期刊文献+
共找到2,742篇文章
< 1 2 138 >
每页显示 20 50 100
基于卷积双向长短期记忆网络的微网继电保护故障诊断技术 被引量:1
1
作者 杨志淳 闵怀东 +3 位作者 杨帆 雷杨 胡伟 陈鹤冲 《太阳能学报》 北大核心 2025年第1期420-428,共9页
分布式电源种类和容量不断提升的微网运行方式复杂、故障特征微弱,现有的继电保护装置故障诊断方法无法满足保护需求。提出一种基于卷积双向长短期记忆网络的微网继电保护故障诊断技术。首先,分析多能源互补微网系统架构,对采集的三相... 分布式电源种类和容量不断提升的微网运行方式复杂、故障特征微弱,现有的继电保护装置故障诊断方法无法满足保护需求。提出一种基于卷积双向长短期记忆网络的微网继电保护故障诊断技术。首先,分析多能源互补微网系统架构,对采集的三相电流数据进行预处理,提高后续模型对数据的学习效率;然后,融合卷积神经网络和双向长短期记忆网络提出卷积双向长短期记忆网络的微网继电保护故障诊断方法,提取三相电流数据长序列和局部序列特征实现故障分类、故障定位,融合注意力机制,重点关注对故障诊断有影响的特征,提高故障诊断准确率;最后经过RTDS实时仿真系统进行验证,实验结果表明,所提方法故障诊断精度高、计算时间短,同卷积神经网络、长短期记忆网络、人工神经网络相比,故障分类准确率分别提升8.53%、9.62%、11.45%,故障定位准确率分别提升7.47%、10.61%、10.85%,验证所提方法的有效性与先进性。 展开更多
关键词 微网 继电保护 故障诊断 卷积双向长短期记忆网络 三相电流 注意力机制
在线阅读 下载PDF
基于减平均优化算法与双向长短期记忆网络的锂离子电池健康状态估算
2
作者 李建萱 林琛 周忠凯 《储能科学与技术》 北大核心 2025年第1期358-369,共12页
准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法... 准确的健康状态(state of health,SOH)估算可以确保锂离子电池安全可靠运行,延长其使用寿命。针对当前许多健康特征无法表征电池老化机理,异常工况时无法准确追踪SOH变化趋势的问题,本文提出一种经验模型与数据驱动相结合的SOH估算方法。将锂离子电池负极固体电解质界面(SEI)膜增厚机理融入Arrhenius定律中构建经验模型,然后采用最小二乘法进行参数辨识,并分别计算每个参数与容量的Spearman相关系数。结果表明,它们与容量衰退都具有强相关性,可以作为估算SOH的健康特征。此外,为了克服双向长短期记忆(bidirectional long and short term memory,BiLSTM)网络参数较多且容易陷入过拟合的问题,本文使用减平均优化(subtraction average based optimizer,SABO)算法对BiLSTM的超参数进行寻优,建立SOH估算模型。最后,采用实验测试数据与美国航空航天局(National Aeronautics and Space Administration,NASA)数据验证了所提方法的适应性,并与长短期记忆(long and short-term memory,LSTM)网络、双向长短期记忆网络以及粒子群优化(particle swarm optimization,PSO)的双向长短期记忆网络3种算法的估算结果进行对比。结果表明,采用SABO-BiLSTM算法估算4节电池SOH的平均绝对百分比误差分别为0.043%、0.053%、0.259%、0.230%,相较于LSTM降低了94.58%、 92.85%、 88.65%、 90.13%,相较于BiLSTM降低了89.11%、91.60%、77.90%、76.41%,相较于PSO-BiLSTM降低了58.65%、58.91%、65.37%、69.29%。 展开更多
关键词 锂离子电池 Arrhenius定律 减平均优化算法 双向长短期记忆网络
在线阅读 下载PDF
基于卷积神经网络和双向长短期记忆网络的微地震记录去噪方法
3
作者 王泰然 鲍逸非 《北京大学学报(自然科学版)》 北大核心 2025年第3期487-500,共14页
