2. 基于1dCNN-LSTM的单体量化:通过量化单体异常性进行动力电池故障诊断,建立基于 1dCNN-LSTM 的实时电压估计模型,模拟健康电池对于当前工况的电压响应,得到电压参考值;结合电压参考值,与当前各单体的真实采样值进行比较,通过建立评分方法,量...
一种基于1dcnn-lstm的睡眠信号自动分期方法,利用深度学习算法对睡眠生理信号(包括eeg,eog等)进行分析,在对原始信号进行预处理之后便作为深度学习框架的输入,利用模型的学习最后输出睡眠分期结果并就此进行分析评估睡眠状况以及疾病预测等。该方法具体包括以下步骤: s1:选择数据,从睡眠数据库中选择不同通道的eeg信号以及eo...
首先,建立三自由度导弹运动模型,依据再入类型设计3种目标轨迹数据,构建机动数据库,解决轨迹数据的来源问题.其次,采用重复分割与滑动窗口的方法对轨迹数据进行预处理.然后,基于LSTM与1DCNN设计了一种目标类型分类网络,对目标进行初步分类.最后,基于1DCNN设计轨迹预测网络,对目标轨迹进行预测.仿真结果表明,提出的轨迹预测...
基于1D-CNN+LSTM并行融合网络的恶意流量检测方法与系统是由南昌大学著作的软件著作,该软件著作登记号为:2023SR0854693,属于分类,想要查询更多关于基于1D-CNN+LSTM并行融合网络的恶意流量检测方法与系统著作的著作权信息就到天眼查官网!
摘要:本发明提供一种基于1DCNN‑LSTM与BiLSTM并行网络的齿轮箱温度预测方法,包括以下步骤:采集待预测齿轮箱关键部件的温度信号;构建1DCNN‑LSTM模型以及BiLSTM模型;输入温度信号,分别通过1DCNN‑LSTM模型和BiLSTM模型提取时空特征和周期性特征的特征向量,并通过特征向量串联拼接方式进行特征后端融合,获得融合后的特征...
基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法专利信息由爱企查专利频道提供,基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法说明:本发明提供一种基于1DCNN‑LSTM与BiLSTM并行网络的齿轮箱温度预测方法,包括以下步骤:采集...专利查询请上爱企查
本发明提供一种基于1DCNNLSTM与BiLSTM并行网络的齿轮箱温度预测方法,包括以下步骤:采集待预测齿轮箱关键部件的温度信号;构建1DCNNLSTM模型以及BiLSTM模型;输入温度信号,分别通过1DCNNLSTM模型和BiLSTM模型提取时空特征和周期性特征的特征向量,并通过特征向量串联拼接方式进行特征后端融合,获得融合后的特征向量;将融合后的特...
2. 基于1dCNN-LSTM的单体量化:通过量化单体异常性进行动力电池故障诊断,建立基于 1dCNN-LSTM 的实时电压估计模型,模拟健康电池对于当前工况的电压响应,得到电压参考值;结合电压参考值,与当前各单体的真实采样值进行比较,通过建立评分方法,量化该单体的性能相对于健康电池的偏移。