优化循环神经网络在滑坡位移预测中的应用

以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型:简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法(genetic algorithm,GA)优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型:GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。

障碍物运动轨迹预测方法

为提高智驾领域障碍物绕行的能力,文章提出一种基于障碍物运动轨迹预测的方法。该方法融合视觉传感器和激光雷达传感器对障碍物的历史运动轨迹进行观测,输出带有时间戳的障碍物位姿和障碍物速度,即从时间、空间和速度三个维度描述障碍物。基于历史观测数据,简单循环神经网络结合最大似然估计实时预测障碍物的运动轨迹。

融合BSRU和ATT-CNN的化学物质与疾病的关系抽取方法

医学文本中经常存在某个化学物质与多个不同疾病同时相关的情况,传统的深度学习方法不能充分利用句子的长距离依赖信息和其他文本特征,导致医学实体较多的长文本中存在核心实体关系不精确的问题.为此提出双向简单循环神经网络(BSRU)与带注意力机制的卷积神经网络(ATT-CNN)相结合的模型,双向简单循环网络实现文本的长距离依赖信息和多种特征信息的向量表示,注意力机制-卷积神经网络减少噪声影响后使用不同大小的卷积核学习文本的多种特征,分段池化后通过分类完成关系抽取.通过实验验证,本文模型在化学物质与疾病的关系抽取中具有良好表现.