提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模... 提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模拟含噪声数据集.通过深度学习网络的训练,获得性能稳定且泛化能力强的去噪模型,该模型在验证集上也表现优异.与传统去噪方法相比,所提方法的去噪效果显著提升,能够更好地保留信号的细节特征和频谱特征.将该模型应用于自贡和内江地区的实际微震观测数据,结果表明能有效地去除实测数据中的噪声. 展开更多
关键词 微小地震 噪声去除 卷积神经网络(CNN) 双向长短期记忆网络(BiLSTM) 深度学习
在线阅读 下载PDF
基于改进长短期记忆网络模型的水库库区水温模拟
4
作者 郑铁刚 吴茂喜 +3 位作者 张迪 金瑾 林俊强 孙双科 《农业工程学报》 北大核心 2025年第3期144-153,共10页
水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中... 水温是影响水库水生态系统的“主因子”,了解库区水温分布及预测未来的水温变化对保护水库生态具有重要的意义。针对水库水温结构复杂、实时预测困难的技术问题,该研究通过在传统的长短期记忆网络模型(long short-term memory,LSTM)中嵌入相关分析模块自动筛选模型的特征输入,并优化输出维度,提出了一种改进的LSTM模型,并在溪洛渡水库工程开展了模型应用研究,结果表明:1)改进LSTM模型的均方根误差最大值为0.63,纳什效率系数最小值为0.96,表明模型整体性能较好,能够精准地捕捉数据中的长期依赖关系;2)基于改进LSTM模型的库区水温分布预测值和环境流体动力学模型(environmental fluid dynamics code,EFDC)模拟值随时间的量值分布及变化规律基本一致,两者的库区表层年际误差值为-1.19~1.04℃,中层年际误差值为-1.06~1.68℃,底层年际误差值为-1.28~1.07℃,年际水温最大相对误差为8.3%;3)相较于EFDC模型多天的模拟时长,改进模型的计算时间缩短至几百秒,计算效率大幅提升,实现了水温分布的快速、实时精准预测。该研究通过改进LSTM模型,实现了深水水库垂向水温的高效预测,研究结果可为分层取水设施的优化调控提供技术支撑。 展开更多
关键词 水温 模拟 改进的长短期网络记忆模型 水温分布 相关性分析 水温预测 人工智能学习
在线阅读 下载PDF
基于时间卷积和长短期记忆网络的短期云资源预测模型
5
作者 陈基漓 李海军 谢晓兰 《科学技术与工程》 北大核心 2025年第7期2856-2864,共9页
随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模... 随着容器云技术的不断深入发展,通过预测分析云资源请求的整体趋势及高峰期,对于容器云资源的高效利用和合理分配具有重要意义。利用深度学习技术进行负载预测已经成为解决容器云资源利用率不平衡的关键技术。针对目前负载预测的单一模型和组合模型所存在的预测精度低以及捕获序列特征不充分问题,提出基于时间卷积和长短期记忆网络(temporal convolutional network-long short-term memory, TCN-LSTM)的短期云资源组合预测模型,组合模型中的空洞卷积在不减少特征尺寸的情况下增加感受野获取更长久的时间序列特征,其中残差网络可以跨层传递信息以加快网络的收敛,所获取的时间序列特征可有效提高LSTM的预测精度。利用阿里巴巴公开数据集的进行预测,实验表明所提出的模型与单一的预测模型以及其他组合模型进行对比分析,误差指标-平均绝对误差(mean absolute error, MAE)降低8%~13.7%,均方根误差(root mean squared error, RMSE)降低9.8%~13.1%,证明所提模型的有效性。 展开更多
关键词 容器云 云资源预测 时间卷积网络(TCN) 长短期记忆网络(LSTM)
在线阅读 下载PDF
一种基于长短期记忆网络的雷达目标跟踪算法
6
作者 张正文 向严谨 廖桂生 《现代雷达》 北大核心 2025年第2期83-90,共8页
