粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元(gated recurrent unit,GRU)神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。

基于蒙特卡罗法优化GRU神经网络的热电联产负荷预测

负荷预测是热电联产系统提高能源利用率及优化调度的前提,预测精度在很大程度上影响系统运行的可靠性及热电厂经费开销。随着热电联产机组的大范围使用,单一的负荷预测很难精准反映热电负荷之间的耦合特征,对热电联产系统的精确运行产生一定影响。提出一种优化GRU神经网络模型,将两个门控循环单元神经网络并联,通过相应的dropout层和全连接层处理后合并结果。同时,结合蒙特卡罗算法修正误差,提高预测模型精度。利用实际热电厂数据验证所提出预测模型的可行性。结果表明:本文提出的模型可以充分学习热电负荷之间的耦合特征,提高负荷预测精度。

基于数据重采样与GRU神经网络的风电功率多步提前预测

准确预测不同时间尺度风电功率对于实现能源管理系统可靠运行至关重要。针对当前预测方法随着步数增加无法保持较高预测精度的问题,提出一种数据重采样技术与GRU神经网络相结合的风电功率多步提前预测方法;利用数据重采样技术对原始风电功率时间序列重新采样,得到新的风电功率时间序列;通过GRU神经网络对重新采样的时间序列进行单步提前预测,实现对原始风电功率时间序列的多步提前预测。利用澳大利亚某风力发电厂2022年、2023年数据进行试验,结果表明,本文方法比已有方法的平均绝对百分比误差和均方根误差至少降低了1.94%和6.13,具有更好的预测结果。

基于GRU神经网络的加密恶意流量检测方法

加密恶意流量对用户信息安全造成了负面影响,针对该问题,提出基于GRU神经网络的加密恶意流量检测方法。构建基于GRU神经网络的检测框架,将原始流量数据转换为一维序列的形式,并切分恶意流量和良性流量文件。在GRU神经网络隐层单元中引入一阶状态,定量控制更新门和重置门加密恶意流量。动态更新权重矩阵,控制更新门和重置门的激活程度,从而实现对加密恶意流量的实时检测。实验表明,针对已知、未知移动恶意软件流量,该方法的检测准确率最低分别为0.93和0.87,获取的密文与实际加密恶意流量的密文一致,达到了精准检测的效果。

上证50ETF期权隐含波动率曲面预测研究——基于融入先验金融知识的集成GRU神经网络

基于Zheng等人[1]的研究框架,即将先验金融知识纳入神经网络的设计和训练,提出了一种预测隐含波动率曲面的集成GRU神经网络模型。该模型使用了一种包含波动率微笑的激活函数,并将无套利、左右边界和渐进斜率等金融条件纳入神经网络的训练过程中。利用上证50ETF期权2015年2月9日至2023年3月31日期间的交易数据进行了实证分析。实证结果显示:与SSVI模型和基准神经网络模型相比,集成GRU模型在训练集上的平均绝对百分比误差为8.56,在测试集上的平均绝对百分比误差为11.17,是所有模型中预测精度最高的,同时满足了嵌入的金融条件。

基于GRU神经网络和遗传算法的飞机装配站位物料配置方案优化

装配站位是飞机装配线基础管理单元,由于飞机装配作业过程繁杂并存在大量随机扰动,其管理者需要根据不断变化的工况频繁对在装架次的物料配置方案进行优化。为此,提出一种基于门控循环单元(Gated recurrent unit,GRU)神经网络和遗传算法的优化方法。为了克服离散事件仿真在评估效率方面的局限性,以仿真历史数据为学习样本,采用GRU神经网络构建物料配置方案评估仿真代理模型,模型以物料配置方案为输入,以在装架次预计完工时间和关键物料平均滞留时间为输出。将仿真代理模型作为目标函数评估模型与遗传算法相结合,实现物料配置方案全局优化。仿真验证结果表明,基于GRU神经网络的仿真代理模型能够准确、高效地评估物料配置方案,输出的优化方案能够有效缩短在装架次的预计完工时间和关键物料平均滞留时间。

基于GRU神经网络的恒温晶振频率漂移预测

恒温晶振作为新时代5G通信系统的重要器件,其频率稳定性相当重要,准确预测恒温晶振频率漂移可以提高系统工作状态的安全性与可靠性。为进一步提高频率漂移预测精度,满足5G通信系统需求,提出了一种基于门控循环单元(GRU)神经网络的晶振频率预测模型。该模型同时考虑温度、老化两种因素,并利用神经网络具有出色的自适应性与非线性泛化能力,学习恒温晶振频率漂移变化规律。最后以14 d实测数据为例进行研究分析,并与循环神经网络、长短时记忆神经网络做对比实验,以均方根误差、平均绝对误差、算法运行时间作为评价指标,结果表明GRU网络具有更高的预测精度、更快的运算速度。

