基于记忆网络模型的学习过程评估方法研究

利用新型记忆网络模型(Mode of Memory Network,MMN),挖掘知识点之间的关系,评估学生对知识点的掌握程度,使用键静态矩阵存储知识点基本数据、值动态矩阵存储和更新相应知识点的掌握程度,并评估学生不断变化的知识状态,具有实时性和客观性。为教师统筹教学资源、优化教学计划提供客观量化的依据。

基于改进长短时记忆网络模型的人体运动姿态识别

人体运动数据对于人体运动异常判断有着重要的参考作用,为了提高人体姿态识别的准确性,提出一种基于改进长短时记忆网络模型的识别方法。该方法利用三轴加速度传感器采集人体运动姿态信息并对其进行小波阈值去噪处理,消除噪声干扰。通过计算特征冗余度筛选人体运动姿态特征,包括轴间相关系数、信号幅值面积和离散系数。基于粒子群算法改进长短时记忆网络模型并进行训练,以3个特征为输入,得出人体运动姿态类别。结果表明:基于改进长短时记忆网络模型的姿态识别方法的识别准确率,要显著优于机器学习的识别方法、改进DenseNet的识别方法和基于激光传感器的识别方法。

基于时空采样的卷积长短时记忆网络模型及其应用研究

鉴于人体动作识别在现实社会中的重大意义,为了进一步提高动作识别的能力,在研究长短时记忆神经网络及卷积神经网络的基础上,建立时空相关的卷积长短时记忆网络模型,该模型不仅具有LSTM的时序建模能力,还具有CNN刻画局部特征空间的能力,同时具备时空特性。运用该模型在KTH数据库上进行实验,并提出三种时间采样方式,最后与他人的方法进行比较,发现该模型在KTH动作识别上取得了较高的识别率。

基于长短期记忆网络模型的堆载作用厂房桩基长期沉降预测

为有效预测堆载作用下厂房桩基长期沉降变形特征,基于长短期记忆网络模型具备的容错性高、记忆功能强等优势,建立了长短期记忆(LSTM)网络预测模型;结合四川省攀枝花市某工业厂房工程,对比分析了指数预测模型和LSTM网络预测模型预测堆载作用下厂房桩基长期沉降变形特征的能力。研究结果表明:LSTM网络预测模型可自动识别复杂数据源中的关键信息,因而可有效表征厂房桩基长期沉降变形的非线性特征,相较于指数预测模型,LSTM网络预测模型具有精度高、误差小等显著优势,可为保障类似厂房长期的稳定性和安全性提供有效理论支撑。

长短时记忆网络与新安江模型耦合的降雨径流模拟性能

深度学习技术在降雨径流模拟方面具有广阔应用前景,但受训练样本限制,需与传统水文模型相耦合,由传统水文模型提供训练数据。耦合数据的选择和超参数方案对耦合模型的模拟性能影响显著,但尚未有专门的研究。本文以东湾流域为例,用双向长短时记忆网络耦合新安江模型不同模块数据,并用灰狼优化算法优化超参数,构建降雨径流模型。结果表明:模型耦合不同数据时,对日径流和场次洪水的模拟性能均有提高,尤以耦合产流量和模拟流量数据时最为明显。不同耦合数据需调整超参数方案,灰狼优化算法可满足需求。本研究为提高耦合模型径流模拟能力提供了新思路和新方法。

基于检验检测-服务质量-长短期记忆网络-情感分析模型的检验检测服务质量评价研究

为促进检验检测(IT)业服务质量提升,以检验检测服务质量(QoS)评级和用户服务需求为切入点,采用基于长短期记忆网络(LSTM)的深度学习方法进行用户情感分析(SA),识别用户对检验检测服务质量在各个评价维度上的情感倾向,设计由有形性、可靠性、响应性、安全性和移情性5个维度构成的评价体系,通过ITQoS-LSTM-SA模型对检验检测服务机构服务质量进行评价与反馈,并利用7万多条相关文本数据进行实证。结果显示:LSTM模型在检验检测用户评论分类中的准确率达到了85.24%,检验检测服务质量的总评分为0.491 6,处于满意和非常满意程度之间。基于IT-QoS-LSTM-SA模型,可以直观地看出检验检测服务质量在各项评价指标上的优劣程度。

含时滞和脉冲的双向联想记忆神经网络模型的全局鲁棒一致渐近稳定性分析

讨论了一类含时滞和脉冲的双向联想记忆神经网络模型的鲁棒渐近稳定性.通过构造恰当的Lyapunov泛函和使用线性矩阵不等式技巧,获得了该模型全局鲁棒一致渐近稳定的充分条件.通过2个例子说明了结论的有效性.