在道路交通系统中,毫米波雷达以其分辨率高和抗干扰能力强的特点成为了热门的目标运动信息采集传感器。传统的目标跟踪算法在雷达观测信息丢失的情况下会出现跟踪误差较大或无法进行目标跟踪的现象。针对这一问题,文中提出了一种基于长... 在道路交通系统中,毫米波雷达以其分辨率高和抗干扰能力强的特点成为了热门的目标运动信息采集传感器。传统的目标跟踪算法在雷达观测信息丢失的情况下会出现跟踪误差较大或无法进行目标跟踪的现象。针对这一问题,文中提出了一种基于长短期记忆(LSTM)网络的雷达目标跟踪算法,在雷达观测值正常时,利用LSTM网络的记忆函数,对雷达的观测值进行训练并预测;当雷达观测值丢失时,利用LSTM网络为扩展卡尔曼算法提供观测值的预测值,以保证扩展卡尔曼算法能够继续对目标进行跟踪,达到降低目标跟踪误差的目的。文中通过雷达实测数据对LSTM网络进行训练,并针对直线和曲线两种运动状态进行了仿真验证分析,仿真结果表明,提出的目标跟踪算法在雷达的观测值丢失的情况下仍然可以对目标进行跟踪,并有效地降低了目标跟踪算法的误差。 展开更多
关键词 毫米波雷达 目标跟踪 长短期记忆网络 扩展卡尔曼滤波 非线性滤波
在线阅读 下载PDF
长短期记忆网络在隧道火灾实时致灾态势预测中应用研究
7
作者 贾进章 陈佳琦 陈怡诺 《安全与环境学报》 北大核心 2025年第4期1298-1309,共12页
针对隧道火灾过程中高温烟气对人员避灾的威胁,为实现隧道火灾有效控制,及时提供隧道火灾实时救援决策,提出了一种试验测量和人工智能相结合的方法,基于温度传感器和长短期记忆(Long Short-Term Memory,LSTM)网络对烟气温度进行实时预... 针对隧道火灾过程中高温烟气对人员避灾的威胁,为实现隧道火灾有效控制,及时提供隧道火灾实时救援决策,提出了一种试验测量和人工智能相结合的方法,基于温度传感器和长短期记忆(Long Short-Term Memory,LSTM)网络对烟气温度进行实时预测。首先,通过1∶20小面积火灾试验收集不同工况下的温度数据,然后,采用LSTM模型从试验火灾数据库中学习、训练,并进行不同火源类型测试,发现该算法模型可以很好地预测隧道内温度分布。对模型的预测能力进行测试,测试结果表明,预测结果精度高,相对误差在±10%内。与反向传播神经网络(Back Propagation Neural Network,BPNN)模型进行比较,测试误差均值降低3.85百分点,对比效果明显,满足隧道火灾实时态势检测需要,为隧道火灾事故的应急救援建立了较为新颖的智能预测方法。 展开更多
关键词 安全工程 隧道火灾 长短期记忆网络 烟气温度 实时预测
在线阅读 下载PDF
基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波
8
作者 陈辉 胡荣海 席磊 《兰州理工大学学报》 北大核心 2025年第4期88-94,F0003,共8页
为了解决复杂非线性目标跟踪中状态空间模型参数不准确、滤波性能变差的问题,提出一种基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波.首先,在贝叶斯滤波框架下用长短期记忆神经网络认知卡尔曼增益这一组件,以数据驱动的方... 为了解决复杂非线性目标跟踪中状态空间模型参数不准确、滤波性能变差的问题,提出一种基于长短期记忆神经网络局部认知结构的最优非线性卡尔曼滤波.首先,在贝叶斯滤波框架下用长短期记忆神经网络认知卡尔曼增益这一组件,以数据驱动的方式逼近最优卡尔曼增益,不需要完全了解底层模型参数,可以在具有部分信息非线性状态下执行扩展卡尔曼滤波.其次,使用一种无监督离线训练算法,不需要提供真实数据,而是通过滤波器的可解释性,根据预测下一时刻观测的内部特征进行无监督损失函数计算.通过仿真验证表明,在非线性模型中的参数不准确时,提出的滤波器性能优于传统滤波器. 展开更多
关键词 扩展卡尔曼滤波 长短期记忆神经网络 深度学习 数据驱动
在线阅读 下载PDF
区域化长短期记忆神经网络(LSTM)洪水预报模型研究 被引量:1
9
作者 叶可佳 梁忠民 +4 位作者 陈红雨 钱名开 胡义明 王军 李彬权 《湖泊科学》 北大核心 2025年第2期651-659,共9页
