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...
结合LSTM和Self‑Attention的滚动轴承 剩余使用寿命预测方法 黄宇1，冯坤2，高俊峰3，李周正2，江志农1，高金吉1 （1. 北京化工大学信息科学与技术学院，北京 100029；2. 北京化工大学高端机械装备健康监控与自愈化北京市重点实验室，北京 100029；3. 中国石油天然气股份有限公司炼油与化工分公司，北京 100007）摘要:...
本研究提出一种基于Self-Attention的Bi-LSTM的模型character-SATT-BiLSTM，具体如下：该模型分为四层，分别为字向量表示层、特征学习层、权重调整层以及情感分类层。进一步进行探究 ：4.3.1 字向量表示层 依赖于词向量的训练方式需要有较高的分词精度，为此作者在此处直接使用了语言单位更小的字向量。通过Skip-gram...
短文本情感分析用于判断文本的情感极性,在商品评论、舆情监控等领域有重要应用.由于目前主流的基于词注意力机制的双向循环神经网络模型性能很大程度上依赖于分词的准确性,且注意力机制需较多的参数依赖,无法使模型更多的关注短文本的内部序列关系.针对上述问题,该文提出了基于字向量表示方法并结合Self-attention和...