长短期记忆网络模型在预测乙型肝炎发病趋势中的应用

目的探讨长短期记忆网络(LSTM)模型在乙型肝炎(乙肝)发病趋势预测中的应用价值。方法收集中国疾病预防控制信息系统中的2005-2021年山东省潍坊市乙肝病例数据,分析乙肝发病趋势。采用乙肝报告总数时间序列作为研究对象,使用R语言建立LSTM神经网络模型、SARIMA模型和Holt-Winters模型,分别对2021年1-12月份的乙肝发病趋势进行预测,通过均方根误差(RMSE)、相对标准误差(RSE)、平均绝对百分误差(MAPE)比较模型的预测效果。结果2005-2021年山东省潍坊市报告乙肝病例44599例,其中急性乙肝病例7255例。乙肝总体病例数呈现上升趋势,急性乙肝病例数呈现下降趋势。乙肝时间序列每月的增长趋势是一致的,具有明显的季节性。将训练完成的LSTM时间序列模型用于2005年1月-2020年12月的乙肝报告数进行回代预测,结果显示,LSTM模型的拟合值与实际值基本一致,捕捉到了乙肝时间序列的长期趋势和季节波动。三个模型的预测误差Holt-Winters(RMSE=47.67,RSE=1.86,MAPE=13.80%)>SARIMA(RMSE=45.49,RSE=1.69,MAPE=13.46%)>LSTM(RMSE=31.66,RSE=0.82,MAPE=9.49%)。结论LSTM模型对乙肝发病趋势的预测效果较好,可以用于乙肝发病趋势的预测。

基于自回归与长短期记忆网络混合模型的热电偶动态补偿方法研究

热电偶在动态温度测量时由于热惯性存在动态误差。为补偿热电偶的动态误差,提出一种基于自回归与长短期记忆网络混合模型的补偿算法。该算法通过自回归模型对热电偶动态响应进行辨识,再由长短期记忆网络作为非线性补偿器校正动态误差。采用不同强度的高斯白噪声模拟噪声环境,仿真构建热电偶模拟测量数据集。在模拟测量数据集上对算法做验证。计算结果表明,该算法在不同噪声环境下均能有效地减少动态误差。搭建热电偶动态温度测量实验平台,以K型镍铬/镍硅热电偶为实验对象,取得实验测量数据集。实验和计算结果表明,经算法补偿后的热电偶动态响应得到改善,平均动态误差为0.0028,标准差为0.0102。

基于长短期记忆神经网络的罗非鱼生长预测模型

【目的】通过测定吉富罗非鱼生长指标,建立其生长的长短期记忆神经网络(Long Short-term Memory neural network model,LSTM)模型,分析模型的拟合度和准确度,为罗非鱼的育种和养殖提供参考。【方法】以罗非鱼生长阶段的生长时间、投喂量及水槽编号3个指标数据作为输入量,通过Dropout和one-hot的方法建立LSTM模型。【结果】模型在训练开始后迅速下降,100次迭代左右,误差下降速度开始逐步减缓,在1000次迭代后,误差开始收敛,数值趋于稳定,稳定值误差在0.0036左右。训练完成的模型对测试集的预测结果相对误差随真实值变大而逐渐变小,真实值较大且稳定时,相对误差较小,整体拟合程度较好。【建议】生长预测模型满足基本生产需求的同时,需增加样本数据的记录采集,建立生长数据库;结合信息平台等技术获取多影响影子数据,增加输入变量,使模型更加完善合理;选择合适的模型,结合预测数据与生产,合理规划上市时间及安排投饲方案等,使养殖利益最大化。

