首页>
根据【关键词:QAR数据,稀疏自编码器,深度学习,ELM,ConvLstm】搜索到相关结果 2 条
-
基于SSA-CNN的航空器着陆跑道占用时间预测
-
作者:
陈亚青
李颖哲
赵瑞
高浩然
来源:
科学技术与工程
年份:
2024
文献类型 :
期刊
关键词:
SSA
QAR数据
跑道占用时间
跑道容量
CNN模型
-
描述:
,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。
-
基于概率稀疏自注意力的航空发动机剩余寿命预测
-
作者:
王欣
黄佳琪
许雅玺
来源:
科学技术与工程
年份:
2024
文献类型 :
期刊
关键词:
航空发动机
Transformer
深度学习
概率稀疏自注意力
剩余寿命预测
-
描述:
航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。