一区top
Computers and Electronics in Agriculture
题目：
“基于改进 lstm 的拖拉机载荷谱高工作强度载荷段识别模型” (pdf)
“An improved LSTM-based model for identifying high working intensity load segments of the tractor load spectrum” (pdf)
分类问题
针对的问题：
针对现有负载谱数据 冗余严重、高 工作强度对应 的负载段识别 不清、负载谱 拦截无法满足 重载工况要求等 问 题，
从而
提出了一种用 于识别拖拉 机负载谱高 工作强度负载 段的 M HA- ConvL S TM ( 多头注意卷积 L S TM) 网络模 型
概述：
该深度学习模型融合了多头注意力机制和 C onvLS TM 网络为核心，以保持连续变化载荷序列的时间顺 序 为基本原则，深度挖 掘动态变化载 荷的小范围载 荷内所包含的 局部特征，强 化了长距离、 大数据量载荷的 内 在特征匹配关系
点击查看摘要
针对现有负载谱数据 冗余严重、高 工作强度对应 的负载段识别 不清、负载谱 拦截无法满足 重载工况要求等 问 题，提出了一种用 于识别拖拉 机负载谱高 工作强度负载 段的 M HA- ConvL S TM ( 多头注意卷积 L S TM) 网络模 型。该深度学习模型融合了多头注意力机制和 C onvLS TM 网络为核心，以保持连续变化载荷序列的时间顺 序 为基本原则，深度挖 掘动态变化载 荷的小范围载 荷内所包含的 局部特征，强 化了长距离、 大数据量载荷的 内 在特征匹配关系。本 研究选取旋耕 作为验证条件 ，构建多传感 器测试系统进 行工作载荷测 试，并以拖拉机 旋 耕载荷谱数据为验证对象。分析表明，M H A- ConvL S TM 模型的准确率和 f1 得分分别达到 97 .69% 和 97.83 % ， 运行时间仅为 0.5289 s ，比 LS TM 快 15.82 % 。此外，利用该模型识别了 3 99 个高工作量、高工作强度的负载 段，在错误率低于 3% 的情况下成功验证了 3 88 个负载段。本文为农业设备负荷谱的 应用提供了新的技术 解 决方案。
模型
“ConvLSTM 和多头注意机制为核 心。它由编码器 、多头注意力模块和 分类器三个 模块组成， 串联起来 形成基本的网络框架” (pdf)
没有做消融实验，只是3个部分进行拼接。
衡量指标、
“计算正确率、精密度、召回率和 F1 分数” (Wen 等, 2023, pp. -) (pdf)
收获：
你也搞一张这样的图，显示epoch和loss之间的关系。
用的模型是convlstm，里面有很多的图，公式，介绍convlstm的可以用。
