基于LSTM神经网络模型的铁矿石期货市场实证研究

随着国际大宗商品在金融和经济领域的影响力不断增强,会通过产业间的波及效应作用于物价水平,进而影响到国家的经济增长。近几年掀起了机器学习研究的热潮,基于机器学习的投资量化分析也越来越受到关注。文章基于LSTM神经网络模型,选取了2021年9月至12月底的铁矿石主力合约高频数据建立了趋势预测模型。实验结果表明,该模型拟合良好,能够较好地预测铁矿石期货短期内的趋势。

基于TSO-LSTM神经网络的股票收益率均值预测模型及其在智能投资中的应用

根据股票收益的历史数据,建立数据和模型双驱动的智能资产配置系统,指导股民投资实现收益最大化.使用金枪鱼群优化(TSO)算法寻参的长短期记忆(LSTM)神经网络为分布鲁棒优化投资组合模型提供收益率的均值与协方差矩阵,求解更符合实际情况的分布鲁棒模型得到投资方案.该模型提出的方案在未来前10 d的收益明显高于直接使用历史均值的分布鲁棒模型,亏损天数少于直接使用历史均值的分布鲁棒模型和平均分配资金的方案.同时该文提出的决策系统随着时间的推移,可以通过更新历史数据重新训练LSTM网络,使得模型保持良好的效果.TSO-LSTM神经网络能有效地抓住股票收益率的历史数据特征,实时动态地为投资者提供良好的投资决策.

基于APSO的LSTM神经网络模型优化方法研究

多隐含层长短期记忆神经网络(long short-term memory,LSTM)循环神经网络权值与阈值更新依赖梯度下降算法,模型收敛速度慢,网络节点的权值计算易出现局部极值,导致LSTM神经网络模型不能得到全局最优,网络模型泛化能力下降,限制LSTM循环神经网络的应用。因此,利用加速粒子群优化算法(accelerated particle swarm optimization,APSO)的优化能力,提出一种改进LSTM神经网络模型。该模型将均方根误差设计为适宜值函数,并利用APSO算法构建寻优策略,对各神经元节点间的权值进行全局优化,提升模型的泛化和预测性能。通过经典DataMarket及UCI数据集的实验结果表明,APSO-LSTM模型的预测精度较传统LSTM模型有显著提升,验证了APSO-LSTM模型的有效性和实用性。

模型误差影响下基于CNN+BiLSTM神经网络的非圆信号目标直接跟踪算法

针对运动观测阵列状态误差与接收频率抖动同时影响下的非圆信号无源跟踪问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)+双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiL⁃STM)的直接跟踪算法.该算法首先利用多运动观测阵列信号各频带间的相关性与辐射源信号的非圆特性,建立模型误差影响下的扩展多站观测矢量;接着利用多个观测时隙内扩展多站观测矢量的信号子空间构造空时特征输入序列;然后设计基于CNN与BiLSTM混合神经网络的直接跟踪模型,通过训练实现对非圆目标的轨迹矢量直接估计.本文算法是从原始数据信号子空间中估计轨迹矢量的直接跟踪模式,相比传统“观测参数估计+滤波轨迹跟踪”的两步估计模式,具有更高的估计精度.由于本文算法在神经网络训练过程中学习到模型误差的信息,因此能够实现对多种误差的校正.仿真结果表明,本文算法较传统两步跟踪算法与现有直接跟踪算法均具有更高的轨迹估计精度,能够明显提升模型误差影响下多站协同跟踪的鲁棒性.

基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

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%。

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

ARIMA模型联合LSTM神经网络建立药品采购决策预测模型

为了解某院药品采购决策趋势,建立合适的药品采购决策预测模型,收集2022年6月—2023年3月共计10个月的系统采购数据,建立并评价ARIMA模型联合LSTM神经网络药品采购模型,分析实施基本药物监管1个月前后相关数据的变化趋势。结果表明,与项目实施前1个月对比,紧急补货率由1.68%降至1.35%,降幅19.6%;断货率由0.44%降至0.27%,降幅38.6%;日均库存周转率由9.33%升至10.68%,增幅14.47%。说明ARIMA模型联合LSTM神经网络建立药品采购决策模型,可降低药品供应服务成本,减少药品断供风险。