基于GRU神经网络的移动应用软件流量检测

针对移动应用软件流量呈动态变化趋势,导致检测结果不精准的问题,提出基于GRU神经网络的移动应用软件流量检测方法。基于GRU神经网络多层结构构建GRU神经网络检测模型,将恶意软件和非恶意软件流量特征转化为区域特征向量,根据特征转化结果降维处理入侵威胁数据,获取待检测恶意软件入侵训练集和测试集,完成移动应用软件异常流量辨识。根据辨识结果建立病毒库,设计GRU神经网络隐层单元结构,有效地捕获流量动态变化信息,划分异常流量入侵等级,实现移动应用软件流量检测。由实验结果可知,该方法在对应用软件进行流量检测时得到的结果与实际结果一致。在应用软件40~80天时检测出流量使用异常情况,使用流量为1050 MB,其余时间的流量使用正常,具有精准的软件流量检测效果。

GRU神经网络下电力辅助决策模型疑点数据检测

为了保证电力辅助决策模型在电网业务中的应用价值,提出GRU神经网络下电力辅助决策模型疑点数据检测方法。模拟电力辅助决策模型的运行过程,获取模型运行数据。利用GRU神经网络提取数据特征,并运用随机森林算法确定当前数据类型。通过对疑点数据进行审计,确定电力辅助决策模型的疑点数据量,从而实现模型疑点数据的检测。实验结果表明,与传统方法相比,优化设计方法的疑点数据检测误差更小,表明该方法在检测性能方面具有明显优势。

基于GRU神经网络的PDC钻头磨损实时监测模型

能够实时监测钻头磨损程度对于钻井提速是一个直观的参考目标。但钻井现场难以采集直接反映钻头磨损情况的参数,目前对钻头磨损程度的监测手段较少,主要依靠技术人员的经验判断。如何定量评估PDC钻头磨损程度一直是研究的难点。钻头磨损程度评价主要基于破岩效率和机械比能。通过物理模型计算机械比能,并通过小波分析、聚类算法表征钻头磨损过程,建立了基于门控循环单元(GRU)神经网络的PDC钻头磨损实时监测模型,形成了钻井参数与钻头磨损程度的映射关系,模型精度达95%。采用新疆油田A井数据对模型进行测试,结果表明该模型可以正确预测当前钻头磨损级别。该模型为钻头磨损监测提供了一种解决方案,可以辅助现场工程师判断起下钻时机,以保证更高的钻井效率。

基于GRU神经网络的IPv6 DDoS攻击实时检测与防御研究

针对IPv6的大规模DDoS攻击,需要开发出更为高效的攻击检测和防御手段。研究分析了IPv6 DDoS攻击的特点,介绍了基于机器学习的攻击检测技术,以及常见的分布式拒绝服务(DDoS)防御策略,构建了基于门控循环单元(GRU)的深度学习DDoS检测模型,通过提取流量统计特征和频域特征,训练GRU网络进行攻击识别,设计了集成GRU检测与执行防御策略的IPv6 DDoS防御系统。

基于MOPSO-GRU神经网络的信号配时优化模型——以延安市交叉口为例

延安市宝塔区杨家岭路段交叉口是延安市城区内的重要交叉口,近年来由于城市交通流量的日益增加,该交叉口的交通拥堵问题日益严重,传统的信号配时方法已不能满足实际需求,需要新的信号配时优化方法和模型来缓解该交叉口的交通通行压力.为解决此问题本研究首先分析杨家岭路段十字交叉口存在的问题,进而采用多目标粒子群算法和GRU循环神经网络建立模型,最后利用VISSIM软件分别对两相位交叉口和多相位交叉口进行仿真实验验证,结果反映了基于MOPSO-GRU神经网络的信号配时优化模型可提高交通流量的效率和整体交通系统的性能.

基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型

针对现有深度知识追踪模型存在输入习题间复杂关系捕获能力弱、无法有效处理长序列输入数据等问题,提出了基于自注意力机制和双向GRU神经网络的深度知识追踪优化模型(KTSA-BiGRU)。首先,将学习者的历史学习交互序列数据映射为实值向量序列;其次,以实值向量序列作为输入训练双向GRU神经网络,利用双向GRU神经网络建模学习者的学习过程;最后,使用自注意力机制捕获练习题之间的关系,根据双向GRU神经网络输出的隐向量和注意力权重计算学习者正确回答下一问题的概率。实验在三个公共数据集上的性能分析优于现有的知识追踪模型,能提高深度知识追踪的预测精度。

基于改进词向量GRU神经网络模型的藏语实体关系抽取

互联网数据的爆炸式增长,使得研究热点更多转向Web内容结构化分析。如果将藏语知识以结构化形式表示,那么将会有利于藏语知识的结构化分析和深度挖掘。该文提出了一种优化词向量的GRU神经网络模型进行藏语实体关系抽取的方法。在模型的训练中,加入了优化的词向量,在传统的词向量模型中结合藏语音节向量、音节位置向量、词性向量等特征对词向量进一步优化,并且选取了藏语词汇特征和藏语句子特征。实验证明,通过使用改进词向量F1值达到了78.43%。

基于MHPSO优化GRU神经网络的短时交通流预测

为提高短时交通流量预测精度及预测效率,首先提出一种PSO改进算法(MHPSO),把PSO种群结构设置为多层,将种群中上层粒子作为下层粒子的吸引粒子,将吸引粒子对粒子本身的吸引能力考虑在内,修改粒子速度更新方程以增强种群粒子之间的交互能力,从而有效地避免其陷入局部最优,提升算法的寻优速度及精度;然后利用MHPSO对GRU神经网络的参数进行优化;最后利用基于MHPSO优化的GRU神经网络构建短期交通流预测模型.实验结果表明:基于MHPSO优化的GRU神经网络模型在短时交通流预测中具有更高的预测精度,预测效率得到显著提升.