针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一... 针对水文资料缺乏流域机器学习模型建模困难的问题,本文提出了基于长短期记忆神经网络(LSTM)的区域化洪水预报方法。对水文气候相似区内各流域的水文及地形地貌特征数据进行归一化处理,以消除局地因素的影响,从而构建相似区内建模统一数据集,扩大样本数量,为建立乏资料流域洪水预报模型提供了可能。本文选择胶东半岛作为研究区进行应用研究。为验证区域化模型在不同场景中的应用效果,设计了预报流域数据不参与建模,而仅根据区域内其他流域资料建模(区域化模型Ⅰ),以及预报流域的部分数据参与建模(区域化模型Ⅱ)两种情景;此外,选取仅根据预报流域数据训练的单流域模型作为基准模型进行对比分析。结果表明,对本次研究的水文资料短缺流域,两种区域化模型均取得了较好效果,且都优于单流域模型。相较而言,考虑了预报流域数据的区域化模型精度更高,说明在区域化LSTM构建中融入预报流域的数据,可进一步提升区域化模型的精度。研究成果可为乏资料地区的洪水预报提供参考。 展开更多
关键词 长短期记忆神经网络 洪水预报 区域化模型 水文气候相似区 乏资料流域
在线阅读 下载PDF
基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测 被引量:1
10
作者 杨超 毛军逵 +3 位作者 杨悦 王飞龙 邵发宁 毕帅 《推进技术》 北大核心 2025年第2期248-257,共10页
为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶... 为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。 展开更多
关键词 多级涡轮 叶尖间隙预测 多任务学习 长短期记忆神经网络 贝叶斯优化
在线阅读 下载PDF
基于长短期记忆网络模型的联邦学习居民负荷预测 被引量:1
11
作者 朱嵩阳 张歌 +1 位作者 贾愉靖 白晓清 《现代电力》 北大核心 2025年第1期129-136,共8页
居民生活用电量在全社会用电量中占比达到15%以上,且用户数量巨大、分布广。对居民负荷进行准确预测有助于需求侧资源整合,满足需求侧响应的要求。现有居民负荷预测方法多为集中式,在服务器和客户端之间需要进行大量数据交换,导致通信... 居民生活用电量在全社会用电量中占比达到15%以上,且用户数量巨大、分布广。对居民负荷进行准确预测有助于需求侧资源整合,满足需求侧响应的要求。现有居民负荷预测方法多为集中式,在服务器和客户端之间需要进行大量数据交换,导致通信成本增加,并引发信息安全问题。基于联邦学习框架,采用长短期记忆网络对居民负荷预测方法进行研究。利用真实居民负荷数据进行仿真计算分析,结果表明,基于联邦学习的居民负荷预测准确率和计算效率优于集中式。此外,将FedAvg、FedAdagrad、FedYogi三种联邦学习策略进行比较,采用具有自适应优化功能的FedAdagrad联邦学习策略对居民负荷预测的准确率更高,收敛性更强。 展开更多
关键词 居民用户 集中式 联邦学习 负荷预测 长短期记忆网络
在线阅读 下载PDF
采用堆叠长短期记忆神经网络的水质连续预测方法 被引量:1
12
作者 张建奇 冯乐源 +1 位作者 李东鹤 杨清宇 《西安交通大学学报》 北大核心 2025年第6期93-102,共10页
针对水环境监测中的水质参数异常、预测精度低等问题,提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型,以解决时序数据不完整带来的挑战。首先,分析了缺失或异常的水质数据时序特征,并基于堆叠长短期记忆网络设计了水... 针对水环境监测中的水质参数异常、预测精度低等问题,提出了一种基于堆叠长短期记忆神经网络(SLSTM)的水质参数预测模型,以解决时序数据不完整带来的挑战。首先,分析了缺失或异常的水质数据时序特征,并基于堆叠长短期记忆网络设计了水质预测的深度神经网络模型;其次,采用逐点预测和多步预测方法对所提模型进行对比实验验证;最后,为了量化模型的预测性能,引入平均绝对百分比误差(MAPE)和均方根误差(RMSE)两类指标,评估SLSTM模型相对于支持向量回归(SVR)和自回归综合移动平均(ARIMA)模型的优越性。