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
异常肺音听诊识别是儿童支气管肺部疾病诊断的一种重要手段。针对儿童异常肺音分类研究常用的声谱图图像识别方法计算资源大、识别率不高等问题,提出了一种结合梅尔倒谱系数(Mel frequency cepstral coefficients,MFCC)特征、卷积神经网...异常肺音听诊识别是儿童支气管肺部疾病诊断的一种重要手段。针对儿童异常肺音分类研究常用的声谱图图像识别方法计算资源大、识别率不高等问题,提出了一种结合梅尔倒谱系数(Mel frequency cepstral coefficients,MFCC)特征、卷积神经网络(convolutional neural network,CNN)与双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的混合模型,用于儿童异常肺音的分类方法。该方法通过CNN对MFCC特征进行空间特性提取,利用BiLSTM对MFCC音频特征进行时序特性提取,建立了BCNnet(BILSTM CNN network)模型。文章收集并建立了一个儿童肺音数据集,在该数据集上,所提方法平均准确率可达75.3%,与以声谱图为输入的CNN(并行池化)模型相比,准确率提高了3.7个百分点,且在模型大小和识别速度上均有改善。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%。
