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467篇文章
< 1 2 … 24 >
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：
区域化长短期记忆神经网络(LSTM)洪水预报模型研究
1
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
下载PDF
基于长短期记忆网络的半参数SEIR模型
2
作者 张静 金彤 《东北师大学报(自然科学版)》 北大核心 2025年第1期46-52,共7页
提出了带有非线性传播函数的半参数SEIR模型以捕获疾病的传播,从理论上分析了模型的基本性质及基本再生数.以新冠感染为例,比较了各国疫情初期的传播函数,得出不同地区人口、防疫措施等因素对疫情传播的影响不同.以印度为例,利用长短期... 提出了带有非线性传播函数的半参数SEIR模型以捕获疾病的传播,从理论上分析了模型的基本性质及基本再生数.以新冠感染为例,比较了各国疫情初期的传播函数,得出不同地区人口、防疫措施等因素对疫情传播的影响不同.以印度为例,利用长短期记忆(LSTM)神经网络对传播函数的离散值进行了拟合,代回半参数SEIR模型后预测出感染人数,所得结果与经典SEIR模型比较,平均绝对百分比误差降低71.73%.因此,半参数SEIR模型对疫情的理论估计更符合实际情况. 展开更多
关键词 SEIR模型 传播函数 半参数 长短期记忆神经网络 新冠感染
下载PDF
基于长短期记忆神经网络模型的空气质量预测 被引量：15
3
作者 张冬雯 赵琪 +1 位作者 许云峰 刘滨 《河北科技大学学报》 CAS 2020年第1期67-75,共9页
随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以... 随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;P REZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM 2.5浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。 展开更多
关键词 计算机神经网络 空气质量 长短期记忆单元 深度学习 多元线性回归 回归模型
下载PDF
基于长短期记忆神经网络参数辨识的IGBT模块老化判据
4
作者 金声超 罗玮 +2 位作者 暨力 黄晓宏 吴文宝 《电气应用》 2024年第11期96-103,共8页
铝键合线脱落或者断裂是造成IGBT内部失效的主要原因,由于应用者无法观测到模块内部,从而无法正确认识模块的失效情况,安全措施不及时,导致系统发生更严重故障。研究了考虑杂散参数的多芯片封装高压大功率IGBT模块的工作特性,以某品牌... 铝键合线脱落或者断裂是造成IGBT内部失效的主要原因,由于应用者无法观测到模块内部,从而无法正确认识模块的失效情况,安全措施不及时,导致系统发生更严重故障。研究了考虑杂散参数的多芯片封装高压大功率IGBT模块的工作特性,以某品牌三芯片并联结构IGBT模块的内部封装特性作为研究基础,分析了模块工作状态随栅极电容与寄生电感差异变化关系。重点研究了模块内部芯片间铝键合线的寄生参数,构建了基于长短期记忆神经网络的杂散参数辨识方法,提出了一种可快速精确诊断IGBT内部缺陷与失效率的方案。仿真和实验验证了该方案的正确性。 展开更多
关键词 IGBT缺陷/失效 铝键合线 长短期记忆神经网络(lstm) 参数辨识
原文传递
基于长短期记忆神经网络模型的共享单车短时需求量预测 被引量：19
5
作者 曹旦旦 范书瑞 +1 位作者 张艳 夏克文 《科学技术与工程》 北大核心 2020年第20期8344-8349,共6页
共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LS... 共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。 展开更多
关键词 共享单车 网络爬虫 数据分析 长短期记忆(lstm)神经网络 需求预测
下载PDF
基于长短期记忆神经网络的深水钻井工况实时智能判别模型 被引量：15
6
作者 殷启帅 杨进 +4 位作者 曹博涵 龙洋 陈柯锦 范梓伊 贺馨悦 《石油钻采工艺》 CAS 北大核心 2022年第1期97-104,共8页
深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提。传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率。为此,创新性地将机器学习引入... 深水钻井具有高投入、高风险等特点,其工况实时判别是提高钻井时效、减少复杂事故的基础和前提。传统深水钻井作业中,钻井工况主要通过基于编程方式的物理模型与经验模型进行判别,难以保证时效性和正确率。为此,创新性地将机器学习引入深水钻井工况判别全流程,考虑综合录井数据的长时间序列特征,基于长短期记忆神经网络建立了深水钻井工况实时智能判别机器学习模型。通过对29856140行深水综合录井数据预处理,选取钻头深度、井深、大钩高度、钻压、悬重、扭矩、转速、立管压力,共计8个综合录井参数作为输入特征,建立了20隐藏层×70节点的长短期记忆神经网络模型,实现了旋转钻进、滑动钻进、接单根、静止、循环、向下洗井、划眼、向上洗井、倒划眼、起钻、下钻及“其他”,共计12种常见深水钻井工况的实时智能判别,测试集上正确率高达94.09%,满足深水现场作业需求。该模型可实时智能地判别钻井工况,充分验证了长短期记忆神经网络用于钻井工况实时智能判别的可行性与时效性,为钻井时效分析和复杂事故预警提供了机器学习模型基础,并将进一步拓展机器学习在石油工程领域的应用范围。 展开更多
