基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法 被引量：23

1

作者 李卓 叶林 +3 位作者 戴斌华 於益军 罗雅迪 宋旭日 《高电压技术》 EI CAS CSCD 北大核心 2022年第6期2117-2127,共11页

针对传统超短期风电功率预测方法难以应对海量强波动性数据,且对时间序列处理能力有限的问题,提出一种基于改进的深度可分离卷积神经网络(the improved depthwise separable convolution neural networks,IDSCNN)、注意力机制(attention... 针对传统超短期风电功率预测方法难以应对海量强波动性数据,且对时间序列处理能力有限的问题,提出一种基于改进的深度可分离卷积神经网络(the improved depthwise separable convolution neural networks,IDSCNN)、注意力机制(attention mechanism,AM)、长短期记忆神经网络(long short-term memory neural network,LSTM)的超短期风电功率组合预测方法。首先,基于IDSCNN设计能够匹配风电场群时空维度变换的可分离卷积核尺寸,对数值天气预报数据、实测功率数据进行一次时空特征提取,以获取气象–功率时空特征。然后,结合AM强化一次时空特征长时间序列中局部重要信息的贡献程度,筛选出与未来预测功率密切相关的二次时空特征,以作为LSTM预测模型的输入时间序列。最后,建立包含改进的深度可分离卷积层、注意力权重分配层、LSTM预测层的IDSCNN-AM-LSTM组合神经网络超短期风电功率预测模型。仿真结果表明:该方法能够利用深度学习在挖掘高维非线性特征时的优势,对多个风电场之间的时空相关性进行充分学习,而且在单步风场功率预测和多步集群功率预测上,与其他预测模型相比均具有较高的预测精度和较好的时序学习能力。 展开更多

关键词 超短期风电功率预测 深度可分离卷积 注意力机制 长短期记忆神经网络 时间序列

下载PDF 职称材料

变分模态分解与长短时神经网络的大坝变形预测 被引量：23

2

作者 陈竹安 熊鑫 游宇垠 《测绘科学》 CSCD 北大核心 2021年第9期34-42,共9页

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型。对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构。以江西省某蓄能水电厂2010... 为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型。对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构。以江西省某蓄能水电厂2010—2014年大坝监测数据为例,设置不同的对比实验验证VMD-LSTM组合模型的有效性和稳定性。研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值。 展开更多

关键词 大坝变形预测 变分模态分解 长短时记忆神经网络 循环神经网络 深度学习

原文传递

长短时记忆网络在电机故障诊断中的应用研究 被引量：14

3

作者 王惠中 贺珂珂 房理想 《自动化仪表》 CAS 2019年第1期6-10,共5页

针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障... 针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障诊断模型。然后,通过Tensorflow学习框架有效提取故障数据特征,并将具有强泛化能力和鲁棒性的Softmax多分类器对其分类,从而诊断出电机内圈、外圈和滚珠三种常见故障,提高诊断结果的准确率,改善传统方法存在的不足。最后,仿真验证所提方法的有效性与可行性。与传统神经网络和堆栈稀疏自编码器分类结果相比,采用LSTM神经网络诊断方法其准确率达到98. 3%,在电机故障诊断中具有更好的诊断效果,且对提高故障诊断的准确率有一定的作用。 展开更多

关键词 电机故障诊断 梯度消失 传统神经网络 长短时记忆神经网络 堆栈稀疏自编码器 Softmax多分类器 泛化能力 时间序列

下载PDF 职称材料

计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测 被引量：11

4

作者 伍骏杰 张倩 +1 位作者 陈凡 李国丽 《科学技术与工程》 北大核心 2022年第12期4828-4834,共7页

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持... 精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。 展开更多

关键词 短期负荷预测 变分模态分解(VMD) 长短期记忆神经网络(lstm) 支持向量回归(SVR) 误差修正

下载PDF 职称材料

基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究 被引量：8

5

作者 程凯 王然风 付翔 《煤炭工程》 北大核心 2022年第2期133-139,共7页

针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度... 针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。 展开更多

