应用长短期记忆循环神经网络的弱反射信号增强方法

由于沉积环境的特殊性和复杂性,地下介质中不同反射界面的波阻抗差可能差异巨大。如果储层的有效反射信息较弱,在地震数据中极可能被强反射信息掩盖,不易被识别,影响了储层识别效果,因此亟需一种解释性处理技术突出弱反射信息。常规方法一般是先从地震数据中分离出强反射分量,再将它削弱或删除。但如果地震子波提取不准确,减去法中强反射残留会引入虚假信号。文中提出了一种“升弱降强”的新思路,通过构建幂次反射系数映射模型缩小弱反射信号与强反射信号的相对差异。首先计算测井反射系数的幂次反射系数,将弱反射系数相对增大、强反射系数相对减小,得到拟反射系数序列;再用原始反射系数序列和拟反射系数序列分别与地震子波进行褶积运算,得到合成地震记录和拟合成地震记录,生成训练样本集;然后用该样本集训练长短期记忆(LSTM)循环神经网络,建立合成地震记录与拟合成地震记录的映射关系;最后将该网络应用于地震数据,增强了地震弱反射信号。模型和实际数据应用结果表明,该方法能有效增强地层本身引起的弱反射信号,提高地震数据的储层识别能力。

基于双向长短期记忆循环神经网络和条件随机场的钻井工况识别方法

传统钻井作业中,钻井工况主要通过基于机理模型与人工判断的方法进行识别,无法保证钻井工况识别的实时性与精准度。为此,采用近年来热门的人工智能算法,将井深与钻头位置的差、钻头位置、井深、大钩高度、大钩载荷、转速、钻压、扭矩、排量共9项钻井参数作为输入特征项,训练调优并建立了基于双向长短期记忆循环神经网络和条件随机场的钻井工况智能识别模型,对复合钻进、滑动钻进、上提开泵划眼、下放开泵划眼、静止、坐卡、原地循环等共计20种钻机动态进行实时智能识别,训练集、测试集的正确率分别为96.49%、97.23%。该模型的成功建立,验证了人工智能算法的优越性,为人工智能算法在钻井工程领域的后续应用提供了丰富经验。

基于长短期记忆神经网络的检修态电网暂态稳定评估方法

随着电网规模不断扩大,电力元件持续增多,电力系统检修方式日趋复杂,仅依靠传统方法难以对海量检修方式下电网的暂态稳定风险进行评估。针对此问题,提出一种基于长短期记忆(LSTM)神经网络的检修态电网暂态稳定风险评估方法。首先提出电力系统检修方式的统一编码方法,使计算机能够快速、准确识别电网在各种检修方式下的运行状态,然后建立长短期记忆神经网络并基于大量检修态电网故障样本对网络进行训练,最终实现对不同检修方式下电网暂态稳定程度的准确评估。最后,以华中地区某省级电网为算例,验证了所提方法的准确性。

基于循环神经网络的GDP预测研究与分析

GDP(Gross Domestic Product)和人均GDP是一个国家经济实力的标志性指标,反映一个国家经济发展状况。通过世界银行提供各国1976年以来的GDP和人均GDP数据对LSTM(Long Short-Term Memory)网络进行了训练,用训练好的LSTM网络对6个国家的人均GDP进行了预测。通过对预测值和实际值的比较,结果显示LSTM网络对人均GDP的预测效果明显优于传统的统计学方法。

基于循环神经网络的工程专业语义智能分析方法研究

针对传统翻译方法学习能力差、翻译质量较低的问题,提出了一种基于循环神经网络的专业英语机器翻译方法。该方法以编码器-解码器为模型框架,利用改进的循环卷积神经网络对输入数据加以训练。同时编码器使用多头注意力机制对输入数据进行共同训练,进而使算法兼具局部与全局特性。解码器单层则采用三子层结构,分别为多头注意力子层、上下文信息子层及全连接子层,可保证句子翻译的流畅性。在实验测试中,所提算法的BLEU值与其他算法相比提升了2.7;而在专业语料翻译测试中,相较于网络翻译,该算法的准确性和流畅度均更优,由此表明其性能较好,具有一定的工程应用价值。

基于长短期记忆循环神经网络的AGC实时控制策略

大量新能源的接入以及电网中冲击负荷数量的剧增,使得电网对自动发电控制(AGC)策略提出了新的要求。简化AGC的一般控制流程,对比不同AGC策略的控制特性,在每个考核周期内选择控制效果更优的控制策略,并充分发挥多种控制策略在各自优势工况下的性能,以得到优秀控制数据集;在此基础上,以长短期记忆(LSTM)循环神经网络为神经元构建AGC策略深度学习模型,并提出一种基于LSTM循环神经网络的数据驱动型AGC实时控制策略。仿真结果表明,基于深度学习的控制策略的整体性能优于任何单一控制策略。

