排序方式: 共有15条查询结果,搜索用时 15 毫秒
11.
12.
为了提高电力负荷预测精度,促进能源合理配置,文章首先对既有电力负荷预测相关研究展开讨论,指出目前研究中存在的不足。其次提出一种融合注意力机制(Attention Mechanism)的双向长短时记忆(Bi-directional Long Short-term Memory,BiLSTM)神经网络模型——BiLSTM-Attention模型,将长短时记忆神经网络作为特征提取单元,引入注意力机制提高模型对关键信息的表征能力。最后以国内某区域电力负荷数据为例,与基线模型进行对比,实验结果表明,本文提出的BiLSTM-Attention模型误差均小于三个基线模型:支持向量机回归(Support Vector Regression,SVR)模型、卷积神经网络(Convolutional Neural Network,CNN)模型和BiLSTM模型,证明BiLSTM-Attention模型对电力负荷具有较高的预测精度。 相似文献
13.
14.
为了将Sigma-Delta ADC中的SDM (Sigma-Delta Modulator)的输出码流降采样以达到Nyquist采样频率,基于实际的AUDIO CODEC项目,本文对两种数字滤波器(FIR(Finite Impulse Response)和IIR(Infinite Impulse Response))的MATLAB设计进行了描述和比较.其所需处理的SDM输出码流的过采样频率为11.2896MHz,数字滤波器完成256倍的降采样最终达到采样频率为44.1MHz,在音频范围内其最终仿真结果均达到SNDR在14bits以上. 相似文献
15.