利用GRU神经网络预测横波速度

储层参数与横波速度之间存在一定的相关关系,但是这种复杂关系很难得到解析解。为此,构建了GRU(gated recurrent unit)神经网络方法,主要包括神经网络构建、数据预处理、样本训练和数据预测四个部分,通过训练神经网络逼近横波速度与储层参数之间的关系,利用纵波速度、密度和自然伽马等储层参数直接预测横波速度。采用D区的30口井的测井数据训练和测试神经网络,结果表明:①纵波速度、密度和电阻率对数与横波速度呈较好的正相关关系,自然伽马值、孔隙度与横波速度呈负相关关系。②对于多数井训练、少数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为3.00%和0.9837,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.19%和0.9805;对于少数井训练、多数井验证,训练数据预测的横波速度与真实值的相对误差和相关系数分别约为2.49%和0.9867,测试数据预测的横波速度与真实值的相对误差和相关系数分别约3.92%和0.9686。因此所提方法具有较高预测精度和较强泛化能力。

基于GRU神经网络的太阳辐照度短期预测

随着新能源技术的不断发展,光伏发电已逐渐成为电力供应的重要来源。由于太阳辐照度变化受诸多因子影响,其不确定性仍然给光伏发电并网带来了极大挑战。鉴于门限单元(gated recurrent unit,GRU)神经元特殊的门结构对周期性变化的数据结构具有较好的学习能力,建立了一种基于GRU神经网络的辐照度短期预测模型。对历史气象数据及卫星数据进行主成分分析(principal component analysis,PCA)降维处理后输入上述模型,实现对太阳辐照度的短期预测,从而提高太阳辐照度的预测精度。对同一模型不同预测时长进行对比,得到24 h预测效果最好,其均方根误差(root-mean-square error,RMSE)仅为0.356。将该模型预测的结果与传统的反向传播(back propagation,BP)神经网络的预测结果进行对比,RMSE减少了34%。最后利用晴空指数划分不同的天气情况分别对GRU预测结果误差进行分析研究,探究了误差产生的原因。

基于双向GRU神经网络和双层注意力机制的中文文本中人物关系抽取研究

实体关系抽取是知识抽取的重要组成部分。与传统模式识别的方法相比,深度学习的方法在关系抽取任务中表现得更为突出。目前关于中文的关系抽取技术的研究主要是基于核函数和远程监督的方法,而且数据集中的噪音数据对实验结果带来的负面影响不可忽视。提出一种基于双向GRU神经网络和双层注意力机制的中文关系抽取模型。结合中文语言的结构特点,采用字向量的形式进行输入,针对遗忘性问题,采用双向的GRU神经网络对输入向量进行融合。从一个句子中提取出字级别的特征信息,并通过句子级别的注意力机制来提取句子特征。利用远程监督的方法在新闻网站上抽取约8 000条数据进行验证。实验结果表明,双层注意力机制的神经网络模型可以充分利用句子的所有特征信息,准确率和召回率相较于未加入注意力机制的神经网络模型都有显著提升。

基于遗传算法的GRU神经网络采油量预测

针对当前传统的BP神经网络算法中的收敛速度有可能相对较慢和有可能比较容易地陷入局部最优解中的这样一些典型问题,提出新的一种基于遗传算法的门控循环神经网络算法用以预测采油量。首先是利用循环神经网络模型和随机激活模型层来建立深度自主学习的神经网络模型层;随后利用一种改进后的遗传算法对所建立出的神经网络结构模型进行了优化,避免令其陷入局部的最优解,搜寻空间上的全局的最优解;最后对其实验所得结果再次进行重新分析,表明这个新结构模型其预测结果精度较高,收敛比较快,对石油产量预测工作有一定的参考意义。

基于GA-GRU神经网络的光伏MPPT算法

针对外界环境因素快速变化时,光伏发电系统难以保持在最大功率点输出的问题,提出遗传算法与GRU神经网络相结合的最大功率跟踪算法(GA-GRU-MPPT)。该算法在构建的最大功率点预测模型基础上,采用遗传算法对GRU神经网络的参数进行优化。考虑到数据的关联性,将前一时刻的太阳电池温度、太阳辐照度、最大功率点电压及当前时刻的太阳电池温度和太阳辐照度作为预测模型的输入变量,输出为当前时刻的最大功率点电压。针对3种不同气候情形的仿真结果表明,该算法跟踪精度可达99%,能显著提高光伏系统的能量转换效率。