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1,267篇文章
< 1 2 … 64 >
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：
基于麻雀搜索算法和长短期记忆神经网络的轨道交通站点客流预测
1
作者 张开雯 何勇 +1 位作者 余家香 陈林 《四川师范大学学报（自然科学版）》 CAS 2025年第1期105-113,共9页
准确的短时客流预测可以为城市轨道交通的良好运营提供保障,但轨道交通的短时客流具有非线性和高随机性等特点,为了提高对短时客流的预测精度,提出将ISSA算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度... 准确的短时客流预测可以为城市轨道交通的良好运营提供保障,但轨道交通的短时客流具有非线性和高随机性等特点,为了提高对短时客流的预测精度,提出将ISSA算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度慢,容易陷入局部最优解的问题,引入黄金莱维飞行策略,通过动态调整探索者移动步长的方法,使得它在未知范围内搜索时,能够覆盖更大的范围,提高SSA算法全局搜索的能力.通过使用ISSA算法对LSTM模型的隐含层、学习率和迭代次数的神经元个数进行优化,构建ISSA-LSTM组合预测模型,用于城市轨道交通短时客流的预测.将该模型与BP、LSTM和SSA-LSTM等3种短时客流预测模型进行对比,结果表明:在针对工作日和非工作日客流的预测中,ISSA-LSTM模型预测误差最小,具有较好的预测效果. 展开更多
关键词 短时客流预测 改进麻雀搜索算法 长短时记忆神经网络 组合模型
下载PDF
基于长短时记忆神经网络的励磁涌流与故障电流识别方法 被引量：1
2
作者 张国栋 刘凯 +2 位作者 蒲海涛 姚福强 张帅帅 《上海交通大学学报》 EI CAS CSCD 北大核心 2024年第5期730-738,共9页
变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真... 变压器空载合闸时产生励磁涌流导致差动保护误动作的问题至今仍未能被完全解决.针对该问题,提出一种利用长短时记忆(LSTM)神经网络识别励磁涌流与故障电流的方法.首先,在PSCAD软件平台上搭建变压器空载合闸及内部故障仿真模型,通过仿真产生大量三相电流瞬时采样数据作为训练神经网络的样本集;然后,利用Keras平台搭建LSTM神经网络模型并完成训练;最后,利用新的仿真数据和现场故障录波数据对训练好的LSTM神经网络进行测试.结果表明LSTM神经网络可以快速准确地区分各种情况下的励磁涌流和故障电流,从而证实该方法的有效性. 展开更多
关键词 变压器差动保护 长短时记忆神经网络 励磁涌流识别 故障电流识别
下载PDF
基于改进灰狼算法优化双向长短时记忆神经网络的水冷壁壁温预测 被引量：1
3
作者 詹毅 冯磊华 +1 位作者 杨锋 钟信 《热力发电》 CAS CSCD 北大核心 2024年第1期188-196,共9页
提出一种基于改进灰狼(MGWO)算法优化双向长短时记忆(BiLSTM)神经网络的水冷壁壁温预测模型,灰狼算法采用非线性因子调整策略、自适应位置更新策略和动态权重修改策略进行改进以提升算法的全局寻优能力,利用改进灰狼算法优化BiLSTM模型... 提出一种基于改进灰狼(MGWO)算法优化双向长短时记忆(BiLSTM)神经网络的水冷壁壁温预测模型,灰狼算法采用非线性因子调整策略、自适应位置更新策略和动态权重修改策略进行改进以提升算法的全局寻优能力,利用改进灰狼算法优化BiLSTM模型的隐藏层数量、学习率和正则化参数以提高模型的预测精度,采用新疆某电厂的数据进行预测仿真,结果表明:改进后的算法预测精度更高,在机组升、降负荷时,均可以预测到壁温的变化趋势,模型的平均均方根误差相比于长短时记忆(LSTM)神经网络、BiLSTM模型分别降低了9.86%和3.69%,且可以提前预测到水冷壁壁温的超温情况,对于预防水冷壁超温有重要意义。 展开更多