基于CNN和BiLSTM神经网络模型的太阳能供暖负荷预测研究

针对太阳能供暖系统中因热量供需不匹配而引起的能源浪费现象,提出一种基于卷积神经网络-双向长短期记忆神经网络的短期热负荷预测模型。首先对数据进行清洗,使数据准确完整;其次依据皮尔逊相关系数对输入特征进行筛选;最后依据其空间-时间特征建立卷积神经网络-双向长短期记忆神经网络模型。在与单一神经网络模型长短期记忆神经网络及双向长短期记忆神经网络进行详细比较和分析后,结果表明,该模型相较于传统神经网络模型在精确度上存在明显提升,验证了本模型在太阳能供暖负荷预测中的有效性。

基于LSTM神经网络模型分析预测钢材价格

钢价时间序列具有明显的长短记忆特征,故以施工企业安徽省的项目部实际采购规格型号为HRB400Eφ16螺纹钢的金额为例,科学合理的运用LSTM模型对其建模,并与传统的ARIMA模型进行对比,结果表明LSTM模型的预测相对误差为0.03,比ARIMA模型预测精度更好,适合用来预测建筑钢材价格。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于LSTM神经网络的烟丝水分恒定控制系统设计

在烟丝加工过程中,水分分布受到温度、湿度多个因素的影响,控制系统无法准确反映整体水分情况;为全面提高加工型香烟的质量水平,设计基于LSTM神经网络的烟丝水分恒定控制系统;部署Profibus控制总线,并在线路体系中连接水分检测仪与水分恒定器,完成烟丝水分恒定控制系统的硬件设计;在系统软件设计方面,构建LSTM神经网络单元,根据烟叶吸湿能力分析条件,求解具体的水分分布模型,实现基于LSTM神经网络的烟丝水分模型建模;分别计算烟叶出口湿度与出口温度,并联合传递函数逼近参量与恒定时滞参数,完成对控制参数的整定处理,再联合相关应用部件,实现基于LSTM神经网络的烟丝水分恒定控制系统设计;实验结果表明,LSTM神经网络模型作用下,生丝含水量被稳定控制在13%~18%数值之间,不会因水分过量问题而导致香烟质量水平无法达到实际加工标准。

基于Bayes和LSTM神经网络模型的基坑变形值预测研究

为了提高基坑变形预测的准确性和可靠性,提出了一种基于贝叶斯方法(Bayes)和长短期记忆(Long Short-Term Memory,LSTM)神经网络的复合模型,并结合杭州市文一西路改造工程现场监测数据,比较了Bayes-LSTM模型与其他预测模型在大跨度基坑上方的地表沉降与水平位移数据预测误差。研究结果表明:与LSTM模型和支持向量机(SVM)模型相比,Bayes-LSTM模型对基坑上方地表沉降的预测精度分别提高了1.0和1.26,证明了Bayes-LSTM模型在地表沉降预测方面表现出较高的预测精度和泛化能力。该研究成果可为大跨度基坑施工安全管理提供决策与支持。

融合PMV物理方程和Attention-LSTM神经网络的铁路客站旅客舒适度模型研究

铁路客站的舒适度直接关系着旅客的出行体验和满意度。选取聊城西站作为研究对象,采用PMV物理方程、Attention-LSTM神经网络模型以及PMV&Attention-LSTM融合模型3种方法,针对旅客舒适度开展综合评估与分析。在模型构建过程中,运用了标准化处理、数据集划分、网格搜索交叉验证等技术寻找最佳超参数,并记录了训练过程中的损失函数和均方误差。在模型预测中,充分考虑了温度、湿度、风速、空气质量、二氧化碳、光照、噪声等环境因素对旅客舒适度的影响。对比3种预测方法,结果显示,融合模型在考虑多维环境数据时可更准确地反映舒适度水平,表明该模型更适应铁路客站的复杂环境条件,可为提高候车厅舒适性提供更为可靠的参考依据。

人力资源管理风险预警模型研究基于LSTM神经网络的分析

本文针对我国企业的人力资源管理风险,试图对人力资源管理风险预警问题进行系统、定量分析。主要工作包括以下几个方面:第一,对目前的国际和国内关于人力资源管理风险的相关文献中存在的问题进行分析。从岗位结构、绩效考核、薪酬管理、职业发展设计六个管理环节入手,揭示出了人力资源管理的16个风险诱因,并对这16个指标进行定量,从而形成一套较为科学的风险诱因预警体系。其次,在证明LSTM神经网络用于人力资源管理风险预警的可行性后,文章以H公司为例,建立了一个三层LSTM神经网络(16-10-1),并以其9个季度的人力资源管理风险数据为样本,对该模型进行了训练和检验。通过实例研究,验证了该方法的可行性和实用性。

