排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
在航天应用中，低轨卫星经常会由于原始数据缺失而影响卫星时序数据模式识别结果，降低准确率。针对该问题提出了一种新型MR-GRU模型，可有效处理缺失时序数据，并获得较好的模式识别准确率。区别于传统模型的补全缺失数据的方法，MR-GRU模型直接在缺失时序数据上运用循环神经网络进行训练，对传统门控循环单元结构进行了改进，增加了两个新变量：掩蔽项和衰减项。掩蔽项作用于输入，衰减项作用于输入和隐层单元输出。MR-GRU模型不仅能够保持时序数据固有的时间特性，还能有效提高模式识别精度。在卫星时序数据上的模式识别试验表明，MR-GRU模型准确率优于传统模型。 相似文献
智能卫星技术对卫星时间序列数据挖掘提出了越来越多的需求。通常卫星数据计算量都非常大,若串行执行则需要较长时间。以卫星异变过程多类型特征分析过程为典型代表,针对窗口划分与向量相似度计算、特征提取、傅里叶变换、聚类等常见数据挖掘操作,探讨了在多核CPU和GPU的典型异构计算节点中对时序数据挖掘过程进行并行优化的多种策略,包括向量化方法、多进程方法、GPU计算等方法。对这几种优化策略的适用情况进行了实验分析对比。结果表明,针对不同任务情况综合使用多种优化策略具有显著提升效果。 相似文献
1