关键词 水冷壁 壁温预测 双向长短时记忆神经网络 改进灰狼算法 自适应位置更新
下载PDF
基于时空长短时记忆神经网络的地基云图预测算法
4
作者 吴现 吐松江·卡日 +3 位作者 王海龙 马小晶 李振恩 邵罗 《计算机工程》 CAS CSCD 北大核心 2024年第3期298-305,共8页
针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信... 针对传统云运动轨迹预测方法存在的预测精度差、空间结构细节信息丢失等问题,提出一种基于时空长短时记忆(ST-LSTM)神经网络的地基云图预测模型。首先使用卷积编码网络提取输入视频流的高维图像特征;然后在特征提取模型中对图像潜在信息进行多分支获取,一部分使用ST-LSTM神经网络提取不同帧之间的时空特征,另一部分将图像序列进行分解,并通过基于门控机制的记忆融合网络来获取分解后图像中的结构细节信息;最后将得到的分支特征进行组合后经过解码网络输出最终的预测视频流。在地基云图、Moving MNIST和Human 3.6M数据集上的实验结果表明,在图像预测准确率、结构细节信息保留效果以及人眼主观感受上,该预测模型均优于对比模型。与基准模型TaylorNet相比,所提模型在Moving MNIST数据集上均方误差指标和平均绝对误差指标分别降低15.7%和11.8%,在地基云图数据集上,其结构相似性指标与峰值信噪比指标分别提升1%和3.2%,且生成的视频流数据更为清晰,能够更准确地描述云层未来的运动状况,从而更可靠地预测光伏电站未来的输出功率。 展开更多
关键词 深度学习 视频预测 地基云图 麦克劳林展开 时空长短时记忆神经网络
下载PDF
基于长短时记忆神经网络易损性分析的适用性研究 被引量：1
5
作者 王睿 杨建荣 《四川建筑科学研究》 2024年第2期9-15,共7页
桥梁的损坏或失效可能导致严重的人员伤亡和巨大的经济损失。因此,对桥梁的破坏损失和地震性能进行准确的定量评估至关重要。为了实现这一目标,通常会采用构建易损性曲线的方法。易损性曲线表征在给定地震动强度下,桥梁部件或结构达到... 桥梁的损坏或失效可能导致严重的人员伤亡和巨大的经济损失。因此,对桥梁的破坏损失和地震性能进行准确的定量评估至关重要。为了实现这一目标,通常会采用构建易损性曲线的方法。易损性曲线表征在给定地震动强度下,桥梁部件或结构达到或超过某一破坏程度的条件概率。采用桥墩位移延性比作为损伤指标,利用长短时记忆(long short-term memory,简称LSTM)神经网络成功地建立了桥梁地震易损性曲线。研究结果表明,该模型展现了高计算效率和精度,可快速而准确地预测地震作用下桥梁结构构件的损伤指标。 展开更多
关键词 桥梁抗震 地震易损性 长短时记忆神经网络 有限元分析
下载PDF
基于长短时记忆神经网络的Multi-GNSS卫星钟差建模预报 被引量：1
6
作者 蒋春华 朱美珍 +1 位作者 薛慧杰 刘广盛 《大地测量与地球动力学》 CSCD 北大核心 2024年第3期257-262,共6页
针对卫星钟差预报中二次多项式模型存在易受噪声干扰、预报精度不高的问题,构建一种基于长短时记忆神经网络的multi-GNSS卫星钟差预报模型,并分析不同卫星系统、不同钟类型基于不同建模方案的模型精度。为验证该模型的有效性和可行性,利... 针对卫星钟差预报中二次多项式模型存在易受噪声干扰、预报精度不高的问题,构建一种基于长短时记忆神经网络的multi-GNSS卫星钟差预报模型,并分析不同卫星系统、不同钟类型基于不同建模方案的模型精度。为验证该模型的有效性和可行性,利用LSTM模型、QP模型、QP-LSTM模型分别基于12 h和24 h钟差序列进行建模,预报1 h、3 h、6 h、12 h钟差。结果表明,LSTM模型建模24 h、预报1 h精度最高。multi-GNSS卫星钟差LSTM预报模型中Galileo系统精度最高,其次为BDS-2系统和GPS系统,GLONASS系统精度最低,精度分别为0.018 ns、0.069 ns、0.133 ns、0.242 ns。不同原子钟预报精度不同,氢原子钟预报精度优于铷原子钟、铯原子钟。LSTM神经网络模型预报精度相较于QP-LSTM模型提升27%,相较于QP模型提升36%。 展开更多