关键词 重介分选 精煤灰分时序数列 噪声 经验模态分解(EMD) 长短期记忆神经网络(lstm) 精煤灰分预测

下载PDF 职称材料

一种只利用序列信息预测RNA结合蛋白的深度学习模型 被引量：9

6

作者 李洪顺 于华 宫秀军 《计算机研究与发展》 EI CSCD 北大核心 2018年第1期93-101,共9页

RNA结合蛋白在选择性剪贴、RNA编辑及甲基化等多种生物功能中发挥非常重要的作用,从氨基酸序列预测这些蛋白的功能成为基因组功能注释领域的重要挑战之一.传统的预测方法往往从序列中提取氨基酸的理化特性作为初始特征,忽略了motif及mo... RNA结合蛋白在选择性剪贴、RNA编辑及甲基化等多种生物功能中发挥非常重要的作用,从氨基酸序列预测这些蛋白的功能成为基因组功能注释领域的重要挑战之一.传统的预测方法往往从序列中提取氨基酸的理化特性作为初始特征,忽略了motif及motif之间的位置信息,同时由于训练数据规模小、噪声大,导致预测的精度及可信度降低.在此提出了一种从序列预测RNA结合蛋白的深度学习模型.该模型利用2阶段卷积神经网络探测蛋白质序列的功能域,利用长短期记忆网络获得序列的定长特征表示并且能够学习到功能域之间的长短期依赖关系.预测算法中所用到的特征均是通过"学习"自动获得,克服了传统机器学习中特征选择过程过多的人工干预.实验结果表明:模型在处理大规模序列数据时具有明显的优势. 展开更多

关键词 RNA结合蛋白 卷积神经网络 长短期记忆神经网络 特征学习 深度学习

下载PDF 职称材料

长短期记忆神经网络(LSTM)模型在低能见度预报中的应用 被引量：7

7

作者 方楠 谢国权 +3 位作者 阮小建 任晨平 姜舒婕 张玮玮 《气象与环境学报》 2022年第5期34-41,共8页

利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index,AQI)数据,分析了义乌地区低能见度天气(观测能见度<10 km)的分布特征和气象要素条件。利用长短期记忆神经网络... 利用浙江省义乌市2015—2019年逐小时气象观测数据(相对湿度、风速、地气温差、能见度)和空气质量指数(Air Quality Index,AQI)数据,分析了义乌地区低能见度天气(观测能见度<10 km)的分布特征和气象要素条件。利用长短期记忆神经网络(Long Short Term Memory Neural Network,LSTM)模型对逐小时能见度进行模拟,分别对比了观测能见度作为输入变量与否的模拟效果;根据义乌地区低能见度天气条件的特征,将模拟时段分为三个时期(11月至翌年2月,3—6月,7—10月),对比了分时期模拟的效果;以及评估了模型的预报步长。结果表明:高湿、高污染、气温高于地温和低风速是义乌地区低能见度天气的主要特征。LSTM模型对单站能见度有较好的模拟效果,当输入参数中加入历史观测能见度时,能大幅提高模拟准确度,日均能见度模拟结果均方根误差RMSE=0.63 km,平均绝对误差MAE=0.51 km,拟合优度R^(2)=0.99;分时期进行模拟能得到更精准的模拟结果。本研究中选用的输入要素在冬季(11月至翌年2月)模拟效果最好,RMSE=2.35 km,MAE=1.46 km,低能见度均方根误差RMSE_10 km=1.81 km,低能见度平均绝对误差MAE_10 km=1.13 km,R^(2)=0.83;3—6月的模拟中,输入变量中不加AQI模拟效果更好,这意味着3—6月义乌地区的低能见度天气以雾天气为主导,加入过多变量并不一定能提高模型准确度;随着预报步长增大,模型预报效果变差,预测步长等于3 h,R^(2)=0.71,预测结果已不具备实际应用意义。 展开更多