关键词 深水钻井 钻井工况判别 综合录井数据 机器学习模型 长短期记忆神经网络
下载PDF
长短期记忆神经网络在厦门风暴潮预报中的应用 被引量：5
7
作者 苗庆生 徐珊珊 +3 位作者 杨锦坤 杨杨 刘玉龙 余璇 《中国海洋大学学报（自然科学版）》 CAS CSCD 北大核心 2022年第9期10-19,共10页
利用长短期记忆神经网络(LSTM)模型强大的长短期记忆能力,建立厦门风暴潮增水预报的人工神经网络模型。利用信息流理论确定了影响增水的10种因子,分别利用不同因子组合测试了不同模型的表现,确定了表现最佳的因子组合。基于此因子组合,... 利用长短期记忆神经网络(LSTM)模型强大的长短期记忆能力,建立厦门风暴潮增水预报的人工神经网络模型。利用信息流理论确定了影响增水的10种因子,分别利用不同因子组合测试了不同模型的表现,确定了表现最佳的因子组合。基于此因子组合,对比了LSTM模型和常用的BP神经网络模型、SVM模型和线性回归模型,确定了LSTM模型在风暴潮增水上的优势。基于LSTM最佳预测模型预测了1、2、3及6 h风暴潮增水值,并基于三种不同台风路径分析了模型的平均绝对误差、相关系数、有效系数和极值偏差指标。结果显示,LSTM模型在预报风暴潮短期增水有很高精度,可为防灾减灾提供辅助和参考。 展开更多
关键词 风暴潮 信息流 长短期记忆神经网络(lstm) 神经网络 预报
下载PDF
基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测 被引量：44
8
作者 黄凯 丁恒 +1 位作者 郭永芳 田海建 《电工技术学报》 EI CSCD 北大核心 2022年第15期3753-3766,共14页
锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架。选取容量作为... 锂离子电池剩余使用寿命(RUL)可以评估电池的可靠性,是电池健康管理的重要参数。准确地预测电池的RUL可以有效提高设备的安全性并降低工作风险。该文提出一种自适应数据预处理结合长短期记忆神经网络(LSTM)的RUL预测框架。选取容量作为健康因子,数据预处理阶段,首先使用自适应双指数模型平滑方法减少容量回升现象产生的负面影响,然后通过自适应白噪声完整集成经验模态分解(CEEMDAN)对数据进行降噪;模型构建阶段,利用预处理后的数据训练得到用于RUL预测的LSTM模型。以NASA和CALCE公开数据集为研究对象进行算法性能测试,实验结果表明,所提方法鲁棒性好,能够提供精确的RUL预测结果。 展开更多
关键词 锂电池 剩余使用寿命 自适应双指数模型平滑方法 自适应白噪声完整集成经验模态分解 长短期记忆神经网络
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
9
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
基于深度学习长短期记忆神经网络的有色金属期货市场预测研究 被引量：9
10
作者 沈虹 李旭 潘琪 《南京理工大学学报》 CAS CSCD 北大核心 2021年第3期366-374,共9页
为提高金融资产预测能力,该文采用深度学习长短期记忆(LSTM)神经网络模型对上海期货交易所(SHFE)和伦敦金属期货交易所(LME)的铝、铜、镍、铅、锡和锌6种有色金属期货价格分别进行长、短期预测,与传统机器学习多层感知器(MLP)模型以及... 为提高金融资产预测能力,该文采用深度学习长短期记忆(LSTM)神经网络模型对上海期货交易所(SHFE)和伦敦金属期货交易所(LME)的铝、铜、镍、铅、锡和锌6种有色金属期货价格分别进行长、短期预测,与传统机器学习多层感知器(MLP)模型以及线性自回归移动平均(ARIMA)模型进行对比研究。数据源于Wind数据库和国际货币基金组织(IMF)数据库。使用Python深度学习软件模拟预测有色金属期货价格,结果显示:有色金属期货市场长期预测中,LSTM模型的预测表现略逊于ARIMA模型,MLP模型预测效果不理想;短期预测中,LSTM模型的预测结果和ARIMA模型相近,均优于MLP模型;LSTM模型与MLP模型相比,模型的稳定性和预测的精确度都更加出色。LSTM模型可作为ARIMA模型的最优替代之一。 展开更多
关键词 深度学习 长短期记忆模型 神经网络 多层感知器模型 自回归移动平均模型 有色金属 期货市场 价格预测
下载PDF
基于长短期记忆神经网络的罗非鱼生长预测模型
11
作者 安丰和 袁永明 +1 位作者 马晓飞 沈楠楠 《南方农业学报》 CAS CSCD 北大核心 2018年第10期2110-2116,共7页
