1 电子科技大学电子科学技术研究院四川成都 611731
2 电子科技大学格拉斯哥学院四川成都 611731
事件句的句法结构有助于语义理解。针对中文领域的事件检测任务, 本文设计了面向句义及句法的事件检测模型(BDD)以增强对事件句的理解能力。以基于来自变压器的双向编码器表示 (BERT)的动态词向量为信息源, 设计基于依存树的长短时记忆网络模型(D-T-LSTM)以融合学习句法结构及上下文语义, 并加入基于依存向量的注意力机制强化对不同句法结构的区分度, 在中文突发事件语料库(CEC)上的实验证明了本文模型的有效性, 精确率、召回率、F1值均靠前, 且 F1值比基准模型提升了 5.4%, 召回率提升了 0.4%。
事件检测 来自变压器的双向编码器表示 基于依存树的长短时记忆网络模型 基于依存向量的注意力机制 event detection Bidirectional Encoder Representations from Transfo Dependency-Tree-LSTM(Long Short-Term Memory Networ D-Attention 太赫兹科学与电子信息学报
2023, 21(12): 1464
1 光电控制技术重点实验室, 河南 洛阳 471000
2 中国航空工业集团公司洛阳电光设备研究所, 河南 洛阳 471000
3 空装驻洛阳地区第二军事代表室, 河南 洛阳 471000
针对无人机近距空战的自主决策问题, 提出了一种基于近端策略优化(PPO)算法的无人机自主引导方法。针对敌我距离、角度、速度以及任务约束等信息重塑奖励, 建立了无人机三自由度模型, 在速度坐标系上构建强化学习的状态和动作, 分别对结合了全连接神经网络的PPO算法(标准PPO算法)和长短时记忆网络的PPO算法(改进PPO算法)模型进行了仿真训练。根据训练的结果可以证明, 相比于标准PPO算法, 所提的改进PPO算法能够更有效地处理与时间序列高度相关的无人机自主引导任务。
近距空战 近端策略优化 自主引导 长短时记忆网络 close air combat Proximal Policy Optimization(PPO) autonomous guidance long short-term memory network
1 南京信息工程大学自动化学院，江苏 南京 210044
2 南京信息工程大学海洋科学学院，江苏 南京 210044
海表温度（SST）是重要的海洋水文参数。对其进行精准预测在海洋相关领域中至关重要。深度学习强大的分析能力使其近年来广泛应用于SST预测中，但SST时间序列波动性和随机性的特点使其精准预测仍然具有挑战性。首先，采用变分模态分解（VMD）作为去噪模块，降低SST序列噪声对预测结果的影响。进而，为了解决深度模型在SST预测中存在的滞后现象，采用迁移学习的方法，将长短时记忆网络（LSTM）与宽度学习系统（BLS）相结合，使用LSTM作为BLS的特征映射结点，提高了预测精度。最终，提出了一种基于VMD-LSTM-BLS的SST预测模型。选取我国东海海温进行实例验证。通过与基准模型支持向量机、LSTM、门控循环单元以及现有的深度模型进行比较，证明了提出模型在SST预测中具有相对稳定、高效的优势，为SST预测的发展提供了新思路。
大气光学与海洋光学 海表温度 变分模态分解 长短时记忆网络 宽度学习系统 激光与光电子学进展
2023, 60(7): 0701001
中国电子科技集团公司第二十研究所, 陕西西安 710068
来袭目标意图识别是战场态势认知的重要部分。为充分利用探测到的空中来袭目标运动状态信息的时间相关性来提高意图识别精确度, 本文提出一种基于长短时记忆神经网络 (LSTM)的敌方空中目标作战意图识别方法。该方法首先利用仿真推演平台根据 4种常见意图想定推演来袭目标数据, 对生成数据进行清洗以及滑窗处理从而得到有效样本集, 利用长短时记忆神经网络对生成样本集进行学习形成敌方空中目标作战意图识别模型。实验结果表明, 利用长短时记忆神经网络来学习 4种常见意图数据的运动及时间相关特征信息, 预测准确率最终可达 92%, 取得了比传统分类器更好的效果。
长短时记忆神经网络 敌方空中目标 意图识别 态势感知 Long Short Term Memory enemy air target intention identification situation awareness 太赫兹科学与电子信息学报
2022, 20(11): 1156
1 昆明理工大学信息工程与自动化学院，云南 昆明 650500
