选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台...选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台站各要素数据的预测模型。预测结果表明:LSTM模型预测的D要素均方根误差(RMSE)和归一化均方根误差(NRMSE)的平均值为1.139′和0.040,H分量的RMSE和NRMSE的平均值为11.85 n T和0.086,Z分量的RMSE和NRMSE的平均值为15.10 n T和0.026;LSTM模型对Z分量的预测精度最高,其次是D要素,最差的是H分量。分别计算由LSTM模型、线性外推、二次外推得到的台站各要素年变率误差,结果显示:对于D要素,LSTM预测结果的RMSE平均值为0.361′/a,较线性外推法提高了54%,较二次外推法提高了59%;对于H分量,LSTM预测结果的RMSE平均值为3.921 n T/a,较线性外推法提高了58%,较二次外推法提高了76%;对于Z分量,LSTM预测结果的RMSE平均值为4.339 n T/a,较线性外推法提高了47%,较二次外推法提高了57%。展开更多
待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点...待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。展开更多
目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP...目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP波的连续值,本研究期望基于卷积神经网络-长短期记忆神经网络(CNN-LSTM)利用PPG信号波重建ABP波信号,实现连续无创血压监测。方法构建CNN-LSTM混合神经网络模型,利用重症监护医学信息集(medical information mart for intensive care,MIMIC)中的PPG与ABP波同步记录信号数据,将PPG信号波经预处理降噪、归一化、滑窗分割后输入该模型,重建与之同步对应的ABP波信号。结果使用窗口长度312的CNN-LSTM神经网络时,重建ABP值与实际ABP值间误差最小,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为2.79 mmHg和4.24 mmHg,余弦相似度最大,重建ABP值与实际ABP值一致性和相关性情况良好,符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation,AAMI)标准。结论CNN-LSTM混合神经网络可利用PPG信号波重建ABP波信号,实现连续无创血压监测。展开更多
文摘选取中国大陆及邻区32个地磁台站的地磁场要素即磁偏角D、地磁场水平分量H、垂直分量Z的时均值数据,利用磁静条件筛选并剔除异常值,之后通过月均值年差分得到主磁场各要素的长期变化序列,利用长短时记忆神经网络(LSTM)建立了未来一年台站各要素数据的预测模型。预测结果表明:LSTM模型预测的D要素均方根误差(RMSE)和归一化均方根误差(NRMSE)的平均值为1.139′和0.040,H分量的RMSE和NRMSE的平均值为11.85 n T和0.086,Z分量的RMSE和NRMSE的平均值为15.10 n T和0.026;LSTM模型对Z分量的预测精度最高,其次是D要素,最差的是H分量。分别计算由LSTM模型、线性外推、二次外推得到的台站各要素年变率误差,结果显示:对于D要素,LSTM预测结果的RMSE平均值为0.361′/a,较线性外推法提高了54%,较二次外推法提高了59%;对于H分量,LSTM预测结果的RMSE平均值为3.921 n T/a,较线性外推法提高了58%,较二次外推法提高了76%;对于Z分量,LSTM预测结果的RMSE平均值为4.339 n T/a,较线性外推法提高了47%,较二次外推法提高了57%。
文摘待分解信号复杂度增大时传统单信号分解技术易产生过高特征空间维度的高频本征模态函数(intrinsic mode function,IMF),从而严重限制了长短时记忆神经网络(long short term memory,LSTM)的长时序预报能力。以舟山群岛南部外海某观测点所收集的海浪数据为基础,提出融合ICEEMDAN-VMD级联分解策略和LSTM的混合模型。该混合模型准确捕捉海洋波浪的非线性特征和长时序依赖规律,提高了复杂海况下对有效波高、有效波周期、波向的长时预报能力。与多变量LSTM模型相比,混合模型的48 h和72 h有效波高预测均方根误差(root mean square error,RMSE)降幅分别为53.9%和33.8%,有效波周期预测RMSE降幅分别为46.1%和39.1%,波向预测RMSE降幅分别为30.5%和23.9%。与EMD-LSTM模型相比,混合模型有效波高、有效波周期、波向的RMSE平均降幅分别为13.52%、17.79%、15.39%。
文摘目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP波的连续值,本研究期望基于卷积神经网络-长短期记忆神经网络(CNN-LSTM)利用PPG信号波重建ABP波信号,实现连续无创血压监测。方法构建CNN-LSTM混合神经网络模型,利用重症监护医学信息集(medical information mart for intensive care,MIMIC)中的PPG与ABP波同步记录信号数据,将PPG信号波经预处理降噪、归一化、滑窗分割后输入该模型,重建与之同步对应的ABP波信号。结果使用窗口长度312的CNN-LSTM神经网络时,重建ABP值与实际ABP值间误差最小,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为2.79 mmHg和4.24 mmHg,余弦相似度最大,重建ABP值与实际ABP值一致性和相关性情况良好,符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation,AAMI)标准。结论CNN-LSTM混合神经网络可利用PPG信号波重建ABP波信号,实现连续无创血压监测。
