典型文献
基于DAM和CNN-LSTM的辅助动力装置性能参数预测模型
文献摘要：
针对辅助动力装置(APU,auxiliary power unit)性能参数难以准确预测的问题,提出一种基于特征与时序的双阶段注意力机制(DAM,dual-stage attention mechanism)和卷积神经网络(CNN)-长短期记忆网络(LSTM)的混合模型;所提的方法在特征提取阶段加入了通道注意力机制(CAM,channel attention mechanism);输出阶段加入了时序注意力机制(TAM,temporal attention mechanism),加强了 CNN对重要特征的提取能力和历史关键信息对预测输出的影响,并利用改进的粒子群算法对模型关键参数寻优,提高预测精度;实验结果表明,所提出的新方法在多变量输入和多步长的APU排气温度(EGT,ex-haust gas temperature)预测中均取得了很好的效果,预测精度大幅提高.
文献关键词：
辅助动力装置;性能参数预测;双阶段注意力机制;长短期记忆网络;排气温度;粒子群算法
中图分类号：
作者姓名：
王力;马宪
作者机构：
中国民航大学职业技术学院,天津 300300;中国民航大学电子信息与自动化学院,天津 300300
文献出处：
引用格式：
[1]王力;马宪-.基于DAM和CNN-LSTM的辅助动力装置性能参数预测模型)[J].计算机测量与控制,2022(05):55-61
A类：
性能参数预测,双阶段注意力机制,haust
B类：
DAM,辅助动力装置,APU,auxiliary,power,unit,准确预测,dual,stage,attention,mechanism,长短期记忆网络,混合模型,通道注意力机制,CAM,channel,时序注意力机制,TAM,temporal,特征的提取,关键信息,改进的粒子群算法,参数寻优,多变量,多步长,排气温度,EGT,ex,gas,temperature
AB值：
0.298915
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