实验结果表明,在短期(24h)和长期(48h)水质余氯预测中,SLSTM的预测精度显著高于其他两类模型:在多步预测中,SLSTM的MAPE至少比SVR降低了9.15%;逐点预测中,SLSTM的RMSE至少比SVR降低了31.25%。此外,相较于ARIMA模型,SLSTM能够更有效地捕捉水质数据的非线性变化趋势,提升预测稳定性。研究不仅验证了SLSTM在水质参数预测中的有效性,还为水环境监测领域提供了新的视角和工具。 展开更多
关键词 余氯预测 水质参数预测 数据时序 长短期记忆神经网络
在线阅读 下载PDF
多目标优化灰狼算法改进长短期记忆网络的睡眠分期研究
13
作者 高鹏强 丁顺良 +3 位作者 宛磊 李奎 吴广良 高建设 《重庆理工大学学报(自然科学)》 北大核心 2025年第5期98-106,共9页
由于现有睡眠分期方法下N1期分期精度较低,提出一种基于多目标优化灰狼算法改进的长短期记忆网络睡眠分期模型。该模型通过选用不同收敛因子,优化灰狼算法的适应度函数,自动调节LSTM网络隐藏层节点,选取差分算法对灰狼位置迭代进行优化... 由于现有睡眠分期方法下N1期分期精度较低,提出一种基于多目标优化灰狼算法改进的长短期记忆网络睡眠分期模型。该模型通过选用不同收敛因子,优化灰狼算法的适应度函数,自动调节LSTM网络隐藏层节点,选取差分算法对灰狼位置迭代进行优化,跳出局部最优解;选取现有原始ISRUC-Sleep数据集,求取多种时域,频域α、β、δ、θ波能量占比,以及非线性特征复合多尺度排列熵等指标,代入DE-GWO-LSTM模型中进行分期计算,结果表明模型准确率为88.6%,对于N1期的睡眠分期精度达70%以上,优于其他模型。 展开更多
关键词 睡眠分期 灰狼算法 长短期记忆网络 差分算法
在线阅读 下载PDF
混合变分模态长短期记忆网络水库表面位移形变预测
14
作者 孙喜文 贺小星 +3 位作者 鲁铁定 王海城 张云涛 陈红康 《国防科技大学学报》 北大核心 2025年第3期151-161,共11页
为提高水库位移形变预测精度,通过改变变分模态分解(variational mode decomposition,VMD)的分解方式,融合VMD与长短期记忆网络对非线性非平稳的水库位移形变进行预测,提出了一种混合变分模态长短期记忆网络(mix variational mode decom... 为提高水库位移形变预测精度,通过改变变分模态分解(variational mode decomposition,VMD)的分解方式,融合VMD与长短期记忆网络对非线性非平稳的水库位移形变进行预测,提出了一种混合变分模态长短期记忆网络(mix variational mode decomposition long short-term memory,MVMDLSTM)模型预测方法;对不同单一预测模型与组合模型采用多源数据集验证新方法的可靠性。实验结果表明:MVMDLSTM模型能有效减弱单一预测模型与经验模态分解组合模型估计的偏差,MVMDLSTM模型预测精度更优,为稳定监测水库慢滑移和蠕动等微小变形预测预警提供有效的数据决策。 展开更多
关键词 变分模态分解 人工神经网络 长短期记忆网络 形变预测
在线阅读 下载PDF
基于长短期记忆网络的动力电池组温度场时空建模
15
作者 韦鹏 舒小杨 +2 位作者 朱文超 杨扬 谢长君 《电工技术学报》 北大核心 2025年第13期4306-4315,共10页
