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7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：
基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测 被引量：1
1
作者 姜伟 卢俊泽 许颜贺 《大电机技术》 2024年第2期74-80,共7页
针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态... 针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测。实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持。 展开更多
关键词 水电机组 样本熵 随机森林 长短期记忆网络 状态趋势预测
下载PDF
基于状态趋势预测方法的城市机动车保有量预测 被引量：6
2
作者 徐亚丹 《科技通报》 北大核心 2012年第9期11-14,共4页
将2000-2010年的杭州市机动车保有量的时间序列用非线性回归拟合得到趋势曲线方程,并以趋势曲线为基准划分2个状态区间,再用马尔可夫转移概率来刻画系统的数值波动规律。通过对杭州市2010年机动车保有量预测值与实际值进行比较,可知该... 将2000-2010年的杭州市机动车保有量的时间序列用非线性回归拟合得到趋势曲线方程,并以趋势曲线为基准划分2个状态区间,再用马尔可夫转移概率来刻画系统的数值波动规律。通过对杭州市2010年机动车保有量预测值与实际值进行比较,可知该模型预测精度较好。并基于该模型用状态趋势预测方法对2011年杭州市机动车保有量进行预测。 展开更多
关键词 保有量 状态趋势 预测
下载PDF
基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测 被引量：4
3
作者 李锋 陈勇 +1 位作者 王家序 汤宝平 《计算机集成制造系统》 EI CSCD 北大核心 2020年第8期2050-2059,共10页
为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特... 为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。 展开更多
关键词 强化学习单元匹配循环神经网络 强化学习 奇异谱熵 状态趋势预测 滚动轴承
下载PDF
基于改进Elman神经网络的烟气轮机运行状态趋势预测 被引量：2
4
作者 陈涛 王立勇 +1 位作者 徐小力 王少红 《广西大学学报（自然科学版）》 CAS 北大核心 2019年第2期367-375,共9页
为提高烟气轮机状态趋势预测的精度,提出一种改进Elman神经网络的趋势预测方法。首先,引入以四分位数和四分位距为基础的箱线图方法判别异常值,并对缺失的数据进行插补,为状态趋势预测提供可靠的全数据序列;其次,根据设备运行状态数据... 为提高烟气轮机状态趋势预测的精度,提出一种改进Elman神经网络的趋势预测方法。首先,引入以四分位数和四分位距为基础的箱线图方法判别异常值,并对缺失的数据进行插补,为状态趋势预测提供可靠的全数据序列;其次,根据设备运行状态数据序列具有的时间依存性,计算数据序列不同时延的相关程度,以相关系数最大值点对应的时延为最优预测步长;最后构建三层最优预测步长Elman神经网络对烟气轮机运行状态全数序列进行趋势预测实例分析。研究结果表明,箱线图法能够简捷快速、直观明了地判别异常值;邻近点中位数插补方法更贴近原始数据分布规律,为最优插补方法;相较其他预测步长的Elman神经网络预测方法,最优预测步长的预测误差最小、预测精度最高;同时,Elman神经网络最优预测步长方法的预测误差较BP、RBF神经网络更小、预测精度更高。改进Elman神经网络趋势预测方法能够为烟气轮机的状态趋势预测提供一种有效的预测方法,该方法还可应用于其他关键设备的趋势预测中。 展开更多
关键词 异常值判别 缺失数据插补 最优预测步长 ELMAN神经网络 状态趋势预测
下载PDF
用于旋转机械状态趋势预测的量子注意力循环编码解码神经网络 被引量：1
5
作者 李锋 程阳洋 +1 位作者 陈勇 汤宝平 《中国机械工程》 EI CAS CSCD 北大核心 2020年第21期2573-2582,共10页
提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼... 提出了基于量子注意力循环编码解码神经网络(QAREDNN)的旋转机械状态趋势预测方法。在QAREDNN中,引入注意力机制以同时重构QAREDNN的编码器和解码器,使QAREDNN能够充分挖掘和重视重要信息,并抑制冗余信息的干扰,从而获得更好的非线性逼近能力;采用量子神经元构建了一种活性值和权值由量子旋转矩阵代替的量子门限循环单元(QGRU),QGRU不仅能够更加精细地遍历解空间,还具有大量的多重吸引子,因此QGRU能代替传统编码器和解码器中的循环单元以提高QAREDNN的泛化能力和响应速度;通过引入Levenberg-Marquardt(LM)法来提高QAREDNN的量子旋转矩阵的旋转角和注意力参数的更新速度。滚动轴承状态趋势预测实例验证了该方法的有效性。 展开更多
关键词 量子注意力循环编码解码神经网络 注意力机制 量子神经元 状态趋势预测 旋转机械
下载PDF
基于改进LSTM的电力设备状态融合预测模型 被引量：5
6
作者 崔昊杨 周坤 +2 位作者 胡丰晔 张宇 夏晟 《电测与仪表》 北大核心 2023年第1期10-15,共6页
针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整... 针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。 展开更多
关键词 数据随机缺失 改进LSTM模型 状态趋势融合预测
下载PDF
基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测 被引量：31
7
作者 于重重 宁亚倩 +1 位作者 秦勇 高柯柯 《仪器仪表学报》 EI CAS CSCD 北大核心 2019年第8期39-46,共8页
为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动... 为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。 展开更多
关键词 T-分布随机近邻嵌入 样本熵 时间卷积网络 滚动轴承 状态退化趋势预测
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