基于注意力卷积长短时记忆模型的城市出租车流量预测

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

一类带有时滞的模糊双向联想记忆神经网络模型周期解的全局指数稳定性

利用M-矩阵理论、Halanay不等式和一些分析技巧证明了一类带有变时滞的非自治模糊双向联想记忆神经网络模型周期解的全局指数稳定性,通过一个实例说明了结论的正确性。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于LSTM模型的船舶材料成本滚动预测

船舶建造周期长、材料成本占比大,易受大宗商品价格指数和汇率等多个因素的影响,造成实际完工成本与报价估算存在较大误差的情况。采用灰色关联分析(Grey Correlation Analysis,GCA)方法识别材料成本的影响因素,基于长短期记忆网络(Long Short-Term Memory,LSTM)模型构建船舶材料成本滚动预测模型,并使用某造船企业53艘64000 t散货船63个月的材料成本数据和对应的影响因素数据进行试验分析。结果表明,预测数据与实际数据误差在可接受范围内,可证明所选择方法和构建模型的有效性。研究结果对制造过程的成本实时预测和控制具有现实意义。

融合FastText模型和注意力机制的网络新闻文本分类模型

[目的/意义]构建融合Fast Text模型和注意力机制的网络新闻文本分类模型,为网络新闻平台运营提供了智能化的知识组织思路。[方法/过程]基于Word2vec模型与Fast Text模型相结合的词向量模型Ngram2vec进行网络新闻文本的语义表达,并运用融合注意力机制的Bi LSTM;tte模型实现新闻文本分类。[结果/结论]实验结果显示,融合了Fast Text模型与注意力机制的网络新闻文本分类模型使F1值从90.62%提升到92.03%,说明本文提出的文本分类模型能够提升网络新闻文本分类的精确率,对网络新闻平台提升知识组织效率、优化服务水平具有重要参考价值。

基于CNN-LSTM网络模型的风电功率短期预测研究

风电功率预测对电力系统的稳定运行与经济调度至关重要。为充分挖掘历史数据中的有效信息以提高风电功率短期预测精度,提出一种基于卷积神经网络(convolution neural network,CNN)和长短期记忆(long short-term memory network,LSTM)网络模型的风电功率短期预测方法,利用CNN序列特征提取能力进行有效信息的提取,保留更长的有效记忆信息以解决梯度弥散问题,弥补了LSTM网络模型面对过长序列时出现不稳定与梯度消失现象的不足。用国内某风电场数据进行实验,预测结果表明文中提出的方法与反向传播神经网络和LSTM网络预测方法相比,具有更高的预测精度。

神经网络预测模型在高速铁路地震响应中的性能对比

为明确何种深度学习模型适用于高速铁路地震响应预测分析,该文利用振动台技术建立高速铁路无砟轨道Ⅱ型板缩尺模型,使用准分布式光纤光栅采集地震时缩尺桥梁响应,建立3种评估指标.从预测精度和稳定性等方面深入研究,对比多层前馈网络(multilayer feedforward network,BP)、长短期记忆神经网络(long short-term memory neural network,LSTM)和循环神经网络(recurrent neural network,RNN)在地震响应中的效果.实验结果说明LSTM网络比BP、RNN网络模型具有更高的预测精度,且在不同应变范围中表现稳定.LMST模型预测结果的平均误差最小,均方根误差、平均绝对误差、决定系数分别达到了0.22582、0.1471、0.91542,可以获得最佳预测精度.

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

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PSO-LSTM模型的地热储层温度预测研究

预测不同深度地热储层的温度是确定热储的热能储存量、热输出能力和可持续利用期限等参数的关键。针对不同约束条件下的热储温度预测问题,建立了一种基于粒子群优化算法(PSO)的长短时记忆网络(LSTM)的热储温度预测模型,对共和盆地恰卜恰地区地热井进行了预测,并通过与BP模型、LSTM模型的预测结果对比,验证该模型的有效性。结果表明,该模型预测结果的均方根误差(RMSE)、平均绝对百分误差(MAPE)、平均绝对偏差(MAD)值与BP、LSTM模型相比均最小,且RMSE最小值仅为1.192。该模型预测值与真实值的相关性系数为0.929,说明该模型的预测效果好,能实现地热系统储层温度的高效预测,为地热系统高效长久开发提供科学依据。