关键词 长短时记忆神经网络(lstm) 二次多项式模型 QP-lstm模型 multi-GNSS卫星钟差预报
下载PDF
基于LSTM神经网络的现地烈度实时估算模型——以JMA烈度为例 被引量：1
7
作者 李山有 肖莹 +3 位作者 卢建旗 谢志南 马强 陶冬旺 《世界地震工程》 北大核心 2024年第3期37-45,共9页
如何快速并且准确估计目标场点烈度是地震预警中的关键问题。常用基于衰减关系的场点烈度估计和基于P波信息的现地烈度估计往往存在大震烈度低估的问题。本文提出了一种基于长短时记忆神经网络(logn short-term memery,LSTM)的现地JMA... 如何快速并且准确估计目标场点烈度是地震预警中的关键问题。常用基于衰减关系的场点烈度估计和基于P波信息的现地烈度估计往往存在大震烈度低估的问题。本文提出了一种基于长短时记忆神经网络(logn short-term memery,LSTM)的现地JMA烈度持续估计模型。该模型以现地观测地震动的能量、能量增长率、地震动卓越周期和震源距作为输入,以该点的最大仪器地震烈度为预测目标。选取了日本K-NET台网记录101次地震数据作为训练集,94次地震数据作为测试集,训练了现地烈度估算LSTM神经网络模型。结果表明:在采用3 s时窗长度的序列进行预测时,高估的比例为1.51%,低估的比例为4.00%;并且,随着时窗长度的增加,高估和低估的比例也在不断降低。模型对高烈度(大于等于4.5度)样本的预测时效性随震源距的增加而增加,对大震远场高烈度区域能提供20 s以上的预警时间。 展开更多
关键词 地震预警 现地预警 长短时记忆神经网络 实时减灾 烈度估计
下载PDF
基于改进型小龙虾算法优化CNN-LSTM神经网络的锂电池SOH估计
8
作者 刘铠玮 张道涵 +3 位作者 田东红 陈金康 沈月 彭思敏 《电气应用》 2025年第3期97-105,共9页
电池健康状态(SOH)可定量描述电池当前的老化性能状态,为电池的使用和维护提供了重要参考依据,但电池容量再生现象和超参数敏感问题易影响其估计准确度。首先,从电池充放电曲线中提取健康特征,并定量分析其与SOH的相关性。然后,针对基... 电池健康状态(SOH)可定量描述电池当前的老化性能状态,为电池的使用和维护提供了重要参考依据,但电池容量再生现象和超参数敏感问题易影响其估计准确度。首先,从电池充放电曲线中提取健康特征,并定量分析其与SOH的相关性。然后,针对基于循环神经网络的单一模型在处理电池老化与健康特征之间的长期依赖关系时存在难以捕捉复杂老化模式的局限性,提出了一种基于卷积神经网络(CNN)与长短时记忆网络(LSTM)相结合的深度学习方法,以更准确地预测电池容量再生现象及估计电池SOH。最后,提出了一种改进型小龙虾算法,以解决神经网络模型超参数敏感的问题。以NASA数据集为例,通过与LSTM和CNN-LSTM算法的仿真及实验数据对比分析表明,所提出的SOH估计算法的MAE和RMSE均小于0.75%。 展开更多
关键词 锂电池 健康状态 卷积神经网络 长短时记忆网络 改进型小龙虾算法
原文传递
阀控液压马达位置伺服系统长短时记忆神经网络预测抗扰反步控制 被引量：1
9
作者 柴凌云 栾海英 +2 位作者 刘增元 沈洲 任翔 《液压与气动》 北大核心 2024年第8期128-136,共9页
针对阀控液压马达位置伺服系统中存在的时滞性与摩擦非线性问题,设计了一种长短时记忆神经网络预测抗扰反步控制器。该控制器通过引入长短时记忆神经网络对当前位置轨迹进行预测,并将预测值反馈给控制器对系统时滞进行直接补偿。对于系... 针对阀控液压马达位置伺服系统中存在的时滞性与摩擦非线性问题,设计了一种长短时记忆神经网络预测抗扰反步控制器。该控制器通过引入长短时记忆神经网络对当前位置轨迹进行预测,并将预测值反馈给控制器对系统时滞进行直接补偿。对于系统中难以建模的摩擦非线性,将其视为扰动,通过设计扩张状态观测器进行估测,并使用反步法对估测得到的总扰动进行补偿。最后,在Simulink中搭建长短时记忆神经网络预测抗扰反步控制算法进行仿真验证,并与径向基函数滑模控制算法、反步控制算法和自抗扰控制算法进行对比,证明其在对含有时滞及摩擦非线性的阀控液压马达位置伺服系统进行控制时,具有较快的响应速度及较好的跟踪性能。 展开更多
