提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的...提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力。此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果。最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证。结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了50%。展开更多
在盾构施工过程中准确预测施工引起的地表变形,对于保障盾构施工的顺利掘进具有重要意义。基于此,提出盾构施工地表变形MIC-LSTM动态预测模型。首先,确定影响地表变形的主要因素,并采用最大信息系数法(MIC,maximal information coeffici...在盾构施工过程中准确预测施工引起的地表变形,对于保障盾构施工的顺利掘进具有重要意义。基于此,提出盾构施工地表变形MIC-LSTM动态预测模型。首先,确定影响地表变形的主要因素,并采用最大信息系数法(MIC,maximal information coefficient)确定各个影响因素和地表变形之间的相关程度,进而对各个影响因素赋权;其次,将赋权后的各个影响因素和盾构中心处过去最近10个监测时刻的地表变形数据作为输入变量、未来3个监测时刻的变形数据作为输出变量来构建长短期记忆(LSTM,long short-term memory)神经网络动态预测模型;最后,为验证所构建的MIC-LSTM动态预测模型的实用性,依托昆明地铁5号线盾构施工项目,将预测结果与LSTM、RNN(recurrent neural network)以及BP(back propagation)神经网络的预测结果进行对比。研究结果表明:所构建的盾构施工地表变形动态预测模型具有较高的预测精度。展开更多
文摘提出了一种基于粒子群优化(PSO)算法的长短期记忆网络(LSTM)方法,对质子交换膜燃料电池(PEMFC)的电堆电压进行了退化预测。首先,分析了PEMFC的退化机理。然后,应用LSTM建立了电压退化预测模型,并采用Dropout层来防止过拟合以提高模型的泛化能力。此外,使用PSO算法优化LSTM方法中的初始学习率和Dropout概率以提升预测效果。最后,使用IEEE 2014 Data Challenge Data的燃料电池实际老化数据进行验证。结果表明,本文方法可以精确地预测燃料电池的退化,相比于传统的LSTM方法,预测精度提升了50%。
