电离层延迟是全球卫星导航定位中重要的误差源之一,提高电离层总电子含量(Total Electron Content,TEC)预报精度对改善卫星导航定位精度极其重要.本文联合滑动窗口(Sliding Window)和长短时记忆(Long-Short-Term Memory,LSTM)神经网络,...电离层延迟是全球卫星导航定位中重要的误差源之一,提高电离层总电子含量(Total Electron Content,TEC)预报精度对改善卫星导航定位精度极其重要.本文联合滑动窗口(Sliding Window)和长短时记忆(Long-Short-Term Memory,LSTM)神经网络,以滑动窗口算法对输入序列数据集不断更新并测试不同输入序列长度对应模型的精度,最后以预测值来更新输入数据序列的最后10%,进而构建TEC预报模型SLSTM(Sliding Window on Long-Short-Term Memory).验证结果表明,该模型在平静期和磁暴期预测残差绝对值小于5TECU的比例均达85%以上,较传统LSTM模型对应值占比增加了49%,71%,均方根误差(RMSE)低31%,35%;其预报结果的平均绝对误差(MAE)减少25%,32%;SLSTM模型预测结果的RMSE均值、MAE均值均比传统LSTM模型、BP模型小.展开更多
脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成...脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。展开更多
随着国民生活水平的提高,越来越多的人投身于股票市场.为了科学有效地量化选股,通过将量化投资、深度学习及文本分析进行有机结合,来建立量化选股模型.首先,通过文本分析筛选出基本面利好的股票;然后,通过长短期记忆(long-short term me...随着国民生活水平的提高,越来越多的人投身于股票市场.为了科学有效地量化选股,通过将量化投资、深度学习及文本分析进行有机结合,来建立量化选股模型.首先,通过文本分析筛选出基本面利好的股票;然后,通过长短期记忆(long-short term memory,LSTM)选出预测准确度良好的股票;最后,预测所选出的股票在未来几天的股价趋势.在实证分析方面,通过本模型对部分股票进行运算,选取预测效果较好的股票:赢合科技.展开更多
文摘电离层延迟是全球卫星导航定位中重要的误差源之一,提高电离层总电子含量(Total Electron Content,TEC)预报精度对改善卫星导航定位精度极其重要.本文联合滑动窗口(Sliding Window)和长短时记忆(Long-Short-Term Memory,LSTM)神经网络,以滑动窗口算法对输入序列数据集不断更新并测试不同输入序列长度对应模型的精度,最后以预测值来更新输入数据序列的最后10%,进而构建TEC预报模型SLSTM(Sliding Window on Long-Short-Term Memory).验证结果表明,该模型在平静期和磁暴期预测残差绝对值小于5TECU的比例均达85%以上,较传统LSTM模型对应值占比增加了49%,71%,均方根误差(RMSE)低31%,35%;其预报结果的平均绝对误差(MAE)减少25%,32%;SLSTM模型预测结果的RMSE均值、MAE均值均比传统LSTM模型、BP模型小.
文摘脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。
文摘随着国民生活水平的提高,越来越多的人投身于股票市场.为了科学有效地量化选股,通过将量化投资、深度学习及文本分析进行有机结合,来建立量化选股模型.首先,通过文本分析筛选出基本面利好的股票;然后,通过长短期记忆(long-short term memory,LSTM)选出预测准确度良好的股票;最后,预测所选出的股票在未来几天的股价趋势.在实证分析方面,通过本模型对部分股票进行运算,选取预测效果较好的股票:赢合科技.
