基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.

基于门控递归单元神经网络的高速公路行程时间预测

为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。

基于LSTM时间递归神经网络的短期电力负荷预测

短期电力负荷预测对于电网运行方式安排、计划检修、静态安全分析有着越来越重要的作用。LSTM时间递归神经网络可很好地处理负荷数据的时序性和非线性,适合用于短期电力负荷预测。提出一种基于长短期记忆(Long Short-Term Memory,LSTM)时间递归神经网络的电力负荷预测方法,并使用这种方法对昆明电网日电力负荷值进行预测,最终证明LSTM模型的准确及便利。

基于递归神经网络的藏语语音转文本应用研究

本文针对藏语中的卫藏方言,探讨了自动语音识别(automatic speech recognition,ASR)技术在语音识别模型构建方面的应用。利用时间递归神经网络(recurrent neural network,RNN)及其变体来提升ASR系统的性能。通过引入LAS(listen,attend and spell)模型,并结合多任务学习框架、深度卷积神经网络和改进的注意力机制,显著提升了ASR系统的性能。在实验中,改进后的LAS模型在测试集和训练集上的词错误率分别达到了12.40%和16.23%,实验结果验证了方法的有效性。

基于混合递阶遗传算法的径向基神经网络学习算法及其应用

在研究径向基神经网络学习算法的基础上 ,提出了一种新型的径向基神经网络学习算法———混合递阶遗传算法 .该算法将递阶遗传算法和最小二乘法的优点结合在一起 ,能够同时确定径向基神经网络的结构和参数 ,并具有较高的学习效率 .采用基于混合递阶遗传算法的径向基神经网络对混沌时间序列学习和预测 ,取得了较好的效果 .

二次最小化问题的有限时间递归神经网络求解

利用一类递归神经网络模型来求解二次最小化问题,在该模型的基础上加入双符号幂激励函数,以加快递归神经网络的收敛速度,甚至达到有限时间收敛.通过调节设计参数λ的取值,递归神经网络的收敛性能可进一步提高.利用MATLAB软件对有限递归神经网络模型进行仿真,数值仿真结果验证了模型求解二次最小化问题的有效性和优越性.

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .

一类递归神经网络系统的有限时间同步

针对非线性电路网络系统中的特殊系统—递归神经网络系统,本文拟采用事件触发间歇控制策略研究递归神经网络的有限时间同步问题.首先,根据有限时间间歇控制的理论推导过程,提出事件触发间歇控制规则;其次,提出间歇控制器,利用Lyapunov稳定性方法以及一些不等式技巧,得到了实现驱动-响应神经网络系统的有限时间同步的充分条件,并排除了Zeno行为;最后,通过数值实例验证了所提控制策略的有效性.

递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。

非线性动态系统的递归神经网络预测研究——对我国钢铁产量的预测分析

钢铁行业是我国国民经济的支柱产业之一,为国民经济的持续发展作出了积极的贡献。因此,对钢铁产量的预测研究已经成为一项非常重要的课题。文章使用基于数据挖掘和知识发现的人工神经网络法、时间序列分析法、递归神经网络技术来预测钢铁产量的方法,并将递归神经网络方法预测的结果与前面的两种方法的预测结果进行比较,比较的结果说明该方法是可行的。

基于时间序列BP神经网络的集装箱吞吐量动态预测

集装箱吞吐量预测是港口发展规划制定的依据。在MATLAB环境下,把时间序列BP神经网络应用于港口集装箱吞吐量的预测,采用逐步递归的方法进行,同时注意尽量减少训练样本的浪费(只用1个检验样本)和充分挖掘BP神经网络适合短期预测的潜力。无论是从拟合情况,还是预测值的检验和港口发展规划的实际情况来看,都有着很高的精度,可以作为集装箱吞吐量预测的一种行之有效的方法。

一种混沌神经网络的混沌时间序列预测

混沌是一种普遍存在的非线性动力学行为,针对混沌时间序列预测问题,提出了一种新颖的混沌对角递归神经网络模型,然后,给出了易实现的动量梯度学习算法。为了验证网络的预测性能,采用该神经网络预测模型对Mackey-Glass混沌时间序列进行了仿真。结果表明,所提出的混沌神经神经网络模型能快速、精确地预测混沌时间序列,并能在一定精度上满足多步预测需要,是研究复杂非线性动力系统辨识和控制的一种有效方法。

基于主成分分析和递归神经网络的短期股票指数预测

运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.

递阶遗传粒子群算法在神经网络设计中的应用

将递阶遗传粒子群算法(HGAPSO)应用于神经网络设计,可以在对网络拓扑结构优化的同时对连接权重进行求解。该算法结合了遗传算法在解决离散问题和粒子群算法在解决连续问题上的优势,并利用BP算法沿误差最速下降的能力对连接权重进一步学习,达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明递阶遗传粒子群算法在较大程度上提高了神经网络的学习性能和泛化能力。

基于图卷积神经网络的大规模软件定义网络流量预测模型

为了提高大规模软件定义网络流量预测的准确率,研究基于图卷积神经网络的大规模软件定义网络流量预测模型。构建包含图卷积神经网络(Graph Convolution Neural Network,GCN)层、门控递归单元(Gating Recursive Unit,GRU)层及自注意力机制层的流量预测模型。通过GCN层与GRU层分别重构与更新网络流量的空间与时间特征;将两种特征共同输入自注意力机制层,经整合与加权平均运算后,获得网络流量预测值输出,实现大规模软件定义网络流量预测。实验结果显示,该模型可精准预测大规模软件定义网络流量,降低所应用网络的通信丢包率与通信延时,实现高质量高时效的网络数据传输,保障大规模软件定义网络的智能流量通信。

连续参数小波神经网络的递阶遗传训练方法

提出递阶遗传训练方法用于训练连续参数小波神经网络的参数及其结构。现有的连续参数小波网络训练方法大多只能训练网络的参数,包括平移参数、伸缩参数和权值,而网络的结构得预先用某种方法确定。应用递阶遗传算法能够把网络的结构和参数同时通过训练确定。利用混沌时间序列数据进行仿真,结果证明该模型具有较高的预测精度,提出的方法是可行的。

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析(PCA)和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。

基于递归卷积神经网络的移动机器人定位算法

移动机器人定位已成为机器人研究的重要任务。提出基于递归卷积神经网络的移动机器人定位(Recurrent Convolutional Neural Networks-Based Mobile Robot Localization,RCNN-MRL)算法。递归卷积神经网络(Recurrent Convolutional Neural Networks,RCNN)结合卷积神经网络(Convolutional Neural Networks,CNN)和递归神经网络(Recurrent Neural Networks,RNN)的特性,并依据机器人上嵌入的照相机拍摄的第一人称视角图像,RCNN-MRL算法利用RCNN实现自主定位。具体而言,先通过RCNN有效地处理多个连续图像,再利用RCNN作为回归模型,进而估计机器人位置。同时,设计双轮机器人移动,获取多个时间序列图像信息。最后,依据双轮机器人随机移动建立仿真环境,分析机器人定位性能。实验数据表明,提出的RCNN模型能够实现自主定位。