【目的】通过测定吉富罗非鱼生长指标,建立其生长的长短期记忆神经网络(Long Short-term Memory neural network model,LSTM)模型,分析模型的拟合度和准确度,为罗非鱼的育种和养殖提供参考。【方法】以罗非鱼生长阶段的生长时间、投喂... 【目的】通过测定吉富罗非鱼生长指标,建立其生长的长短期记忆神经网络(Long Short-term Memory neural network model,LSTM)模型,分析模型的拟合度和准确度,为罗非鱼的育种和养殖提供参考。【方法】以罗非鱼生长阶段的生长时间、投喂量及水槽编号3个指标数据作为输入量,通过Dropout和one-hot的方法建立LSTM模型。【结果】模型在训练开始后迅速下降,100次迭代左右,误差下降速度开始逐步减缓,在1000次迭代后,误差开始收敛,数值趋于稳定,稳定值误差在0.0036左右。训练完成的模型对测试集的预测结果相对误差随真实值变大而逐渐变小,真实值较大且稳定时,相对误差较小,整体拟合程度较好。【建议】生长预测模型满足基本生产需求的同时,需增加样本数据的记录采集,建立生长数据库;结合信息平台等技术获取多影响影子数据,增加输入变量,使模型更加完善合理;选择合适的模型,结合预测数据与生产,合理规划上市时间及安排投饲方案等,使养殖利益最大化。 展开更多
关键词 罗非鱼 长短期记忆神经网络模型 生长模型 预测
下载PDF
基于长短期记忆神经网络的吸收塔pH值预测模型 被引量：8
12
作者 崔博洋 王永林 +2 位作者 王云 孙大平 王桦 《华电技术》 CAS 2020年第9期32-36,共5页
火电厂石灰石-石膏湿法脱硫系统中,吸收塔循环浆液的pH值是影响脱硫系统性能的重要参数。因此建立有效的吸收塔pH值预测模型是提高脱硫效率的基础。针对吸收塔系统具有变量多、数据量庞大和变量相关性强的特点,首先对电厂厂级信息监测系... 火电厂石灰石-石膏湿法脱硫系统中,吸收塔循环浆液的pH值是影响脱硫系统性能的重要参数。因此建立有效的吸收塔pH值预测模型是提高脱硫效率的基础。针对吸收塔系统具有变量多、数据量庞大和变量相关性强的特点,首先对电厂厂级信息监测系统(SIS)数据库数据进行特征提取,进行皮尔逊系数相关性分析;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到脱硫吸收塔pH值预测模型。将该模型应用于某超临界330 MW机组燃煤电厂脱硫系统进行吸收塔pH值预测。结果表明提出的LSTM神经网络模型预测均方根误差(RMSE)为0.004,平均绝对误差(MAE)为0.003;测试显示LSTM神经网络模型数据跟踪效果预测结果波动较小,误差较低且模型稳定性较高。 展开更多
关键词 神经网络 预测模型 湿法脱硫 吸收塔pH值 人工智能 长短期记忆 厂级信息监测系统 大数据
下载PDF
长短期记忆神经网络在多时次土壤水分动态预测中的应用 被引量：9
13
作者 范嘉智 谭诗琪 +3 位作者 罗宇 庄翔宇 周伟 罗曼 《土壤》 CAS CSCD 北大核心 2021年第1期209-216,共8页
基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48 h后的土壤体积含水量预测均方根误差(RMSE)分别为0.... 基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48 h后的土壤体积含水量预测均方根误差(RMSE)分别为0.22%、0.28%、0.38%、0.54%,决定系数(R2)分别为0.99、0.99、0.98、0.96,除6 h预测步长外,准确率均优于自回归整合滑动平均(ARIMA)模型,且误差稳定、无异常值出现,预测准确率远优于相关研究。该结果证实了基于LSTM模型精准预测土壤水分动态的可行性,为精准灌溉和干旱预警提供了计算机技术及手段支撑,为政府及科研部门水资源管理政策的制定提供了数据支持。 展开更多
关键词 长短期记忆神经网络(lstm) 土壤体积含水量 气象因子 多时次预测 精准灌溉
下载PDF
基于长短期记忆神经网络的数据中心空调系统传感器故障诊断 被引量：18
14
作者 王路瑶 吴斌 +1 位作者 杜志敏 晋欣桥 《化工学报》 EI CAS CSCD 北大核心 2018年第A02期252-259,共8页
数据中心空调系统的故障直接影响其能耗及运行可靠性。结合深度学习技术,利用长短时间记忆神经网络提出了一种空调系统传感器故障检测与诊断的方法。经实验验证,该方法可通过对液管温度传感器、排气温度传感器分别建立故障诊断模型,成... 数据中心空调系统的故障直接影响其能耗及运行可靠性。结合深度学习技术,利用长短时间记忆神经网络提出了一种空调系统传感器故障检测与诊断的方法。经实验验证,该方法可通过对液管温度传感器、排气温度传感器分别建立故障诊断模型,成功检测出传感器固定偏差故障和漂移偏差故障。对于无故障数据,该方法的检测正确率在90%左右;对于偏差程度大于该方法的最小检测偏差的传感器故障数据,其检测正确率在94%以上。 展开更多
关键词 故障检测与诊断 数据中心 传感器故障 长短期记忆神经网络 算法 模型
下载PDF
基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测 被引量：9
15
作者 郑志伟 管雪元 +2 位作者 傅健 马训穷 尹上 《兵工学报》 EI CAS CSCD 北大核心 2023年第10期2975-2983,共9页
