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.

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。

基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

基于EMD-CNN-LSTM混合模型的短期电力负荷预测

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-term and short-term memory network,LSTM)的混合模型短期电力负荷预测方法,将海量过往负荷数据、温度和历史电价信息以滑动窗口方式构造串联特征向量作为输入,先利用EMD将数据重构成多个分量,将高、中和低频分量各自叠加组合,再运用CNN提取高、中分量的潜藏特征,减少权值数量,并以特征向量的方式输入LSTM网络进行负荷预测,最后叠加各分量预测结果得到最终负荷预测值。实验结果表明,相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine,SVM)、LSTM模型和EMD-LSTM模型,此模型具有更高的负荷预测精度。

基于手写-印刷混合字符的口算题识别

针对小学生口算题中印刷体与手写体字符同时存在以及手写体字符不规范的问题,提出`一种基于编码器-解码器模型的整体识别方法。引入多分支改进的Densenet网络对图片进行特征提取,在此基础上引入基于多分支改进后的联合CTC-Attention模型的编码器-解码器模型进行处理以充分利用多分支特征。基于真实样本数量不足、分布不均的问题,提出一种样本生成方法。以实例验证该模型与样本生成方法的可行性。

基于优化VMD再分解的LSTM下的股价预测

研究设计了一种股价预测混合模型,以应对股价受多种因素影响的挑战。模型结合了完备集合经验模态分解(CEEMDAN)与经粒子群优化(PSO)的变分模态分解(VMD)技术,并使用长短期记忆网络(LSTM)对股价进行预测,旨在处理股票价格中的噪声并提升预测精度。通过与LSTM模型、循环神经网络(RNN)模型、卷积神经网络(CNN)模型和支持向量回归(SVR)模型的对比,实验结果表明,所设计的模型相较于其他模型表现出更高的鲁棒性和准确性,对于金融从业者在制定投资策略时具有指导意义,同时有助于深度学习在股价预测领域的应用,具备实际应用价值。

基于麻雀搜索算法的降水量预测

为提高对非线性和时序性降水量数据的准确预报,建立了基于麻雀搜索算法的组合预测模型.利用经验模态分解挖掘数据多维度特征,使用长短期记忆人工网络对数据进行预测,结合麻雀搜索算法对预测模型的超参数进行优化,提高了经验模态分解-长短期记忆人工网络模型网格化寻参的效率和预测精度.实证结果表明,与单一的长短期记忆人工网络模型和经验模态分解-长短期记忆人工网络模型相比,经过优化后的基于麻雀搜索算法的组合预测模型的性能和预测效果更好,其各类误差均有所降低,具有实际意义.

基于信号分解和深度学习的农产品价格预测

农产品价格的稳定对社会经济与农业发展有重要意义,但农产品价格的波动具有非平稳、非线性、波动性大的特性,较难精确预测。该研究基于信号分解和深度学习,提出一种分解-重构-提取-关联-输出的农产品价格预测模型(CT-BiSeq2seq),并且加入平均气温、养殖成本(大猪配合饲料与尿素价格)、群众关注度等多维度数据来提高模型的预测精度。首先,采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法把复杂的原始价格序列分解为简单序列。其次,分析皮尔逊相关系数及分解后的子序列,把原始价格序列重构为高频项、低频项、残差项。再经过时间卷积网络(Temporal Convolutional Network,TCN)提取重构序列的数据特征。随后,构建Biseq2seq模型,解码器引入双向长短期记忆网络(Bi-directional Long Short-Term Memory,Bi-LSTM)加强序列数据间的全局关联。最后,通过解码器的LSTM网络输出预测值。以北京丰台区批发市场的白条猪肉价格进行实证分析,该研究提出的CT-BiSeq2seq模型的预测性能显著优于其他价格预测基准模型,在滞后天数为11 d达到最优效果。在其他数据集也有精确和稳定的预测效果,菠菜、苹果,鸡蛋的均方误差分别为0.6277、0.4632、0.5526元^(2)/kg^(2),平均绝对误差分别为0.5431、0.4425、0.5339元/kg,平均绝对百分比误差分别为3.2047%、2.2361%、2.2314%。同时根据不同数据集的结果发现,价格波动大的农产品适合采用较大的滞后天数,价格波动小的农产品适合采用较小的滞后天数。该模型可以为预测农产品的价格波动提供参考。

基于FEEMD与CLSTM的水电机组趋势预测

为及时掌握水电机组的运行状态趋势,本文提出了一种基于快速集成经验模态分解(FEEMD)与卷积-长短记忆神经网络(CLSTM)的水电机组状态趋势预测方法。所提CLSTM预测模型在传统的LSTM单元中引入了卷积操作,可更好地捕捉本征模态分量中的局部特征,且该模型可同时处理时间和空间维度的数据,有效提升预测精度。最后,通过国内某水电机组下导摆度趋势预测实验,验证了该方法可准确预测水电机组的运行状态趋势。

基于灰色模型混合算法的滚动轴承剩余使用寿命预测

针对在使用灰色模型进行剩余寿命预测时,长期的预测结果精度会下降的问题,提出了一种集灰色模型、完全自适应噪声集合经验模态分解和长短期记忆人工神经网络相结合的混合算法。采用灰色模型进行第一步预测,并生成原始误差序列,引入完全自适应噪声集合经验模态分解重新构建更平滑的误差序列,通过长短期记忆人工神经网络对重构误差序列进一步预测从而实现长期预测精度的提高。在预测过程中通过滑动分段技术对旧的混合算法进行动态迭代,从而准确预测滚动轴承的剩余使用寿命。实验结果表明,该方法具有良好的预测性能。

一种基于混沌理论和LSTM的GPS高程时间序列预测方法

为了进一步提高全球定位系统(GPS)进行噪声分析或形变监测的可靠性,根据高程时间序列的特点,提出1种基于混沌理论和长短期记忆神经网络(LSTM)的混合预测模型:对时间序列进行经验模态分解(EMD)并降噪,去除序列包含的白噪声部分;求取时间序列的延迟时间,嵌入维数以及李雅普诺夫指数,证明GPS高程站心坐标时间序列具有混沌特性;然后重构序列相空间;最后将相空间每1维特征向量作为LSTM的时间步输入网络进行训练,建立预测模型。实验结果表明,该方法能够提高预测的可靠性,且模型具有一定的泛化能力。