基于TCN的网络化旅客列车轮对状态在线监测系统

旅客列车是一个复杂的大动态系统,轮对是旅客列车机械故障的多发部位,为及时有效地防范和预警列车轮对故障,在分析我国旅客列车基本结构、安全装备情况的基础上,以列车轮对状态在线监测为基础,设计了基于TCN的网络化旅客列车轮对状态在线监测系统,并给出其具体实现方案.系统由列车在线状态监测与故障诊断主机、车辆级状态监测分机和各车载设备监测模块组成.每节车辆由车辆级状态监测分机通过MVB将车辆内部各状态监测模块联结成为监测网络,利用WTB将全列车的车辆级状态监测分机连为一体,构成一个完整的、基于TCN标准架构的列车状态监测与故障诊断系统.为开展列车上其他机械部分、电气部分等的故障诊断构建了一个TCN标准的网络平台.图6,参15.     

HX_D2与HX_D3B型机车网络控制系统的比较与分析

针对HXD2、HXD3B型机车网络控制系统的结构组成、网络控制功能进行了比较,得出这两种车型都具备控制、监测及维护功能,同时模块化的设计使机车具有良好的扩展性,通过对HXD2型机车的WorldFIP网络和HXD3B型机车TCN网络进行比较和分析,得出可靠的网络系统是机车的安全运行的重要因素之一。     

基于Stacked-TCN的空间混叠信号单通道盲源分离方法

针对空间互联网星地通信场景中的混叠信号分离精度不足问题, 提出了基于深度学习的堆叠时域卷积网络(stacked time-domain convolutional network, Stacked-TCN)分离方法。首先, 对混合信号提取编码特征表示。然后, 通过时域卷积网络训练得到源信号的深层特征掩模, 将每个信号源的掩模与混合信号编码特征做Hadamard乘积, 得到源信号的编码特征表示。最后, 使用1-D卷积, 对源信号特征进行解码, 得到原始波形。实验采用负的比例不变信噪比作为网络训练的损失函数, 即单通道盲源分离性能的评价指标。结果表明, Stacked-TCN方法与其他4种算法相比, 所提方法具有更好的分离精度和噪声鲁棒性。     

基于改进1DCNN+TCN的雷达辐射源快速识别方法

为了解决传统雷达辐射源识别方式识别速度慢、在低信噪比时很难准确识别等问题,结合深度学习提出了一种基于改进一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)和时间卷积网络(temporal convolutional network,TCN)的雷达辐射...     

高速动车组列车网络控制系统仿真与建模研究

研究了高速动车组列车网络控制系统的过程数据调度及事件仲裁算法。针对高速动车组网络控制系统的特点,提出了列车网络控制系统主节点和从节点的实现算法,并利用OPNET仿真软件建立了列车网络控制系统的模型。在不同的仿真场景下运行仿真模型,通过对仿真和理论计算得到了列车通信网络协议的数据通量和端对端延时特点。针对消息数据的事件仲裁机制,通过仿真得出了不同条件下的碰撞特性。仿真结果表明了所提出方案的有效性,为实际高速动车组网络控制系统的设计和调试提供了依据。     

难分类样本快速空中目标意图识别方法

针对不平衡难分类条件下空中目标群组意图快速识别的难题,提出一种基于滑动窗口估计的时空卷积自注意力网络模型的意图识别方法。该方法根据特征数据的特点对其使用滑动窗口的预先处理,通过时空卷积网络快速提取多维时序特征数据的流信息;然后采用自注意力机制捕捉每个特征数据的关键特征并优化权重。仿真结果表明该方法有效提升了不平衡样本中难分类样本意图识别的训练效率和分类的准确率。     

基于时间卷积网络的科技需求主题热度预测算法

得益于深度学习的快速发展,大数据分析技术不仅在自然语言处理领域应用广泛,在数值预测领域也更加成熟。为了提高科技需求数据主题热度预测的准确率,本文提出一种基于时间卷积网络(Time Convolution Network, TCN)的科技需求主题热度预测方法(Subject Heat of Science and Technology Demand Prediction Based on Time Convolution Network, SHDP-TCN),该方法融入科技需求的主题特征,并基于TCN及自注意力机制进行时序预测。实验结果表明,在真实的科技需求数据集上,本算法对科技需求主题热度的预测准确率优于自回归积分滑动平均(Auto Regressive Integrated Moving Average, ARIMA)、长短时记忆(Long Short-Term Memory, LSTM)网络、卷积神经网络(Convolutional Neural Networks, CNN)和TCN等算法。