2 昆明理工大学计算中心，云南 昆明 650500
雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题，基于模糊函数在表征信号内在结构上的独特作用，提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先，为放大不同信号间的差异，采用数学思维将主脊切面转换为极坐标域的几何图像，以此作为神经网络的输入；其次，设计卷积神经网络来挖掘二维时频图的特征信息；最后，搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明，所提方法在信噪比为0 dB以上均能保持100%的准确率，即使信噪比为-6 dB时，识别率仍可达93.58%以上，同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征，还具备良好的时效性和抗噪性。
雷达辐射源信号识别 模糊函数主脊 卷积神经网络 双向长短时记忆网络 激光与光电子学进展
2022, 59(22): 2228007
1 中国科学院 上海微系统与信息技术研究所 微系统技术重点实验室, 上海 201800
2 中国科学院大学, 北京 100049
针对野外环境下微声传感器采集的小型轮式车、大型轮式车和履带车3种车辆声信号受风噪影响严重、分类性能较低的问题, 提出了一种长短时记忆网络(LSTM)与多尺度、多层次特征融合卷积神经网络(CNN)相结合的分类算法——野外车辆识别算法(FVNet)。该算法先采用一层LSTM网络提取声信号的时序特征, 充分利用声信号的长时依赖关系; 再用CNN并行提取多尺度特征, 避免网络加深过程中特征的流失; 引入通道注意力机制进行多尺度和多层次特征融合, 增强多尺度、多层次关键特征信息; 最后在相同数据集上进行验证。实验结果表明, FVNet算法对3种车辆的总识别率可达94.95%, 与传统方法相比, 其总识别率提高了14.61%, 取得了较好的分类效果。
车辆声信号分类 长短时记忆网络(LSTM) 卷积神经网络(CNN) 并行多尺度特征提取 通道注意力机制 特征融合 vehicle acoustic signal classification long short-term memory modal(LSTM) convolutional neural network(CNN) parallel multi-scale feature extraction channel attention mechanism feature fusion
1 太原理工大学 电气与动力工程学院, 太原 030024
2 广东工业大学 信息工程学院, 广州 510006
根据IEEE 802.3ca新标准中对50 Gbit/s-以太网无源光网络(EPON)上行链路的说明, 网络上行链路中需要对多波长进行动态带宽分配。文章采用长短时记忆神经网络对网络流量进行预测, 旨在提高带宽分配的效率; 同时, 考虑到网络中不同类型业务对网络时延和带宽要求的差别, 分别对不同优先级的业务采取不同的分配方案。仿真实验表明, 基于神经网络预测的方法可以有效降低网络的延迟; 对不同业务采取不同分配方案时, 高优先级业务的延迟降低, 并且随着网络负载的提高, 延迟变化幅度较小。文章所提算法满足了高优先级业务的需求, 虽然低优先级业务延迟与之前方式相比有所增大, 但考虑到低优先级业务对延迟要求并不高, 因此对于网络整体服务质量影响不大。
50 Gbit/s以太网无源光网络 长短时记忆神经网络 动态带宽分配 网络服务质量 50 Gbit/s-EPON long short-term memory neural network dynamic bandwidth allocation quality of service
兰州交通大学电子与信息工程学院, 甘肃 兰州 730070
针对传统方法在机械故障诊断时存在特征提取困难、分类器训练复杂等问题,提出了一种基于S变换和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,将轴承的原始数据经过S变换得到时频图,再通过CNN进行二次特征提取。然后,通过分类器对故障进行分类,并对滚动轴承进行故障诊断。实验结果表明,相比长短时记忆网络、CNN和支持向量机,该方法的诊断准确率更高且稳定性也较好。
信号处理 S变换 卷积神经网络 长短时记忆网络 支持向量机 故障诊断 激光与光电子学进展
2021, 58(22): 2207001