关键词 大气能见度 长短记忆神经网络 预报模型 空气质量

下载PDF 职称材料

面向喷染车间的挥发性有机物质量浓度预测方法及应用研究 被引量：1

8

作者 彭来湖 张权 +1 位作者 李建强 李杨 《安全与环境学报》 CAS CSCD 北大核心 2024年第1期186-195,共10页

以喷染车间挥发性有机物为研究对象,对喷染车间挥发性有机物(Volatile Organic Compounds, VOCs)质量浓度预测方法进行研究。首先,使用随机森林(Random Forest, RF)算法对影响喷染车间挥发性有机物质量浓度的特征变量进行权重分析。同时... 以喷染车间挥发性有机物为研究对象,对喷染车间挥发性有机物(Volatile Organic Compounds, VOCs)质量浓度预测方法进行研究。首先,使用随机森林(Random Forest, RF)算法对影响喷染车间挥发性有机物质量浓度的特征变量进行权重分析。同时,构建基于长短期记忆神经网络(Long-Term and Short-Term Memory Neural Network, LSTM)的挥发性有机物质量浓度预测模型,并在此基础上引入麻雀搜索算法(Sparrow Search Algorithm, SSA)进行参数优化选择。最后,以浙江省杭州市某汽车喷染车间7月29日—10月28日的数据为样本,将温度、相对湿度、室内大气压、室外大气压作为模型输入变量,并与LSTM模型、随机森林-长短期记忆神经网络(Random Forest-Long Short-Term Memory neural network, RF-LSTM)模型、随机森林-反向传播神经网络(Random Forest-BP neural network, RF-BP)模型进行对比试验。结果显示,基于随机森林-麻雀搜索算法-长短期记忆神经网络(Random Forest-Sparrow Search Algorithm-Long Short-Term Memory neural network, RF-SSA-LSTM)模型的预测效果最佳,平均绝对误差、均方根误差和决定系数分别为2.812 2、3.457 4、0.988。同时,为验证RF-SSA-LSTM模型性能,通过不同时间步长实现对喷染车间VOCs质量浓度预测,结果显示预测误差较小,在可接受范围内。RF-SSA-LSTM预测模型提高了挥发性有机物质量浓度的预测精度,为减少挥发性有机物排放提供科学依据。 展开更多

关键词 安全卫生工程技术 挥发性有机物 随机森林 麻雀搜索算法 lstm神经网络

下载PDF 职称材料

E-V-ALSTM模型的股价预测 被引量：3

9

作者 邓德军 徐洪珍 韦诗玥 《计算机工程与应用》 CSCD 北大核心 2023年第6期101-112,共12页

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解(EMD)对股票价格数据进行第一次分解,得到若干固有模态函数(IMFs)和一个残差(Res),... 针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解(EMD)对股票价格数据进行第一次分解,得到若干固有模态函数(IMFs)和一个残差(Res),降低了股票价格数据的非平稳性和非线性;使用样本熵(SampEn)对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解(VMD)进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络(LSTM)模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。 展开更多

关键词 股票价格预测 二次分解 样本熵 注意力机制 长短期记忆神经网络(lstm)

下载PDF 职称材料

基于小波的CNN-LSTM-Attention瓦斯预测模型研究 被引量：2

10

作者 曹梅 杨超宇 《中国安全生产科学技术》 CAS CSCD 北大核心 2023年第9期69-75,共7页

为提高非平稳性瓦斯浓度预测精度,基于小波分析方法,分解重构瓦斯时序数据,分离高、低频率特征子序列,组成输入特征矩阵,引入卷积神经网络(CNN)获取多特征输入空间联系,采用长短期记忆网络(LSTM)提取序列时序变化特征,添加注意力机制(At... 为提高非平稳性瓦斯浓度预测精度,基于小波分析方法,分解重构瓦斯时序数据,分离高、低频率特征子序列,组成输入特征矩阵,引入卷积神经网络(CNN)获取多特征输入空间联系,采用长短期记忆网络(LSTM)提取序列时序变化特征,添加注意力机制(Attention)为LSTM输出自适应分配权重,增强瓦斯浓度关键信息提取,构建基于小波的CNN-LSTM-Attention瓦斯浓度预测模型。研究结果表明:基于小波的CNN-LSTM-Attention模型瓦斯浓度预测误差MAE为0.001898,RMSE为0.002576,模型预测精度均高于其他单一模型。研究结果可为瓦斯预测预警提供参考依据。 展开更多

