期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于CEEMD-SE和LSTM的滚动轴承剩余寿命预测 被引量：7
1
作者 高宏玉 王典 张守京 《轻工机械》 CAS 2021年第3期10-15,共6页
针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解... 针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取其样本熵矩阵,用于训练和测试LSTM。通过滚动轴承全寿命试验证明该模型可以准确预测滚动轴承剩余寿命,与BP神经网络和极限学习机(ELM)的预测效果对比验证了该模型的有效性。 展开更多
关键词 滚动轴承 剩余寿命预测 集成经验模态分解(CEEMD) 多频率尺度样本熵 长短期记忆神经网络
下载PDF
航空发动机虚拟自学习控制方法研究 被引量：1
2
作者 董建华 朱建铭 +2 位作者 黎瀚涛 刘文烁 唐炜 《航空工程进展》 CSCD 2023年第6期81-90,共10页
随着人工智能技术的发展,智能航空发动机逐渐成为当今航空领域研究的热点。传统的航空发动机控制对发动机模型的依赖性过强,而基于发动机气热动力学公式的机理建模会引入较大的建模误差,给控制器设计带来困难。对此,提出一种基于强化学... 随着人工智能技术的发展,智能航空发动机逐渐成为当今航空领域研究的热点。传统的航空发动机控制对发动机模型的依赖性过强,而基于发动机气热动力学公式的机理建模会引入较大的建模误差,给控制器设计带来困难。对此,提出一种基于强化学习的航空发动机控制虚拟自学习方法,首先利用航空发动机的试验数据通过LSTM神经网络建立虚拟学习环境,然后采用深度强化学习TD3算法,在虚拟环境中训练智能控制器,最后采用JT9D发动机模型验证智能控制器的性能。结果表明:相比于传统PID控制,智能控制器产生的超调量更小,调节时间更短。 展开更多
关键词 航空发动机 智能控制 强化学习 lstm神经网络 TD3算法
下载PDF
基于人工神经网络的沿海风速多步预测研究 被引量：3
3
作者 刘志丰 丁锋 《气象科技》 2022年第6期851-858,共8页
基于气象历史观测资料,将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM-TRA。以山东半岛南部沿海6个台站为研究区域,通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析,得... 基于气象历史观测资料,将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM-TRA。以山东半岛南部沿海6个台站为研究区域,通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析,得出如下结论:构建的BLSTM-TRA多步预测模型可大幅度降低风速误差,BLSTM-TRA的1 h单步预测结果和ECMWF预报模式结果对比,其RMSE平均降低了58.9%,MAE平均降低了63.2%;风速误差和大风统计过程分析发现,BLSTM-TRA模型具有一定的抗干扰能力,可以抓住短时大风等敏感信息,对于大风预报结果明显优于ECWMF模式和传统LSTM模型。 展开更多
关键词 Transformer模型 长短期记忆网络(lstm) 风速预测
下载PDF
基于奇异谱分析的旅客运输量预测研究
4
作者 方成 杨正儒 +1 位作者 任建宝 谭莹莹 《科技和产业》 2024年第3期140-145,共6页
对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号... 对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号序列和噪声序列,分别对其进行LSTM和ARMA(2,3)建模,预测其变化趋势。通过对比单一的ARIMA(3,1,2)模型和LSTM模型的实验结果表明,SSA-LSTM-ARMA预测旅客运输量效果更好,预测精度更高。 展开更多
关键词 旅客运输量 奇异谱分析 lstm(长短时记忆神经网络) ARMA(自回归移动平均模型)
下载PDF
不同预测算法在简单交通场景中的应用比较
5
作者 周涛 徐延军 《上海船舶运输科学研究所学报》 2021年第3期36-42,共7页
为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经... 为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型。通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活。在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题。 展开更多
关键词 自回归积分滑动平均模型 长短期记忆循环神经网络 Prophet时间序列 预测算法 交通流
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部