会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

【专家PPT】林咏华：以工业互联网驱动农业产业数字化发展

【专家PPT】林咏华：以工业互联网驱动农业产业数字化发展，【专家PPT】林咏华：以工业互联网驱动农业产业数字化发展

  • 2024-05-13
  • 阅读207
  • 下载0
  • 18页
  • pdf

【专家PPT】方国强：智慧港口场景下的5GSA安全解决方案

【专家PPT】方国强：智慧港口场景下的5G SA安全解决方案，【专家PPT】方国强：智慧港口场景下的5G SA安全解决方案，【专家PPT】方国强：智慧港口场景下的5G SA安全解决方案

  • 2024-05-13
  • 阅读205
  • 下载0
  • 15页
  • pdf

【专家 PPT】融合新一代信息技术的中国制造业数字…级关键技术与应用-孔宪光

新一代智能制造产生出了真正的大数据，人— -信息——物理三元融合，新基建助推新一代智能制造发展。新一代智能制造产生出了真正的大数据，人— -信息——物理三元融合

  • 2024-05-13
  • 阅读184
  • 下载0
  • 47页
  • pptx

寿命预测|基于PCA和多变量极限学习机的轴承剩余寿命预测

《基于 PCA 和多变量极限学习机的轴承剩余寿命预测 》提出了一种基于主成分分析(PCA) 和多变量极限学习机(MELM) 的轴承剩余寿命预测方法。

  • 2024-05-11
  • 阅读332

【IEEEKDE】任意步长时间序列预测的可解释张量神经常微分方程

在本文中，我们提出了一种可解释的连续帧工作（ETN-ODE），用于多变量时间序列的任意步长预测。所提出的ETN-ODE利用ODE网络输出任意预测值。我们设计了一个TGRU来处理多变量时间序列，该时间序列表示网络中学习的参数较少的单个输入特征的不同动态。串联注意力被设计为向ODE网络生成更自适应的输入，通过可视化时间和变量贡献来提供可解释性。在四个真实世界数据集上进行的任意步骤预测和标准多步骤预测的各种实验证明了我们模型的有效性。

  • 2024-05-11
  • 阅读340

【IEEETIM】Effinformer:一种基于深度学习的DC-DC双向变换器数据驱动建模

本文提出了一种基于深度学习（DL）的数据驱动建模方法，以精确建模和识别广泛用于可再生能源系统（RES）的直流-直流双向转换器。与需要处理大量电路参数并导致模型往往复杂且昂贵的基于电路理论的方法相比，基于DL的方法产生了更简约的模型。然而，典型的DL方案在准确性、稳定性和计算复杂性方面仍然存在局限性。为此，我们提出了一种名为efficient Informer（Effinformer）的端到端DL框架，该框架利用稀疏自注意、一种新颖的基于扩张因果卷积的提取操作和一种增强的解码器来最小化计算复杂性，同时提高建模精度和速度。通过实验结果和分析，与现有的建模技术和当前最先进的DL技术相比，所提出的Effinformer表现出优越的性能。然后，我们将所提出的网络进一步扩展到长期预测场景，以展示其出色的泛化能力和优雅的鲁棒性。大量实验表明，从处理纹波干扰和异常值的角度来看，Effinformer更有利于提高预测的准确性和可靠性。这一特性使其在实际工程应用中非常有利。

  • 2024-05-11
  • 阅读345

【EAAI】使用1D-CNN和BiLSTM进行时间序列预测的教程：参见峰值需求和系统边际价格预测的示例

尽管基于深度学习的时间序列预测研究正在各个行业积极开展，但深度学习技术对于没有计算机科学专业的研究人员来说仍然有很高的进入门槛。本文介绍了使用基于深度学习的模型进行时间序列预测的教程。介绍了时间序列数据预测的全过程——从数据采集到预测结果评价。通过使用1D-CNN和BiLSTM模型预测韩国济州岛峰值电力需求和系统边际价格的实例，展示了每个步骤的细节。在济州岛，2021年可再生能源在总发电量中的比例提高到67%，需要更准确的电力需求预测。因此，使用2018年2月808天的培训数据，预测了未来21天的电力需求和SMP。为了让读者更容易理解，该示例仅使用开放的公共数据，整个Python源代码通过GitHub存储库共享。WRMSSE计算的预测误差为0.42的电力需求和0.63的SMP最大值。WRMSSE值小于1意味着预测相对较好，即优于天真的预测。本教程不仅限于能源行业，还可用于任何需要时间序列数据预测的应用程序。这篇文章有望对需要了解使用深度学习进行时间序列预测的过程并将其应用于行业的研究人员有很大帮助。

  • 2024-05-11
  • 阅读1007

【ASC】滑动窗口双通道CNN(SWDC-CNN)：一种同步预测水泥煅烧过程煤耗和耗电量的新方法

作为加工业的代表，水泥行业消耗了大量的煤电资源。这主要是由于水泥行业内部粗生产和各能耗指标独立统计造成的能源调度不合理。能耗的同步精确预测可以为生产控制过程和能源调度提供更有效的方案。然而，由于生产的时间延迟、变量耦合和不确定性，很难同步预测多个指标。本文提出了一种结合滑动窗口和双通道卷积神经网络（SWDC-CNN）的数据驱动预测方法，以实现未来5分钟的煤耗和电力消耗同步预测。滑动窗口方法用于提取时间序列数据的时变延迟特性，以克服其对能耗预测的影响。通过设计双通道结构，减少了弱相关变量之间冗余参数对能量预测的影响。我们在山西省的实际水泥生产数据上试验并比较了支持向量机（SVM）、极限梯度提升（XGBoost）、递归神经网络（RNN）、长短期记忆（LSTM）和门递归单元（GRU）等优秀模型。实验结果表明，所提出的SWDC-CNN模型性能良好，预测精度最高，能够满足预期要求。

  • 2024-05-11
  • 阅读366