基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。

基于ARIMA-LSTM的企业财务长期变化趋势预测算法

为了准确预测企业财务长期变化趋势,文章提出一种基于ARIMA-LSTM的企业财务长期变化趋势预测算法。通过设计ARIMA算法模型,并结合LSTM模型架构,实现基于ARIMA-LSTM的企业财务长期变化趋势预测。实验发现文中所设计方法的预测准确性较高,拟合性能更优。

基于改进随机森林的高光谱激光雷达信号分选研究

高光谱激光雷达数据在频谱维度上具有很高的维度,包含大量的波段或频带,易出现忽视频谱带中有用信息的情况,进而导致高光谱激光雷达信号分选效果较差。为此,提出基于改进随机森林的高光谱激光雷达信号分选研究。首先,采用变分模态分解算法对高光谱激光雷达含噪信号展开去噪处理;然后,采用长短期记忆神经网络算法对去噪后的高光谱激光雷达信号展开特征提取,并利用自编码神经网络对提取的特征展开重构处理,以获取重构后的雷达信号特征;最后,采用随机森林算法根据高光谱激光雷达信号特征完成信号分选。实验结果表明,所提方法的SNR为30.648 dB,RMSE为0.1498,预测分选类别与实际分选类别几乎一致,分析时间始终未超过5 s,表明所提方法的分选性能较好,具有实用性。

地铁车站深基坑开挖变形智能多步预测方法

为更好预测深基坑开挖期间地下连续墙的侧向位移变形,基于长短期记忆神经网络(LSTM)智能算法理论构建了LSTM多步预测模型.首先对多步预测模型的多输出策略进行论述,其次详细介绍了LSTM多步预测模型的构建方法,并对模型输入集空间维度和时间维度两项超参数进行探究,以提高模型的预测准确度.最后依托某富水砂土深基坑工程实例,分析了模型预测值与实际监测值的差异.3个典型监测点的数据分析结果表明LSTM多步预测模型具有较强的泛化能力,相关算法对深基坑开挖变形预测方法的改进优化具有参考价值.

基于数据驱动的移动目标卫星任务规划

卫星任务规划是卫星地球观测的重要前提。传统的卫星任务规划主要针对固定地面目标,不能满足日益复杂的任务需求。针对移动目标的卫星观测任务,提出了一种基于数据驱动的移动目标卫星任务规划方法。该方法在大量的移动目标数据的基础上,通过改进的长短期记忆神经网络算法预测了目标的未来轨迹和位置信息,并通过约束满足型遗传算法规划了基于预测算法结果的移动目标卫星观测任务。鉴于移动目标观测中约束和任务冲突的复杂性,约束满足型遗传算法以条件形式将约束嵌入到遗传算法中,并在算法中特别设计了冲突消除算子以解决任务冲突问题。仿真结果证明了该方法在解决移动目标卫星任务规划问题上具有优良的效率,并获得了很高的观测精度。