针对弹丸非线性轨迹预测问题,提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型,并使用4阶龙格库塔法外弹道仿真,得到大量轨迹数据样本;提出CNN-LSTM神经网络的混合轨迹预测模... 针对弹丸非线性轨迹预测问题,提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型,并使用4阶龙格库塔法外弹道仿真,得到大量轨迹数据样本;提出CNN-LSTM神经网络的混合轨迹预测模型,并利用滑动窗口法和差分法构造输入输出的轨迹数据对,将预测问题转化为有监督的学习问题;将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明,CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型,为弹丸轨迹预测研究提供了一定的参考。 展开更多
关键词 弹道模型 深度学习 监督学习 卷积神经网络与长短期记忆神经网络模型 轨迹预测
下载PDF
计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测 被引量：14
16
作者 伍骏杰 张倩 +1 位作者 陈凡 李国丽 《科学技术与工程》 北大核心 2022年第12期4828-4834,共7页
精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持... 精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。 展开更多
关键词 短期负荷预测 变分模态分解(VMD) 长短期记忆神经网络(lstm) 支持向量回归(SVR) 误差修正
下载PDF
应用长短期记忆循环神经网络的弱反射信号增强方法 被引量：1
17
作者 隋京坤 陈胜 +1 位作者 郑晓东 胡天跃 《石油地球物理勘探》 EI CSCD 北大核心 2023年第1期1-8,共8页
由于沉积环境的特殊性和复杂性,地下介质中不同反射界面的波阻抗差可能差异巨大。如果储层的有效反射信息较弱,在地震数据中极可能被强反射信息掩盖,不易被识别,影响了储层识别效果,因此亟需一种解释性处理技术突出弱反射信息。常规方... 由于沉积环境的特殊性和复杂性,地下介质中不同反射界面的波阻抗差可能差异巨大。如果储层的有效反射信息较弱,在地震数据中极可能被强反射信息掩盖,不易被识别,影响了储层识别效果,因此亟需一种解释性处理技术突出弱反射信息。常规方法一般是先从地震数据中分离出强反射分量,再将它削弱或删除。但如果地震子波提取不准确,减去法中强反射残留会引入虚假信号。文中提出了一种“升弱降强”的新思路,通过构建幂次反射系数映射模型缩小弱反射信号与强反射信号的相对差异。首先计算测井反射系数的幂次反射系数,将弱反射系数相对增大、强反射系数相对减小,得到拟反射系数序列;再用原始反射系数序列和拟反射系数序列分别与地震子波进行褶积运算,得到合成地震记录和拟合成地震记录,生成训练样本集;然后用该样本集训练长短期记忆(LSTM)循环神经网络,建立合成地震记录与拟合成地震记录的映射关系;最后将该网络应用于地震数据,增强了地震弱反射信号。模型和实际数据应用结果表明,该方法能有效增强地层本身引起的弱反射信号,提高地震数据的储层识别能力。 展开更多
关键词 拟反射系数 长短期记忆(lstm)循环神经网络 弱反射信号增强
下载PDF
基于非负绞杀与长短期记忆神经网络的动态软测量算法 被引量：5
18
作者 孙凯 隋璘 +1 位作者 张芳芳 杨根科 《控制理论与应用》 EI CAS CSCD 北大核心 2023年第1期83-93,共11页
现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参... 现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO_(2)浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能. 展开更多
关键词 神经网络 软测量 长短期记忆 动态建模 变量选择 模型简化
下载PDF
基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用 被引量：3
19
作者 张冲 王千凤 +2 位作者 齐新虎 王思宇 陈末 《水力发电》 CAS 2024年第1期1-7,共7页
为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游... 为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。 展开更多
关键词 月径流预测 集成经验模态分解 北方苍鹰优化算法 长短期记忆神经网络 耦合模型 预测精度
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
20
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
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 … 24 下一页 到第 页
使用帮助 返回顶部