基于改进LSTM算法的短时交通流量预测

针对短时交通流量预测模型受噪声数据影响预测误差较大的问题,提出了一种改进的长短期记忆网络(long short-term memory,LSTM)的短时交通流量预测模型———MVF-LSTM模型,该模型使用算术平均滤波MVF对LSTM模型的输入层进行改进,从而增加LSTM隐藏层输入的维度,利用平均相对误差对模型的迭代次数、时间步长和隐藏层神经元的个数进行调整,提高了模型的预测精度。实验结果表明:改进的模型平均相对误差降至5%,具有良好的泛化能力,可以更好地反映交通流量的变化特征。

FCNN深度学习模型及其在动物语音识别中的应用

为解决使用语音信号准确识别动物以保护和研究野生动物的问题,提出一种全连接算法与稀疏连接算法相结合的全卷积神经网络(FCNN:Fully Convolutional Neural Network),用于语音的自动识别。利用全连接算法提取更多的组合特征,稀疏连接算法筛选重要特征可加快收敛速度。同时给出了具体的模型结构及算法流程,并进行了动物语音识别实验。实验结果表明,该全卷积神经网络深度学习算法是一种语音自动识别的有效方法,解决了蛙声识别问题,为动物语音识别提供参考。