基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能。该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火。首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比。研究表明:以相关变量为输入的BP神经网络无法考虑时序变化规律,预测误差最大;以温度单变量为输入的ARIMA根据时序变化做出相应预测,预测效果较好;多变量LSTM预测模型综合考虑了多种因素的相互影响,同时结合了时间序列依赖关系,预测效果最好。最后通过多变量LSTM预测模型对某节点是否着火进行了预测,预测结果与实际值契合较好。总体来说,多变量LSTM预测模型对澳大利亚大火的预测结果可信。

基于退化阶段识别与LSTM-fine-tune的氧气浓缩器多阶段退化预测

退化预测是装备健康管理的重要技术途径,近年来,大量时间序列预测方法在退化预测中得到应用。然而,众多大型装备由于结构复杂,功能多样,在退化过程中存在明显的阶段性,采用单一的模型对不同阶段的退化进行预测将会出现明显的精度降低,针对不同阶段对模型重新训练也会带来时间和算力的损失。针对多阶段退化的问题,引入了迁移学习的思想,提出了一种退化阶段识别与LSTM-fine-tune结合的多阶段退化预测方法,采用退化数据对LSTM模型训练,之后对部分网络参数进行冻结,在识别到装备出现新的退化阶段后,利用新阶段的退化数据对模型进行微调,以快速匹配不同阶段的数据。为验证模型的有效性,本文以氧气浓缩器为例进行模型应用。结果表明,本文方法能够有效识别氧气浓缩器3个阶段的退化,每个阶段的预测均方差分别为0.507、8.976和0.375,远低于不分段直接预测的均方误差76.87,在训练时间上,对比于每个阶段重新训练时间大幅缩短,在训练精度上,明显优于维纳过程、Lstar等传统方法。

基于SAE和LSTM RNN的多模态生理信号融合和情感识别研究

为了提高情感识别的分类准确率,提出一种将栈式自编码神经网络(SAE)和长短周期记忆单元循环神经网络(LSTM RNN)融合的多模态融合特征情感识别方法。该方法通过SAE对不同模态的生理特征进行信息融合和压缩,随后用LSTM RNN对长时间周期的融合进行情感分类识别。通过将该方法用到开源数据集中进行验证,得到情感分类准确率达到0.792 6。实验结果表明,SAE对多模态生理特征进行了有效融合,LSTM RNN能够有效地对长时间周期中的关键特征进行识别。