Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: May 26, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

多模式数据驱动贝叶斯优化CNN-LSTM模型用于斜坡位移预测.

Xingwang Zhao1,2,3, Xinlong Wan1,3, Jian Chen1,3

  • 1Key Laboratory of Aviation-Aerospace-Ground Cooperative Monitoring and Early Warning of Coal Mining-Induced Disasters of Anhui Higher Education Institutes, Anhui University of Science and Technology, Huainan 232001, China.

Sensors (Basel, Switzerland)
|March 14, 2026
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

A Robust Adaptive Filtering Framework for Smartphone GNSS/PDR-Integrated Positioning.

Micromachines·2026
查看所有相关文章

一个新的贝叶斯优化的卷积神经网络和长期短期记忆 (Bayes-CNN-LSTM) 模型提高了斜率位移预测的准确性. 这种先进的模型增强了地质危险预警系统,用于预防灾害.

科学领域:

  • 地质技术工程 地质技术工程
  • 人工智能的人工智能
  • 预防灾害 预防灾害

背景情况:

  • 准确的斜坡位移预测对于地质危险预警系统至关重要.
  • 斜坡位移的非线性和时间变化的特征挑战了预测准确性.

研究的目的:

  • 开发一种先进的模型,以提高斜率位移预测的准确性.
  • 提高地质危险预警系统的可靠性.

主要方法:

  • 构建了一个基于多模式数据的贝叶斯优化卷积神经网络和长短期记忆 (Bayes-CNN-LSTM) 模型.
  • 该模型的性能使用来自古山矿山坡的多式联运监测数据进行了评估.
  • 对各种已建立的模型进行了比较分析 (CNN-LSTM,LSTM,CNN,SVM,TCN,变压器).

主要成果:

  • 贝叶斯-CNN-LSTM模型实现了高精度,R2为0.971,MAE为0.444毫米,RMSE为0.618毫米.
  • 与其他模型相比,该模型显示了平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 的显著减少.
  • 整合多模式数据,包括降雨量和地面压力,提高了24小时预报的外推预测准确率30.2% (MAE) 和24.6% (RMSE).
关键词:
贝叶斯优化算法贝叶斯优化算法在美国,CNN是CNN.这是LSTM的LSTM.多模式数据多模式数据斜坡位移的变化 斜坡位移的变化

相关实验视频

Last Updated: May 26, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

结论:

  • 贝叶斯-CNN-LSTM模型显著提高了斜坡位移预测的准确性.
  • 该模型提高了斜坡安全监测系统的实用性和有效性.
  • 这种方法为推进斜坡安全监测和减少灾害风险提供了有价值的参考.