动力电池组温度场用复杂的偏微分方程来描述,由于其中大量的参数未知,且很多模型参数表现出较强的时变性,传统基于物理建模方法在实现动力电池组温度场在线建模方面难度较大。基于深度学习的方法虽然不依赖物理模型,然而在训练过程中需... 动力电池组温度场用复杂的偏微分方程来描述,由于其中大量的参数未知,且很多模型参数表现出较强的时变性,传统基于物理建模方法在实现动力电池组温度场在线建模方面难度较大。基于深度学习的方法虽然不依赖物理模型,然而在训练过程中需要大量的实验数据,模型训练时间较长,温度场预测的实时性较差。针对以上问题,该文提出一种基于长短期记忆网络的动力电池组温度场时空建模。首先利用时空分离方法提取离线条件下的空间特征和时间特征。空间特征在增量学习的帮助下不断进行更新,长短期记忆(LSTM)网络用于时间动力学的建模。最后,将更新后的空间特征和时间模型进行整合,得到动力电池组温度场的预测模型。在一个由24节电池单体组成的动力电池包上对所提出的方法进行验证,结果表明,无论在正常条件下还是有气流干扰条件下,所提方法都能对动力电池包的温度场进行准确预测。在有气流干扰下,所提方法的单点温度预测误差小于0.07℃,在测试集上的方均根误差为0.0147℃. 展开更多
关键词 动力电池组 时空建模 长短期记忆网络 特征提取
在线阅读 下载PDF
双向长短期记忆网络的时间序列预测方法 被引量:6
16
作者 管业鹏 苏光耀 盛怡 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2024年第3期103-112,共10页
时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时... 时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。 展开更多
关键词 时间序列 双向长短期记忆网络 长短期记忆网络 注意力机制 深度学习
在线阅读 下载PDF
基于树状结构Parzen估计器优化长短期记忆神经网络的燃煤机组NO_(x)生成浓度预测
17
作者 陈东升 梁中荣 +3 位作者 郑国 何荣强 屈可扬 甘云华 《中国电机工程学报》 北大核心 2025年第7期2710-2718,I0022,共10页
建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升N... 建立更准确的NO_(x)生成浓度预测模型对于燃煤机组减少NO_(x)排放,降低脱硝成本具有重大意义。搭建NO_(x)生成模型基于机组相关变量,同时依赖模型结构设计,设计模型结构的参数称为超参数。进行合理的数据处理与超参数设定,能够有效提升NO_(x)预测模型精度与泛化性。该文提出一种基于树状结构Parzen估计器优化长短期记忆(tree-structure parzen estimator optimized long short-term memory neural network,TPE-LSTM)神经网络的NO_(x)生成浓度预测模型。基于某330 MW燃煤机组的历史运行数据,获取NO_(x)生成相关变量参数,将模型结构参数与NO_(x)相关变量参数的时间序列窗口长度以及主成分数量相互耦合,组成一类新的超参数;通过优化改进后的超参数取值,构建基于长短期记忆(long short-term memory,LSTM)神经网络的NO_(x)生成浓度预测模型;将所提出的超参数优化后的NO_(x)预测模型与基于未优化的LSTM模型、采用粒子群优化的LSTM(particle swarm optimization optimized LSTM,PSO-LSTM)模型对比,预测结果表明,TPE-LSTM预测模型具有较好的模型精度与泛化能力。 展开更多
关键词 燃煤锅炉 NO_(x)生成浓度预测 树状结构Parzen估计器 超参数优化 长短期记忆神经网络
在线阅读 下载PDF
采用长短期记忆神经网络的压电式六维力/力矩传感器解耦算法
18
作者 亓振广 王桂从 +2 位作者 褚宏博 张帅 李映君 《西安交通大学学报》 北大核心 2025年第4期158-170,共13页