关键词 小波分析 卷积神经网络 长短期记忆网络 注意力机制

下载PDF 职称材料

基于状态划分和集成学习的轴承剩余使用寿命预测模型

11

作者 胡志辉 王绪光 +2 位作者 王贡献 张腾 李帅琦 《机电工程》 CAS 北大核心 2024年第8期1423-1430,共8页

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警... 针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。 展开更多

关键词 滚动轴承剩余使用寿命 退化起始时间 自适应DST状态划分 集成学习模型 退化特征提取 具有自适应噪声的完全集成经验模态分解 长短时记忆神经网络

下载PDF 职称材料

基于Conv1D和LSTM组合模型的多步交通流量预测分析 被引量：1

12

作者 赵晓娟 李峰 《微型电脑应用》 2023年第5期1-3,共3页

为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间... 为了提高交通流预测精度,设计一种Conv1D和LSTM相结合的多步交通流预测模型。用Conv1D获取交通流的时间与周期参数,并测试各外部因素引起的交通流量变化,再利用LSTM序列分析模型,根据上述交通流特征进行预测。研究结果表明:在加入时间信息的条件下,交通流量预测结果与实际结果间存在更大相似度,考虑时间信息影响能够获得更准确的预测结果。经过外部因素提取处理后可以获得更高精度交通流预测结果,采用Conv1D+LSTM模型可以达到比LSTM更高的精度。 展开更多

关键词 一维卷积神经网络(Conv1D) 长短期记忆神经网络(lstm) 交通流量 预测

下载PDF 职称材料

基于串级双向长短时记忆神经网络的测井数据重构 被引量：3

13

作者 周伟 赵海航 +2 位作者 蒋云凤 易军 赖富强 《石油地球物理勘探》 EI CSCD 北大核心 2022年第6期1473-1480,I0009,共9页

测井数据是油气田开发和评价的基础,对于确定地下油气层位置、计算及评价油气储量等具有重要意义。然而,实际开采过程中井壁垮塌、仪器故障等因素往往导致部分深度的多条测井数据失真或缺失,而重新测井的成本高昂,施工难度大。为此,提... 测井数据是油气田开发和评价的基础,对于确定地下油气层位置、计算及评价油气储量等具有重要意义。然而,实际开采过程中井壁垮塌、仪器故障等因素往往导致部分深度的多条测井数据失真或缺失,而重新测井的成本高昂,施工难度大。为此,提出一种基于串级双向长短时记忆神经网络(CBi-LSTM)的测井数据重构方法,在不增加额外测量成本的情况下,充分考虑缺失数据点的前趋与后继之间的双向关联性及测井曲线之间的相关性,利用串级系统将所获估计值与已知测井曲线合并为新的输入,采用迭代更新策略完成对缺失数据块的重构。对苏里格气田4口井的测井数据进行补全重构实验,所得结果表明:文中测井数据重构方法具有较高精度,同时所用模型具有更强的鲁棒性和泛化能力。 展开更多

关键词 测井曲线 重构 长短时记忆神经网络 串级双向长短时记忆神经网络

下载PDF 职称材料

股票信息挖掘与LSTM预测 被引量：5

14

作者 陈伟斌 林奕真 王宗跃 《集美大学学报（自然科学版）》 CAS 2020年第5期385-391,共7页

由于受到经济环境、政治政策、市场新闻等多种因素的影响,使得预测股票动态变得极具挑战性。研究了5种常用的预测股价变动的预测方法,通过逐步增加模型的输入维度进行预测分析。首先,建立5种优化的预测模型——基于时间序列的自回归平... 由于受到经济环境、政治政策、市场新闻等多种因素的影响,使得预测股票动态变得极具挑战性。研究了5种常用的预测股价变动的预测方法,通过逐步增加模型的输入维度进行预测分析。首先,建立5种优化的预测模型——基于时间序列的自回归平均模型(ARMA)、灰色预测模型(GM(1,1))、BP神经网络模型(BPNN)、基于改进网格寻优算法的支持向量回归(SVR)模型、基于Tensorflow的长短时记忆神经网络模型(LSTM),研究单一维度的模型输入,即,将各股票的收盘价作为这5种模型的输入。通过实验验证,发现基于LSTM的效果明显优于其他传统机器学习算法。然后,增加模型的输入维度进行研究,即,将影响股价的13个指标作为LSTM模型的输入来预测股价,所得的模型在训练集上的均方误差为0.1438。最后,进一步增加模型的输入维度,即,通过新闻数据挖掘提取14个特征,再结合13个股价指标,以这27个维度特征作为LSTM模型的输入来预测股价,所得的模型在训练集上的均方误差为0.1045。通过实验验证得出,所采用的输入27个维度的方法,比输入13个维度在预测问题上表现得更稳健。 展开更多

