为了提高滚动轴承剩余使用寿命预测的精度，本次演示提出了一种基于LSTM和SelfAttention的预测方法。首先，对滚动轴承的服役数据进行预处理，包括数据清洗、特征提取和归一化处理。然后，使用LSTM模型对服役数据进行训练，建立输入序列和输出序列之间的映射关系。再利用SelfAttention机制对LSTM模型的输出进行加权求和，以得到更加...
摘要: 为了构建准确表征滚动轴承退化过程的趋势性健康度指标，提高滚动轴承剩余使用寿命（Remaining Useful Life，RUL）的预测精度，提出了一种结合长短期记忆（Long‑Short Term Memory，LSTM）和自注意力（Self‑Attention）机制的神经网络模型（LSTM‑SA）用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱，再...
val_performance['CNN + LSTM+attention'] = cnn_lstm_attention_model.evaluate(conv_window.val) performance['CNN + LSTM+attention'] = cnn_lstm_attention_model.evaluate(conv_window.test, verbose=0) 多头注意力机制是著名的《Attention is all you need》一文提出的,是Transfromer的一个模块。它并行运行...
图5. HLA分子结合的模式特征刻画 四、总结 本文基于双向LSTM和Multi-head Attention提出了MATHLA预测模型，在HLA分子与肽结合预测任务上表现出了很好的性能，并对HLA-C类分子和长肽表位有十分明显的性能提升。未来，作者将考虑引入自sel-attention机制和word2vec模型来改善序列的表示方式，以进一步提升模型的预测性能。...
based Word Embedding, Attention-based LSTMs and an Improved Differential Evolution Algorithm中文摘要:本研究提出了一种基于注意力机制的长短时记忆(LSTM)和双向编码器表示来自变压器(BERT)词嵌入的检测抄袭的新方法,它使用经过优化的差分进化(DE)方法进行预训练和使用聚类基础变异运算符的 DE 算法来引发 BP 过程...
本文基于双向LSTM和Multi-head Attention提出了MATHLA预测模型,在HLA分子与肽结合预测任务上表现出了很好的性能,并对HLA-C类分子和长肽表位有十分明显的性能提升。未来,作者将考虑引入自sel-attention机制和word2vec模型来改善序列的表示方式,以进一步提升模型的预测性能。