提出了1种基于灰狼优化算法的长短期记忆(long short term memory,LSTM)模型。结合灰狼优化算法全局收敛的优点,将其应用于长短期记忆网络中参数的优化,克服了传统的长短期记忆网络所采用的随时间反向传播(back propagation through tim...提出了1种基于灰狼优化算法的长短期记忆(long short term memory,LSTM)模型。结合灰狼优化算法全局收敛的优点,将其应用于长短期记忆网络中参数的优化,克服了传统的长短期记忆网络所采用的随时间反向传播(back propagation through time,BPTT)算法易于收敛于局部最优的缺点。将所提出的模型应用于时间序列预测,实验结果表明,其性能优于基于BPTT的LSTM。展开更多
文摘提出了1种基于灰狼优化算法的长短期记忆(long short term memory,LSTM)模型。结合灰狼优化算法全局收敛的优点,将其应用于长短期记忆网络中参数的优化,克服了传统的长短期记忆网络所采用的随时间反向传播(back propagation through time,BPTT)算法易于收敛于局部最优的缺点。将所提出的模型应用于时间序列预测,实验结果表明,其性能优于基于BPTT的LSTM。
文摘为了使高级驾驶员辅助系统能够更好的工作,进而提高其安全性和舒适性,提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的驾驶意图识别方法,能够较为准确地识别目标车辆的驾驶意图。该方法将踏板开度和踏板开度变化率输入意图识别网络,并在意图识别网络中引入灰狼优化算法(Grey Wolf Optimizer,GWO)对网络参数进行优化,提高驾驶意图识别性能。为了验证该方法的准确性,基于数据集训练并评估模型,结果表明:所提方法对加速和制动意图识别的准确率、召回率和Flmacro分数分别为0.981、0.983和0.982,均优于支持向量机(SVM)和普通的LSTM模型。