基于水印技术的深度神经网络模型知识产权保护

构造一个优秀的深度神经网络(deep neural network,DNN)模型需要大量的训练数据、高性能设备以及专家智慧.DNN模型理应被视为模型所有者的知识产权(intellectual property,IP).保护DNN模型的知识产权也体现了对作为构建和训练该模型的数据要素价值的珍视.然而,DNN模型容易受到恶意用户的盗取、篡改和非法传播等攻击,如何有效保护其知识产权已成为学术研究的前沿热点与产业亟需攻克的难题.不同于现有相关综述,聚焦DNN模型水印的应用场景,从用于模型版权声明的鲁棒模型水印和用于模型完整性验证的脆弱模型水印2个维度出发,着重评述基于水印技术的DNN模型知识产权保护方法,探讨不同方法的特点、优势及局限性.同时,详细阐述DNN模型水印技术的实际应用情况.最后,在提炼各类方法共性技术的基础上,展望DNN模型知识产权保护的未来研究方向.

基于PSO-BP神经网络的磨机传动系统模型修正

针对磨机传动系统结构的复杂性、部件间约束条件的不确定性以及非线性等因素,提出了一种基于PSO-BP神经网络的有限元模型修正方法。通过改进BP神经网络逼近设计参数和特征量间的非线性映射关系,结合实际结构响应,利用神经网络的泛化特性,得到了模型设计参数值。修正后频率误差从最高18%降到4%左右,修正系数误差范围均在0.5%以内,明显提高了有限元模型精度;同时,又不需要大量迭代求解步骤,避开了传统反问题模型修正法的复杂非线性优化过程,提升了效率,验证了PSO-BP神经网络法应用于大型磨机传动系统上的可行性,为后续传动系统整体分析奠定了基础。

基于K均值聚类算法和LSTM神经网络的管道腐蚀阶段预测方法

针对声发射检测获得的管道腐蚀信号,提出了一种基于K均值(K-means)聚类算法和长短期记忆(LSTM)神经网络的管道腐蚀阶段预测方法。首先,利用K-means聚类算法将腐蚀信号分类,再构建LSTM神经网络模型,并采取了无监督学习的方式,以声发射波形为出发点,对模型进行参数优化,最后进行管道腐蚀阶段预测,并根据评价指标对模型进行评价。研究表明:对LSTM神经网络模型适当增加隐藏层,可以使得模型更加稳定,鲁棒性更好;与现有故障诊断模型相比,LSTM神经网络模型的精度更高。

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.

基于BP神经网络的高校教师精准教学能力评价模型构建

通过精准教学以促进学生个性化成长是教育理想和国家政策的不懈追求.高校教师是实施精准教学的“基”,现有关于其教学能力的评价体系中普遍存在概念不清和多采用主观构建评价指标的问题.为此,开展了基于BP神经网络的高校教师精准教学能力评价模型研究.首先,以理论研究为基础,对精准教学能力进行等级划分并构建评价指标框架,运用层级分析法建立指标权重;其次,利用BP神经网络智能学习的特性,以不同数据类型的指标值为输入,对应能力综合值为输出,检验精准教学能力分级及指标权重的合理性,进而生成较为客观的评价模型;最后,利用开发的评价系统和调查问卷进行样本数据采集和模型检验,从神经网络对数据的分类、拟合及仿真结果来看,模型能够对高校教师的精准教学能力进行客观评价,教师对模型测量结果的准确性也具有较高认可度.

基于YOLOv5神经网络模型的变电所压板开关状态的识别方法

煤矿变电所是大型煤矿供电系统的重要组成部分,变电所压板开关状态的精确识别是监测煤矿供电状态的重要环节。然而,随着变电所电气控制柜上压板开关数量的大幅增加,传统人工巡检存在的巡检速度慢、巡检精度低的问题愈发显著。针对上述问题,提出了一种基于YOLOv5神经网络模型的变电所压板开关状态识别方法。使用Pytorch深度学习框架进行了模型训练;设计了针对压板开关图像的预处理方法;采用得到的最佳模型对预处理后的压板开关图像进行检测并评估检测结果。实验结果表明该方法可以实现压板开关状态的智能识别,且具有速度快、精度高的特点。