关键词 阀控液压马达位置系统 长短时记忆神经网络 反步控制 扩张状态观测器
下载PDF
基于改进LSTM循环神经网络的装备故障预测方法
10
作者 王龙 宋卫星 +1 位作者 张鑫 武婧婧 《火力与指挥控制》 北大核心 2025年第2期55-61,69,共8页
着眼解决装备故障预测难度大、精度低,影响装备维修期确定及装备维修资源筹措的现实矛盾,在总结分析现有装备故障预测研究的基础上,针对装备故障数据时序性强的特点,引用当前最新流行、对时序数据处理效果最好的LSTM算法,提出一种基于改... 着眼解决装备故障预测难度大、精度低,影响装备维修期确定及装备维修资源筹措的现实矛盾,在总结分析现有装备故障预测研究的基础上,针对装备故障数据时序性强的特点,引用当前最新流行、对时序数据处理效果最好的LSTM算法,提出一种基于改进LSTM循环神经网络的装备故障数量预测方法。对网络结构进行详细设计,给出了网络训练和网络预测的实现算法,融合果蝇算法求解效率高的优势对网络参数进行优选,并利用某型装备故障发生的实际数据进行实验,与BP神经网络、广义回归神经网络、小波神经网络、压缩和激励网络等预测模型进行性能对比,证明方法效果良好,为科学预测装备故障数量、提高装备维修效益提供了一种有效方法。 展开更多
关键词 长短时记忆神经网络 装备故障预测 神经网络 果蝇算法
下载PDF
基于图嵌入长短时记忆神经网络的非线性动态过程监控与诊断
11
作者 宋万军 赵丰年 +1 位作者 白龙 周建国 《控制工程》 CSCD 北大核心 2024年第4期601-607,共7页
针对复杂工业过程存在的非线性、动态性,以及故障标签难获取等特征,提出一种图嵌入长短时记忆神经网络在线监控与故障诊断方法。首先,对正常工况下采集的多维时序数据进行图嵌入,获得结构信息。其次,采用图注意力神经网络融合结构信息,... 针对复杂工业过程存在的非线性、动态性,以及故障标签难获取等特征,提出一种图嵌入长短时记忆神经网络在线监控与故障诊断方法。首先,对正常工况下采集的多维时序数据进行图嵌入,获得结构信息。其次,采用图注意力神经网络融合结构信息,并将融合后的结构信息输入用于预测的长短时记忆神经网络中。最后,提出一种新的基于预测误差指标的非线性动态过程在线监控方法和基于因果分析图的故障诊断方法。采用田纳西-伊斯曼数据集进行实验验证,结果表明了所提方法的有效性。 展开更多
关键词 过程监控 故障诊断 图嵌入 长短时记忆神经网络
原文传递
基于改进型CNN-LSTM神经网络的光伏功率预测
12
作者 陆徐丹 沈宏晔 《计算机时代》 2025年第2期16-20,共5页
随着可再生能源需求增长,光伏发电因清洁低碳受到关注,但其功率输出受天气影响较大,预测存在不确定性,影响电网稳定性与经济效益。本文提出一种改进型卷积神经网络与长短时记忆网络相结合的混合模型,通过CNN提取空间特征,LSTM捕捉时间... 随着可再生能源需求增长,光伏发电因清洁低碳受到关注,但其功率输出受天气影响较大,预测存在不确定性,影响电网稳定性与经济效益。本文提出一种改进型卷积神经网络与长短时记忆网络相结合的混合模型,通过CNN提取空间特征,LSTM捕捉时间序列中的长期依赖,提高光伏功率预测精度。基于多组真实数据集的实验表明,该模型在均方根误差与平均绝对百分比误差等指标上显著优于传统方法,为电网调度优化和光伏系统经济性提升提供了技术支持。 展开更多
关键词 卷积神经网络 长短时记忆网络 光伏发电 预测精度
下载PDF
基于LSTM神经网络的长周期负载预测系统设计与实现
13
作者 吕家欣 《软件》 2025年第1期94-96,共3页
本文设计并实现了一种基于长短期记忆(LSTM)神经网络的长周期负载预测系统,通过自动数据采集、模型训练优化、负载预测和可视化展示,实现了多时间跨度的高精度预测。系统采用高性能GPU、企业级存储和高带宽网络设备,支持高效训练和实时... 本文设计并实现了一种基于长短期记忆(LSTM)神经网络的长周期负载预测系统,通过自动数据采集、模型训练优化、负载预测和可视化展示,实现了多时间跨度的高精度预测。系统采用高性能GPU、企业级存储和高带宽网络设备,支持高效训练和实时预测。通过功能和性能测试验证了系统的稳定性和可靠性,表明其在高并发环境下具有良好的扩展性和应用潜力。 展开更多
