随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦...随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦变换捕获频率特征,捕捉数据的周期性和趋势;通过BiLSTM模型预测结果,利用公开数据集对PM2.5浓度预测模型性能进行评估并验证。实验结果表明,多变量FD-BiLSTM模型能有效捕捉影响空气质量的复杂关系,可以实现更准确的PM2.5浓度预测。展开更多
传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automati...传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.展开更多
火灾发生时烟气流动与温度分布预测是建筑和消防领域中的热门技术。针对现有的火灾烟气流动与温度分布预测工作烦琐、预测准确度低的现状,提出基于趋势特征向量的火灾烟气流动与温度分布预测模型,用深度学习方法进行相关数据的训练与预...火灾发生时烟气流动与温度分布预测是建筑和消防领域中的热门技术。针对现有的火灾烟气流动与温度分布预测工作烦琐、预测准确度低的现状,提出基于趋势特征向量的火灾烟气流动与温度分布预测模型,用深度学习方法进行相关数据的训练与预测,对揭示火灾发生及其发展规律有重要意义,可为火灾扑救和人员疏散提供辅助信息。所提模型能够抽取火灾时间序列数据中的趋势特征,并将这些特征作为先验知识来加速和优化深度神经网络的训练过程。文中还设计了LSTM-TFV(LSTM based on Trend Feature Vector)算法。实验结果表明,所提预测模型提高了火灾烟气流动与温度分布预测的准确度,实现了高效且方便的火灾时间序列数据预测。展开更多
文摘随着社会迅速发展,空气污染对人类健康构成严重威胁。为有效预防,提出了基于频率域信息与双向长短期记忆(Frequency-Domain Information Bidirectional Long Short-Term Memory, FD-BiLSTM)神经网络的PM2.5浓度预测模型。利用离散余弦变换捕获频率特征,捕捉数据的周期性和趋势;通过BiLSTM模型预测结果,利用公开数据集对PM2.5浓度预测模型性能进行评估并验证。实验结果表明,多变量FD-BiLSTM模型能有效捕捉影响空气质量的复杂关系,可以实现更准确的PM2.5浓度预测。
文摘传统的Pareto支配关系在高维目标空间存在固有缺陷,而一些改进的支配方法在平衡高维目标解群的收敛性与多样性上尚有提升空间.基于此,提出一种参考向量关联区域(小生境)自动缩减的支配关系A2R(dominance relation based on the Automatically reduced region Associated with the Reference vector).该支配方法在进化全过程中逐代缩减小生境规模,从而实现收敛性与多样性自动平衡,而且不引入额外参数.另外,提出利用基于L_(p)-范式(p=1/M,M为目标数)的拥挤距离度量高维目标解群的多样性.将上述两种策略嵌入到经典的NSGA-II(Nondominated Sorting Genetic Algorithm II)框架,设计一种基于A2R支配关系的高维多目标进化算法MaOEA/A2R(Many-Objective Evolutionary Algorithm base on A2R).该算法与其他5种代表性的高维多目标进化算法一同在5-、10-、15-和20-目标的DTLZ(benchmark MOP proposed by Deb,Thiele,Lau-manns,and Zitzler)和WFG(benchmark MOP pro-posed by Walking Fish Group)基准测试问题上进行IGD(Inverted Generational Distance)和HV(Hyper Volume)性能测试.结果表明,MaOEA/A2R算法总体上具有较好的收敛性和多样性.由此表明,MaOEA/A2R是一种颇具前景的高维多目标进化算法.
文摘火灾发生时烟气流动与温度分布预测是建筑和消防领域中的热门技术。针对现有的火灾烟气流动与温度分布预测工作烦琐、预测准确度低的现状,提出基于趋势特征向量的火灾烟气流动与温度分布预测模型,用深度学习方法进行相关数据的训练与预测,对揭示火灾发生及其发展规律有重要意义,可为火灾扑救和人员疏散提供辅助信息。所提模型能够抽取火灾时间序列数据中的趋势特征,并将这些特征作为先验知识来加速和优化深度神经网络的训练过程。文中还设计了LSTM-TFV(LSTM based on Trend Feature Vector)算法。实验结果表明,所提预测模型提高了火灾烟气流动与温度分布预测的准确度,实现了高效且方便的火灾时间序列数据预测。