关键词 股票预测 长短时记忆神经网络(lstm) 回归分析

下载PDF 职称材料

基于HHO-CNN-LSTM的CMAQ修正模型及其在上海市空气质量预报中的应用

15

作者 郑鑫楠 林开颜 +5 位作者 王孜竞 宋远博 师洋 路函悦 张亚雷 沈峥 《能源环境保护》 2023年第6期101-110,共10页

建立空气质量预报模型,预测污染物浓度对人类健康和社会经济发展具有重要意义。然而,传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此,本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正... 建立空气质量预报模型,预测污染物浓度对人类健康和社会经济发展具有重要意义。然而,传统的空气质量模型CMAQ对污染物浓度的预报精度并不理想。对此,本文提出了一种基于卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的空气质量预报修正模型,并使用哈里斯鹰算法(HHO)对模型的超参数进行优化;用CMAQ模型对上海市2022年12月六种大气污染物(SO_(2)、NO_(2)、PM_(10)、PM2.5、O_(3)、CO)浓度的预报数据以及监测站的气象数据和污染物浓度实测数据作为HHO-CNN-LSTM模型的输入,对CMAQ模型预报结果进行修正。使用均方根误差(RMSE)、平均绝对误差(MAE)和一致性指数(IOA)作为评价指标。结果显示,修正模型显著提高了六项污染物浓度的预测精度,RMSE减少了73.11%~91.31%,MAE减少了67.19%~89.25%,IOA提升了35.34%~108.29%。同时针对HHO算法陷入局部最优而导致修正模型对CO浓度预测效果不佳的问题,使用高斯随机游走策略对HHO算法进行改进,显著提高了CO浓度的预测精度。相比于改进之前,RMSE减少了39.55%,MAE减少了45.93%,IOA提高了32.43%。 展开更多

关键词 空气质量预报 CMAQ模型 卷积神经网络 长短期记忆神经网络 哈里斯鹰优化算法

下载PDF 职称材料

机器人气动夹持力的CNN-LSTM建模估计方法

16

作者 党选举 覃创业 《机床与液压》 北大核心 2023年第21期16-22,共7页

由于气动系统具有迟滞、强非线性特性,难以直接依据气压信号实现气动夹持力的有效控制,因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此,提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹... 由于气动系统具有迟滞、强非线性特性,难以直接依据气压信号实现气动夹持力的有效控制,因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此,提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹持力估计方法。根据工业机器人末端气爪夹持力与气路历史输入/输出有关的特点,采用了具有记忆特性的LSTM网络建立无传感器气压/压力估计模型;针对直接采用LSTM网络进行建模存在误差大的问题,利用CNN提取输入信息中气压和夹持力的非线性关系,进一步对LSTM网络结构进行优化,提高模型描述气压和夹持力之间多值对应特性与非线性迟滞特性的能力,实现气爪的夹持力有效估计。实验结果表明:相比LSTM预测模型,所提模型的建模估计与验证估计均方根误差分别减少77.14%和70.83%,最大误差分别减少79.80%和78.84%,证明了所提建模估计方法的有效性。 展开更多

关键词 气爪 夹持力估计 无传感器 卷积神经网络 长短期记忆神经网络

下载PDF 职称材料

基于LSTM的柑橘幼苗蒸发量预测

17

作者 代秋芳 熊诗路 +3 位作者 李震 宋淑然 陈梓蔚 王元 《湖南农业大学学报（自然科学版）》 CSCD 北大核心 2023年第6期743-747,共5页

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)... 将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R^(2))、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R^(2)最大,说明这3种模型中LSTM预测模型的预测效果最佳。 展开更多

关键词 柑橘幼苗 蒸发量 环境因子 长短期记忆神经网络(lstm)