关键词 长短期记忆(lstm)神经网络 长周期 负载预测系统
下载PDF
基于长短时记忆神经网络的非侵入式电力负荷辨识方法
14
作者 洪亮 朱玲玲 +2 位作者 詹文 周亚娟 兰越前 《自动化应用》 2024年第12期74-76,共3页
常规的非侵入式电力负荷辨识方法忽略了暂态特征对负荷辨识的影响,为此,设计了基于长短时记忆神经网络的非侵入式电力负荷辨识方法。提取非侵入式电力负荷特征,采集电流、电压、功率信号,获取暂态负荷特征与稳态负荷特征。基于长短时记... 常规的非侵入式电力负荷辨识方法忽略了暂态特征对负荷辨识的影响,为此,设计了基于长短时记忆神经网络的非侵入式电力负荷辨识方法。提取非侵入式电力负荷特征,采集电流、电压、功率信号,获取暂态负荷特征与稳态负荷特征。基于长短时记忆神经网络辨识电力负荷类别,利用时间特征细分负荷事件,划分负荷事件的区间,得到负荷类型数量,使负荷事件与负荷序列相匹配,从而实现电力负荷的精准辨识。采用对比实验验证了该方法的辨识效果更佳。 展开更多
关键词 长短时记忆神经网络 非侵入式 电力负荷 辨识方法
下载PDF
基于长短时记忆神经网络(LSTM)的钟差预报算法 被引量：2
15
作者 王锐 弓剑军 +1 位作者 杜洪强 武文俊 《宇航计测技术》 CSCD 2022年第5期57-62,共6页
原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络(LSTM)预报算法能够处理多参数长期依赖关系的时间序列预报,以氢钟和铯钟实测数据为样本,通过构建LSTM钟差预报模型,降低了长期原子钟内部噪声以及... 原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络(LSTM)预报算法能够处理多参数长期依赖关系的时间序列预报,以氢钟和铯钟实测数据为样本,通过构建LSTM钟差预报模型,降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响,并以72h, 240h和720h为预报时长,分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明,在240h以上的预报时长中,LSTM建模长期依赖关系的优势得以体现,相较于其他3类模型可以获得更高的预报精度。 展开更多
关键词 钟差预报算法 时间尺度 长短时记忆神经网络
下载PDF
基于长短时记忆卷积神经网络的刀具磨损在线监测模型 被引量：53
16
作者 何彦 凌俊杰 +3 位作者 王禹林 李育锋 吴鹏程 肖圳 《中国机械工程》 EI CAS CSCD 北大核心 2020年第16期1959-1967,共9页
为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络(LSTM-CNN)的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据... 为了提高机械加工过程中刀具磨损在线监测的准确性,提出了一种基于长短时记忆卷积神经网络(LSTM-CNN)的刀具磨损在线监测模型。在该监测模型中,通过振动、力、声发射传感器对刀具切削过程中的振动、力和声发射信号进行采集,采集的数据其本质为时间序列数据。考虑采集数据的序列和多维度特性,采用LSTM-CNN网络对采集的数据进行序列和多维度特征提取,利用线性回归实现特征到刀具磨损值的映射。通过实验验证了该模型的有效性和可行性,模型的精度较其他几种方法有了较大的提高。 展开更多
关键词 刀具磨损监测 长短时记忆神经网络 卷积神经网络 特征提取
下载PDF
基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法 被引量：31
17
作者 张建付 宋雨 +2 位作者 李刚 王传洋 焦亚菲 《计算机测量与控制》 2017年第1期16-19,共4页
