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2,724篇文章
< 1 2 … 137 >
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：
基于改进长短期记忆网络模型的水库库区水温模拟 被引量：1
1
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 被引量：1
2
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
3
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
4
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
基于长短期记忆网络的共享单车真实需求预测方法
5
作者 周瑜 张梦蝶 《科学技术与工程》 北大核心 2025年第1期394-403,共10页
共享单车是城市交通的重要组成部分。共享单车用户需求的随机性导致其时空需求不均衡,甚至出现“借车难”现象,无法满足高峰时段的用户需求。因此出现高频用户高频出行时段到临近站点借车的现象,这意味着存在隐性需求。对于隐性需求,首... 共享单车是城市交通的重要组成部分。共享单车用户需求的随机性导致其时空需求不均衡,甚至出现“借车难”现象,无法满足高峰时段的用户需求。因此出现高频用户高频出行时段到临近站点借车的现象,这意味着存在隐性需求。对于隐性需求,首先应用租借数和归还数刻画站点状态变化,通过挖掘临近站点用户出行情况判断参考站点的临界状态,建立基于站点状态变化图和需求判定模型确定站点的隐性需求。进而依据站点真实需求,建立长短期记忆(long short-term memory,LSTM)网络预测模型,并建立基于真实需求的共享单车区域调度模型。该模型以成本最小为目标,通过遗传算法求解得到调度成本最小的路径,为基于真实需求开展平衡调度提供了参考。结果显示,在相近的运输成本下,真实需求下的调度方式能在一定程度上缓解用户借车难的问题,从而减少高频用户的流失。 展开更多
关键词 共享单车 需求预测 隐性需求 长短期记忆 调度优化
在线阅读 下载PDF
基于长短期记忆网络的区间不确定性动态载荷识别方法
6
作者 王磊 程辽辽 +2 位作者 胡举喜 顾凯旋 刘英良 《应用数学和力学》 北大核心 2025年第8期959-972,共14页
针对传统神经网络在处理时间依赖性动态过程和含噪数据时的不稳定性问题,提出了一种基于长短期记忆网络动态力重构方法.测量响应信号经噪声污染后,被归一化为输入变量;而归一化的动态载荷则作为输出变量.长短期记忆网络的实现方法被采用... 针对传统神经网络在处理时间依赖性动态过程和含噪数据时的不稳定性问题,提出了一种基于长短期记忆网络动态力重构方法.测量响应信号经噪声污染后,被归一化为输入变量;而归一化的动态载荷则作为输出变量.长短期记忆网络的实现方法被采用.为了提高网络的泛化能力,不同类型的动力响应和原始载荷被定义为每个时刻的样本结构.考虑区间不确定性,在传统配点法的基础上调整配点策略得到逐维法,在研究某一维度不确定性变量时固定其他维度,可以高精度地解决区间变量相互独立的不确定性载荷识别问题.最后,采用数值算例与传统神经网络(BP神经网络)对比,表征长短期记忆网络在含噪数据的处理上更为稳定,设计试验证实了对于时间依赖性的数据,该方法的有效性和可行性. 展开更多
关键词 长短期记忆网络 逐维法 载荷识别 区间不确定性
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
7
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
一种基于频域内推理计算的长短期记忆神经网络硬件加速器设计
8
作者 靳松 陈诗琪 《计算机学报》 北大核心 2025年第8期1781-1794,共14页
长短期记忆神经网络(Long Short-Term Memory,LSTM)可以捕捉到序列数据间长距离的依赖关系,因此在时间序列预测、自然语言分析和语音识别等领域得到广泛应用。然而,LSTM网络独特的门控机制和状态更新过程导致其推理计算的复杂度较高,参... 长短期记忆神经网络(Long Short-Term Memory,LSTM)可以捕捉到序列数据间长距离的依赖关系,因此在时间序列预测、自然语言分析和语音识别等领域得到广泛应用。然而,LSTM网络独特的门控机制和状态更新过程导致其推理计算的复杂度较高,参数量较大,对其在资源受限的边缘设备上的部署形成挑战。本文提出一种基于频域内推理计算的长短期记忆神经网络硬件加速器设计。采用循环分块矩阵对网络的权重参数进行压缩存储,结合快速傅里叶变换(Fast Fourier Transform,FFT)和频域激活函数实现频域内网络推理计算,避免在处理不同时间样本时频繁的时域-频域切换开销。采用坐标旋转数字计算机算法(Coordinate Rotation Digital Computer,CORDIC)替换频域内的乘法运算和超函数计算,实现LSTM的低功耗硬件部署。提出的硬件加速器在PYNQ-Z2开发板上进行了原型实现。面向开源时间序列数据集的实验结果表明,加速器实现了63.6μs的网络平均推理延迟,功耗1.743 W,相比时域LSTM推理计算延迟降低了44.2%,功耗降低6.4%。同时,BRAM和FIFO的资源占用率仅为5%和2%,相比时域LSTM推理计算分别降低了83%和91.2%。 展开更多
关键词 长短期记忆神经网络 分块循环矩阵 坐标旋转数字计算机 频域推理计算 快速傅里叶变换
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：2
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：2
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
