解

研究具退化性的一类非线性扩散方程的初边值问题. 基于弱解存在性的证明和消失粘性法, 引入了正则化解的概念, 优点是能够确保正则化解的惟一性, 而且在某些条件下又有存在性. 证明了正则化解的一个重要性质, 即解的支集关于时间的不变性; 并对此问题的一个特殊情形, 构造出其显示的正则化解. 最后, 应用能量估计方法, 研究了正则化解的长时间行为.     

基于注意力机制的堆叠LSTM网络雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(high resolution range profile, HRRP)序列识别方法依赖于人工特征提取, 并且现有的深度学习方法存在梯度消失问题, 导致收敛速度慢, 识别精度低。针对上述问题, 提出一种基于注意力机制的堆叠长短时记忆(attention-based stacked long short-term memory, Attention-SLSTM)网络模型, 该模型通过堆叠多个长短时记忆(long short-term memory, LSTM)网络层, 实现了HRRP序列更深层次抽象特征的提取; 通过替换模型的激活函数, 减缓了堆叠LSTM(stacked LSTM, SLSTM)模型梯度消失问题; 引入注意力机制计算特征序列的分配权重并用于分类识别步骤, 增强了隐藏层特征的非线性表达能力。模型在雷达目标识别标准数据集MSTAR上多种不同目的的实验结果表明, 所提方法具有更快的收敛速度和更好的识别性能, 与多种现有方法对比具有更高的识别率, 证明了所提方法的正确性和有效性。     

Long‐term streamflow forecasting using artificial neural network based on preprocessing technique

Artificial neural network (ANN) combined with signal decomposing methods is effective for long‐term streamflow time series forecasting. ANN is a kind of machine learning method utilized widely for streamflow time series, and which performs well in forecasting nonstationary time series without the need of physical analysis for complex and dynamic hydrological processes. Most studies take multiple factors determining the streamflow as inputs such as rainfall. In this study, a long‐term streamflow forecasting model depending only on the historical streamflow data is proposed. Various preprocessing techniques, including empirical mode decomposition (EMD), ensemble empirical mode decomposition (EEMD) and discrete wavelet transform (DWT), are first used to decompose the streamflow time series into simple components with different timescale characteristics, and the relation between these components and the original streamflow at the next time step is analyzed by ANN. Hybrid models EMD‐ANN, EEMD‐ANN and DWT‐ANN are developed in this study for long‐term daily streamflow forecasting, and performance measures root mean square error (RMSE), mean absolute percentage error (MAPE) and Nash–Sutcliffe efficiency (NSE) indicate that the proposed EEMD‐ANN method performs better than EMD‐ANN and DWT‐ANN models, especially in high flow forecasting.     

基于动态数据表的实时高分辨率雷达回波显示

对高分辨率雷达信号的光栅扫描显示不仅需要高速信号处理,而且需要高速图形显示。提出并构建了"动态数据表"及基于该数据表的"完全相对查表法"显示算法,从而实现了高分辨率(1024*1024)雷达回波的实时处理、显示。此方法适用于在光栅扫描显示器上实现雷达回波的全屏、长余辉消隐.在PC计算机上模拟雷达回波显示,此方法的优点更加突出。     

基于MISQP算法的长缸压力容器结构优化设计

针对长缸压力容器,进行了长缸压力容器的结构优化设计.采用响应面代理模型和混合整数序列二次规划方法( mixed integer sequential quadratic programming, MISQP)对长缸压力容器的结构尺寸进行优化.优化结果表明,在最大等效应力σmax小于等于和287. 5 MPa和长缸压力容...     

基于TMS320C54x系列DSP的长序列线性相关算法及实现

提出一种使用快速相关法的长序列相关算法,并使用DSPLIB库函数设计FFT系数表,实现了两个1024点实序列的线性相关运算.与直接相关法相比,这种方法容易实现,且运算速度快,有较高的应用价值.     

基于注意力机制结合CNN-BiLSTM模型的电子病历文本分类

为了解决中文电子病历文本分类的高维稀疏性、算法模型收敛速度较慢、分类效果不佳等问题,提出了一种基于注意力机制结合CNN-BiLSTM模型的病历文本分类模型。该模型首先使用word2vec工具进行词向量表示,利用多层卷积神经网络(convolutional neural networks, CNN)结构提取病历文本的局部特征,通过拼接操作丰富局部特征表示,再利用双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)提取上下文的语义关联信息,获取句子级别的高层特征表达。最后通过Attention机制进行特征加权,降低噪声特征的影响,并输入softmax层进行分类。在多组对比实验的实验结果表明,该模型取得了97.85%的F₁,有效地提升了文本分类的效果。     

基于BERT-Bi-LSTM-CRF模型的机场类中文航行通告要素实体识别

航行通告是民用航空情报领域的重要情报资料,针对中文航行通告专业名词较多、格式不统一及语义复杂等问题,提出一种基于BERT-Bi-LSTM-CRF的实体识别模型,对航行通告E项内容中事件要素实体进行抽取。首先通过BERT(bidirectional encoder representations from transforms)模型对处理后的向量进行预训练,捕捉丰富的语义特征,然后传送至双向长短期记忆网络(bidirectional long short-term memory, Bi-LSTM)模型对上下文特征进行提取,最后利用条件随机场(conditional random field, CRF)模型对最佳实体标签预测并输出。收集并整理机场类航行通告相关的原始语料,经过文本标注与数据预处理,形成了可用于实体识别实验的训练集、验证集和评价集数据。基于此数据与不同的实体识别模型进行对比实验,BERT-Bi-LSTM-CRF模型的准确率为89.68%、召回率为81.77%、F1值为85.54%,其中F1值相比现有模型得到有效提升,结果验证了该模型在机场类航行通告中要素实体识别的有效性。     

基于多项Logit模型的山区高速公路事故致因分析

为分析山区高速长大下坡路段事故严重程度的影响因素,本文首先对地处陕西省、广西省、云南省的典型山区高速公路长大下坡路段的道路交通事故数据进行深度调研,共获取2559条事故数据,然后基于上述事故数据,构建了多项logit事故严重程度模型,对导致山区高速长大下坡路段交通事故的直接致因进行了分析。分析结果表明：肇事驾驶人超速行驶、违法装载超限、疲劳驾驶、操作不当、违法停车、车辆制动失效对山区高速长大下坡路段伤亡事故有显著影响。为改善山区公路的运营安全性,从根本上寻求已建成山区高速公路事故频发的有效办法提供方向。