针对压电式六维力/力矩传感器存在的维间耦合导致传感器测力性能下降问题,提出了一种基于长短期记忆神经网络(LSTM)的压电式六维力/力矩传感器解耦算法。首先,通过六维力传感器静态标定实验,获取解耦算法所需的实验数据,并对其进行处理... 针对压电式六维力/力矩传感器存在的维间耦合导致传感器测力性能下降问题,提出了一种基于长短期记忆神经网络(LSTM)的压电式六维力/力矩传感器解耦算法。首先,通过六维力传感器静态标定实验,获取解耦算法所需的实验数据,并对其进行处理;然后,通过分析传感器维间耦合产生的原因及LSTM神经网络解耦原理,构建LSTM神经网络解耦模型;最后,采用基于LSTM神经网络的解耦算法,对传感器输出的多维非线性特性开展优化,解耦后得到传感器输入、输出之间的映射关系和对应的输出数据,并与径向基函数(RBF)及最小二乘(LS)解耦算法进行对比分析。研究结果表明:所使用四点支撑式压电六维力传感器的最大重复性误差为1.55%;采用基于LSTM的神经网络算法解耦后,传感器输出结果的最大非线性误差、交叉耦合误差分别为0.55%和0.28%,均小于RBF和LS算法。LSTM神经网络解耦算法能有效减少六维力/力矩传感器的维间耦合,提高传感器的测量精度,对航空航天领域的发展具有参考意义。 展开更多
关键词 六维力/力矩传感器 压电式 解耦算法 长短期记忆神经网络 维间耦合
在线阅读 下载PDF
基于改进长短期记忆网络的湖南网格气温预报模型
19
作者 卢姝 陈鹤 +2 位作者 陈静静 赵琳娜 郭田韵 《气象》 北大核心 2025年第4期431-445,共15页
基于欧洲中期天气预报中心高分辨率模式预报产品以及中国气象局陆面数据同化系统逐1 h气温实况,构建了一种改进的长短期记忆网络ED-LSTM-FCNN模型,模型中加入嵌入层模块以处理高维空间、时间特征,并通过全连接神经网络融合不同类型特征... 基于欧洲中期天气预报中心高分辨率模式预报产品以及中国气象局陆面数据同化系统逐1 h气温实况,构建了一种改进的长短期记忆网络ED-LSTM-FCNN模型,模型中加入嵌入层模块以处理高维空间、时间特征,并通过全连接神经网络融合不同类型特征实现气温的回归预测,生成0.05°×0.05°格点逐1 h气温预报产品。针对湖南省2022年预报检验表明:ED-LSTM-FCNN模型能显著降低数值模式的预报误差,提高预报稳定性,1~24 h时效预报均方根误差较模式预报与中央气象台指导预报分别降低了25.4%~37.7%和15.8%~40.0%;模型明显改善了数值模式在空间上(尤其是复杂地形)的预报效果,大部分地区气温均方根误差介于1.2~1.6℃;该模型在不同季节2℃误差以内的预报准确率达83.0%以上,明显高于模式预报与中央气象台指导预报,在平稳性极端高温天气中的优势更加明显,可有效应用于智能网格预报业务中。 展开更多
关键词 网格预报 长短期记忆网络 气温预报 深度学习
在线阅读 下载PDF
针对非平稳信号和高频噪声的自适应噪声完整集成经验模态分解-双向长短期记忆风功率预测模型
20
作者 万思洋 杨苹 +3 位作者 崔嘉雁 李丰能 隗知初 陈文皓 《电网技术》 北大核心 2025年第3期1176-1184,I0085,共10页
提出了一种基于改进的自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测模型,以提高... 提出了一种基于改进的自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测模型,以提高风电功率预测的准确性和鲁棒性。当前风电功率预测面临非平稳信号和高频噪声的问题,影响了预测的准确性。针对这一问题,通过CEEMDAN分解,将复杂的非平稳信号分解为多个固有模态函数分量(intrinsic mode function,IMF),在此基础上创新性地通过平均波动幅度(average fluctuation range,AFR)计算IMF的平均波动幅度进行高低频划分,应用经验小波变换(empirical wavelet transform,EWT)对高频分量进行滤波,显著降低信号中的高频噪声,提高数据准确性。随后,分别对高频和低频分量建立Bi-LSTM模型,选取最优参数进行训练和预测,将各分量的预测结果叠加得到最终的风电功率预测值。模型经过不同季节和数据集的验证,展示了其在风电功率预测中的通用性和鲁棒性。研究证明,结合CEEMDAN分解、AFR划分和EWT滤波,通过有效的噪声抑制和数据分解,能够显著提升风电功率预测的准确性和稳定性,弥补了传统方法在处理非平稳信号和高频噪声方面的不足。 展开更多
关键词 风电功率预测 双向长短期记忆神经网络 完全集成经验模态分解 经验小波变换 深度学习
在线阅读 下载PDF
上一页 1 2 138 下一页 到第
使用帮助 返回顶部