基于时序感知和长短期兴趣融合的序列推荐 被引量：1
11
作者 侯亚飞 荀亚玲 +1 位作者 杨海峰 李砚峰 《计算机工程与设计》 北大核心 2025年第3期804-811,共8页
针对序列推荐模型对用户长期兴趣建模过程中,并未考虑与侧边信息的深度联系以及常常忽略用户近期内的多次交互行为的问题,提出一种基于时序感知和长短期兴趣融合的序列推荐方法。结合项目的侧边信息,设计全新的虚拟类目的自由路由机制... 针对序列推荐模型对用户长期兴趣建模过程中,并未考虑与侧边信息的深度联系以及常常忽略用户近期内的多次交互行为的问题,提出一种基于时序感知和长短期兴趣融合的序列推荐方法。结合项目的侧边信息,设计全新的虚拟类目的自由路由机制对用户的长期兴趣进行建模,增强模型对用户长期行为的建模能力。考虑用户近期内的多次交互并结合属性预测,提升模型对用户短期行为的建模效果。在3个公开数据集上的实验结果表明,各项评估性能均优于其它序列推荐模型。 展开更多
关键词 推荐系统 序列推荐 自注意力机制 长短期兴趣编码 自由路由 时序感知 项目属性
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
12
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
13
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
14
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
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
15
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
基于时间卷积网络和长短期记忆网络的混合模型海面温度预测研究
16
作者 赵煜 王律钧 +1 位作者 姚志刚 陈文凯 《中国海洋大学学报(自然科学版)》 北大核心 2025年第9期147-157,共11页
本研究提出了一种基于时间卷积网络(TCN)和长短期记忆网络(LSTM)的混合模型——TCN-LSTM,以提高海表温度(SST)的预测精度。通过在四个海洋站的敏感性实验,分析了超参数对模型稳定性的影响。通过控制迭代次数、TCN卷积核数量和LSTM神经... 本研究提出了一种基于时间卷积网络(TCN)和长短期记忆网络(LSTM)的混合模型——TCN-LSTM,以提高海表温度(SST)的预测精度。通过在四个海洋站的敏感性实验,分析了超参数对模型稳定性的影响。通过控制迭代次数、TCN卷积核数量和LSTM神经元数量等关键参数,并运用方差分析(ANOVA)方法,本文发现所有p值均大于0.05,这表明不同参数对平均绝对百分比误差(MAPE)的影响不显著,支持了模型的相对稳定性。TCN-LSTM模型结合了TCN在局部特征提取和LSTM在捕获长期依赖关系方面的优势,使其能够有效学习SST数据中的重要特征。在未来7 d的海面温度预测中,TCN-LSTM模型展现出优越的适应性和泛化能力,其相关评价指标表现优异。此外,通过比较不同超参数组合下的预测性能,验证了模型的一致性与可靠性。本研究为SST预测提供了一种新颖的方法论框架,尽管主要集中于单变量时间序列模型,但未来研究将考虑多变量模型和时空特征提取,以进一步提升整体预测精度。 展开更多
关键词 海温预测 深度学习模型 时间卷积网络 长短期记忆网络
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
17
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
HGNM:基于长短期流图及混合图神经网络的饱和攻击检测方法
18
作者 李佳松 崔允贺 +3 位作者 申国伟 郭春 陈意 蒋朝惠 《计算机工程》 北大核心 2025年第8期215-226,共12页
软件定义网络(SDN)的控制平面与数据平面解耦,该特性使其广泛应用于数据中心、物联网、云网络等大规模网络场景中。然而,这种解耦的网络架构也使其面临饱和攻击的挑战。基于图神经网络(GNN)检测饱和攻击是SDN中的研究热点,但目前GNN中... 软件定义网络(SDN)的控制平面与数据平面解耦,该特性使其广泛应用于数据中心、物联网、云网络等大规模网络场景中。然而,这种解耦的网络架构也使其面临饱和攻击的挑战。基于图神经网络(GNN)检测饱和攻击是SDN中的研究热点,但目前GNN中常用的k近邻(k-NN)图忽略了短期流特征,无法有效聚合节点信息,使模型不能充分利用流的时间特征。为利用流的长短期特征提高饱和攻击检测精度,提出一种基于长短期流图及混合GNN的饱和攻击检测方法HGNM。该方法通过设置2个采样时间来收集流的长短期特征,同时基于灰色关联系数设计一种长短期流图生成方法LSGH以构建长短期流图,使流图包含流的全部特征。此外,设计一种混合GNN模型GU-GCN,通过并联GRU与GCN来获取流的时间特征与空间特征,从而提高模型检测饱和攻击的精度。实验结果表明:在生成图上,相比于k-NN算法和CRAM算法,LSGH方法能有效提高模型的检测精度;与其他模型相比,GU-GCN模型在准确率、精确率、召回率、F1值、ROC曲线、PR曲线、混淆矩阵方面都有性能提升。 展开更多
关键词 软件定义网络 饱和攻击检测 图神经网络 长短期流图 灰色关联系数
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
19
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
混合变分模态长短期记忆网络水库表面位移形变预测
20
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
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 2 … 137 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部