下载PDF 职称材料

基于语言模型及循环卷积神经网络的事件检测 被引量：4

18

作者 施喆尔 陈锦秀 《厦门大学学报（自然科学版）》 CAS CSCD 北大核心 2019年第3期442-448,共7页

目前,事件检测的难点在于一词多义和多事件句的检测.为了解决这些问题,提出了一个新的基于语言模型的带注意力机制的循环卷积神经网络模型(recurrent and convolutional neural network with attention based on language models,LM-ARC... 目前,事件检测的难点在于一词多义和多事件句的检测.为了解决这些问题,提出了一个新的基于语言模型的带注意力机制的循环卷积神经网络模型(recurrent and convolutional neural network with attention based on language models,LM-ARCNN).该模型利用语言模型计算输入句子的词向量,将句子的词向量输入长短期记忆网络获取句子级别的特征,并使用注意力机制捕获句子级别特征中与触发词相关性高的特征,最后将这两部分的特征输入到包含多个最大值池化层的卷积神经网络,提取更多上下文有效组块.在ACE2005英文语料库上进行实验,结果表明,该模型的 F 1 值为74.4%,比现有最优的文本嵌入增强模型(DEEB)高0.4%. 展开更多

关键词 事件检测 语言模型词嵌入 长短期记忆网络 动态多池化卷积神经网络 注意力机制

下载PDF 职称材料

基于FT-LSTM模型的临床事件诊断序列预测研究 被引量：4

19

作者 王露潼 王红 +1 位作者 宋永强 王倩 《计算机应用研究》 CSCD 北大核心 2020年第10期2961-2965,2970,共6页

针对不同患者的临床数据信息难以得到合理表示,且事件之间时间间隔不同,从而导致预测困难等问题,提出一种基于词向量表示,并添加时控单元的时控长短期记忆神经网络(FT-LSTM)预测模型。首先通过FastText方法对医学事件进行可解释性的向... 针对不同患者的临床数据信息难以得到合理表示,且事件之间时间间隔不同,从而导致预测困难等问题,提出一种基于词向量表示,并添加时控单元的时控长短期记忆神经网络(FT-LSTM)预测模型。首先通过FastText方法对医学事件进行可解释性的向量表示,用以更有效地捕获富含医学信息的概念关系;然后针对临床数据对时间戳有着强依赖性的现象,在原有LSTM模型的基础上设计时控门,以更好地捕获长短期信息,对事件信息进行建模,从而改善预测表现。在MIMIC-Ⅲ数据集上的实验结果表明,使用FT-LSTM模型预测的召回率、准确率皆高于多种对比模型,证明了该方法的有效性。 展开更多

关键词 电子病历 长短期记忆神经网络 词向量表示 医学概念 可变时间间隔

下载PDF 职称材料

基于深度学习的动态场景相机姿态估计方法 被引量：3

20

作者 路昊 石敏 +1 位作者 李昊 朱登明 《高技术通讯》 EI CAS 北大核心 2020年第1期41-47,共7页

针对现有增强现实技术中应用较为广泛的基于标识物的定位注册方法的不足,提出了一种在不断变化运动的复杂动态场景下估计相机连续运动的3维姿态的方法。基于深度神经网络对输入图像序列建立端到端的学习模型,将卷积神经网络(CNN)作为高... 针对现有增强现实技术中应用较为广泛的基于标识物的定位注册方法的不足,提出了一种在不断变化运动的复杂动态场景下估计相机连续运动的3维姿态的方法。基于深度神经网络对输入图像序列建立端到端的学习模型,将卷积神经网络(CNN)作为高层特征提取器,同时利用长短期记忆神经网络(LSTM)建立视频连续帧之间的时序关系,完成相机连续运动的3维姿态估计,从而避免了相机快速运动及场景不断运动变换导致图像特征提取效果不好的情况。另一方面,通过迁移学习的方法来预测未知视频序列的相机3维姿态信息,解决了原始数据量不够的问题。在公共数据集上的实验结果表明,相对于PoseNet,基于连续视频序列的输入,其预测精度得到一定的提升。 展开更多

关键词 姿态估计 卷积神经网络(CNN) 长短期记忆神经网络(lstm) 动态场景 迁移学习

下载PDF 职称材料