期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究
被引量:
8
1
作者
程凯
王然风
付翔
《煤炭工程》
北大核心
2022年第2期133-139,共7页
针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度...
针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。
展开更多
关键词
重介
分
选
精煤灰分时序数列
噪声
经验模态
分
解(EMD)
长短期记忆神经网络(LSTM)
精
煤灰
分
预测
下载PDF
职称材料
题名
基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究
被引量:
8
1
作者
程凯
王然风
付翔
机构
太原理工大学矿业工程学院
出处
《煤炭工程》
北大核心
2022年第2期133-139,共7页
基金
山西省应用基础研究计划重点自然基金资助项目(201901D111007ZD)
山西省关键核心技术和共性技术研发攻关专项项目重点研发计划(2020XXX004)。
文摘
针对重介分选的智能化发展需求,根据重介精煤灰分数据噪声特征及灰分过程控制对灰分预测精度、预测时长的要求,提出了基于EMD-LSTM的重介精煤灰分时间序列预测方法。首先,通过经验模态分解(EMD)算法将重介精煤灰分时序数列中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定噪声影响;其次,进一步借助于长短期记忆(LSTM)神经网络可解决数据的长期依赖问题,从而在长时间视野预测方面表现更为突出。该方法应用于实际数据集的短期预测,实验结果表明,对LSTM神经网络进行参数寻优后,基于EMDLSTM的重介分选精煤灰分指标时间序列预测方法中,去除IMF1分量的模型所得的预测结果具有最小的标准差σ(0.1481)和平均绝对误差λ(0.1184),去除噪声后的EMD-LSTM模型可使预测准确性显著提高,能够有效解决精煤灰分预测的问题。
关键词
重介
分
选
精煤灰分时序数列
噪声
经验模态
分
解(EMD)
长短期记忆神经网络(LSTM)
精
煤灰
分
预测
Keywords
dense-medium preparation
time series of clean coal ash content
noise
empirical mode decomposition(EMD)
long short-term memory neural network(LSTM)
clean coal ash prediction
分类号
TD94 [矿业工程—选矿]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于EMD-LSTM的重介分选精煤灰分时间序列预测方法研究
程凯
王然风
付翔
《煤炭工程》
北大核心
2022
8
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部