基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。     

基于C-LSTM的鸟鸣声识别方法

基于深度学习的鸟鸣声识别是当前研究的热点,现有基于语谱图的识别方法无法提取帧间的时序信息,文章提出了一种基于C-LSTM(CNN-Long Short-Term Memory)的鸟鸣声识别方法,该方法以梅尔语谱图为输入,通过CNN提取谱图特征后,输入到LSTM模型中,进一步提取不同帧之间的时序特征,基于该特征实现鸟鸣声的分类。选择Xeno-Canto中的5种鸟类作为研究对象,对比了VGG16模型和C-LSTM模型的平均识别准确率(Mean Average Precision,MAP)值。结果表明,以VGG16和C-LSTM作为识别模型时,测试集的MAP值分别为0.8628和0.9147,文章提出模型的MAP提升5.19%。说明文章提出的C-LSTM更适合于鸟类物种识别,具有更高的识别性能。     

融合BiLSTM和注意力机制的卷烟消费者评价情感分类方法

为从海量评价数据中提取消费者对卷烟产品的情感信息,利用词频、点间互信息和左右信息熵提取烟草领域的专有词汇,通过建立分词补充词典提高文本分词准确性;融合双向长短时记忆神经网络和注意力机制建立BiLSTM-Att卷烟消费者评价情感分类模型,基于2006—2021年2 066个卷烟品牌规格消费者评价数据,对BiLSTM-Att模型进行验证并与其他6种分类方法进行对比。结果表明:统一产品名称后BiLSTM-Att模型F1值提高1.78百分点;BiLSTM-Att模型在情感倾向二分类和三分类中的F1值分别为92.89%和80.12%,具有较高准确性。该方法可为卷烟产品研发、精准营销和品牌发展提供支持。      

基于CNN-BLSTM的食品舆情实体关系抽取模型研究

食品舆情实体关系抽取是构建食品舆情知识图谱的关键技术,也是当前信息抽取领域的重要研究课题.针对食品舆情中常出现的实体对多关系问题,在卷积神经网络(convolutional neu-ral network,CNN)中引入基于位置感知的领域词语义注意力机制;在双向长短时记忆(bidirectional long shor...     

基于CEEMD-SE和LSTM的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型.该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取...