风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针... 风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。 展开更多
关键词 风电机组 滚动轴承 故障诊断 回归神经网络 长短时记忆神经网络 小波包变换
下载PDF
基于量子加权长短时记忆神经网络的状态退化趋势预测 被引量：18
18
作者 李锋 陈勇 +2 位作者 向往 王家序 汤宝平 《仪器仪表学报》 EI CAS CSCD 北大核心 2018年第7期217-225,共9页
提出基于量子加权长短时记忆神经网络（QWLSTMNN）的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到... 提出基于量子加权长短时记忆神经网络（QWLSTMNN）的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络（LSTMNN）的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数（即权值量子位和活性值量子位）的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。 展开更多
关键词 量子加权长短时记忆神经网络 量子计算 小波包能量熵误差 趋势预测 旋转机械
原文传递
基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测 被引量：14
19
作者 刘敬贤 高广旭 +1 位作者 刘奕 李宗志 《中国航海》 CSCD 北大核心 2022年第2期56-61,68,共7页
由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural ... 由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练。在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping,DTW)算法构造损失函数,提升模型的预测精度。结果表明:通过与灰色模型(Grey Model,GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)、小波神经网络(Wavelet Neural Network,WNN)、反向传播神经网络(Back Propagation Neural Network,BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型。 展开更多
关键词 船舶交通流量 卷积神经网络 长短时记忆网络 动态时间规整法 组合预测
下载PDF
基于长短时记忆神经网络的潜油电泵故障预警 被引量：5
20
作者 刘广孚 姜霄 +3 位作者 杜玉龙 郭亮 王赛峰 鄢志丹 《中国石油大学学报（自然科学版）》 EI CAS CSCD 北大核心 2022年第5期170-176,共7页
以潜油电泵机组的运行电流为主要判别依据,将长短时记忆神经网络应用于潜油电泵运行状态预测中,对于特征不明显的故障类型,利用潜油电泵井运行电压、运行电流、功率、油压、井口温度和瞬时流量数据预测下一时刻的电流值,并利用单分类支... 以潜油电泵机组的运行电流为主要判别依据,将长短时记忆神经网络应用于潜油电泵运行状态预测中,对于特征不明显的故障类型,利用潜油电泵井运行电压、运行电流、功率、油压、井口温度和瞬时流量数据预测下一时刻的电流值,并利用单分类支持向量机模型来预判潜油电泵机组的运行状态,从而实现潜油电泵的故障预警。最后,利用实际生产数据对模型进行验证。结果表明,所提方法预测准确度较高,可将报警时间提前1 h,实现故障的预警及诊断。 展开更多
关键词 潜油电泵 长短时记忆神经网络 单分类支持向量机 故障预警
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 … 64 下一页 到第 页
使用帮助 返回顶部