基于长短期记忆循环神经网络的伊拉克H油田碳酸盐岩储层渗透率测井评价

伊拉克H油田碳酸盐岩储层孔隙结构复杂,孔隙类型多样,给渗透率测井评价工作带来了极大困难。针对这一问题,建立了基于测井序列信息的长短期记忆(LSTM)循环神经网络渗透率预测模型。从测井响应差异以及测井序列信息出发,优选敏感测井曲线,搭建LSTM循环神经网络,训练网络并优化网络参数,建立了基于LSTM循环神经网络的伊拉克H油田碳酸盐岩储层渗透率预测模型。应用该模型对伊拉克H油田进行渗透率测井评价,并将预测结果与灰色系统预测模型GM(0,N)进行对比。结果表明:相对于灰色系统预测模型的结果,基于LSTM循环神经网络的渗透率预测模型的均方根误差降低了29.47%,皮尔逊(Pearson)相关系数提高了6.59%,取得了较好的应用效果。该模型能够充分挖掘测井曲线与渗透率之间关系的信息,提升了储层渗透率评价精度。

一种改进组合神经网络的超短期风速预测方法研究

超短期风速预测是保障风电机组桨距角前馈控制实施效果的关键,对提高风电机组环境适应性具有重要影响。为了提高预测精度,提出了一种改进组合神经网络的超短期风速预测方法。该方法选择适合时间序列预测且具有较强非线性学习能力的BP神经网络和长短期记忆(long short-term memory,LSTM)神经网络进行加权组合,以消除单个神经网络可能存在的较大误差;同时,为了提高组合效果,采用差分进化算法对组合权重进行优化。将该方法应用于某风场超短期风速预测中,通过与单神经网络预测、等权重组合神经网络预测的结果对比,验证了所提方法在提高预测精度上的有效性。

LSTM循环神经网络的高速铁路越区切换算法

在高速铁路列车运行过程中,为了保持不中断通信,列车需要不断地与基站进行越区切换。越区切换作为LTE-R通信的关键技术,对于保障行车安全至关重要。针对下一代高速铁路无线通信LTE-R系统越区切换算法,因迟滞门限参数固定而导致切换成功率低等问题,提出了一种基于长短期记忆循环神经网络的高速铁路越区切换算法。首先,利用长短期记忆神经网络的记忆特性以及高速铁路越区切换重叠区信号时空相关性的特点,构建了基于长短期记忆循环神经网络的越区切换迟滞门限参数动态预测深度学习网络;其次,通过提出的长短期记忆深度学习模型,对越区切换迟滞参数进行线下训练和线上预测来获取未来时刻的切换门限值,实现了对越区切换迟滞参数的自适应预测,克服了迟滞门限参数固定的缺点;最后,通过仿真实验的结果表明,所提基于长短期记忆循环神经网络的高速铁路越区切换算法较其他比较方法能够有效地提高越区切换的成功率,并降低乒乓切换率的影响。

基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法

针对变电站故障推理和分析应用存在人工总结的规则不全面、总结难度大、干扰信号多、故障推理配置可重用性低,以及故障推理往往需要考虑输入信号的时序性等问题,而采用传统机器学习算法无法有效解决此问题,提出一种基于长短期记忆循环神经网络(LSTM-RNN)、自然语言处理技术的变电站智能故障推理方法。分析了故障推理的应用场景,介绍了智能故障推理方法的整体架构、关键技术,并通过实际数据的应用试验进行了测试,验证了不依赖人工规则的智能故障推理方法的可行性,在信号时序可以记忆的场景中LSTM-RNN比其他机器学习算法有更好的适用性。

长短期记忆神经网络在厦门风暴潮预报中的应用

利用长短期记忆神经网络(LSTM)模型强大的长短期记忆能力,建立厦门风暴潮增水预报的人工神经网络模型。利用信息流理论确定了影响增水的10种因子,分别利用不同因子组合测试了不同模型的表现,确定了表现最佳的因子组合。基于此因子组合,对比了LSTM模型和常用的BP神经网络模型、SVM模型和线性回归模型,确定了LSTM模型在风暴潮增水上的优势。基于LSTM最佳预测模型预测了1、2、3及6 h风暴潮增水值,并基于三种不同台风路径分析了模型的平均绝对误差、相关系数、有效系数和极值偏差指标。结果显示,LSTM模型在预报风暴潮短期增水有很高精度,可为防灾减灾提供辅助和参考。

基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法

针对电池荷电状态(SOC)预测的精确度与稳定性问题以及深层神经网络的梯度消失问题,提出一种基于一维卷积神经网络(1D CNN)与长短期记忆(LSTM)循环神经网络(RNN)结合的电池SOC预测方法——1D CNNLSTM模型。1D CNN-LSTM模型将电池的电流、电压和电阻映射到目标值SOC。首先,通过一层一维卷积层从样本数据中提取出高级数据特征,并充分地利用输入数据的特征信息;其次,使用一层LSTM层保存历史输入信息,从而有效地预防重要信息的丢失;最后,通过一层全连接层输出电池SOC预测结果。使用电池的多次循环充放电实验数据训练提出的模型,分析对比不同超参数设置下1D CNN-LSTM模型的预测效果,并通过训练模型来调节模型的权重系数和偏置参数,从而确定最优的模型设置。实验结果表明,1D CNN-LSTM模型具有准确且稳定的电池SOC预测效果。该模型的平均绝对误差(MAE)、均方误差(MSE)和最大预测误差分别为0.402 7%、0.002 9%和0.99%。

基于LSTM神经网络的超市蔬菜类商品收益预测

目前深度学习预测技术已经十分成熟,适用于多种类型的预测任务,可以对时间序列数据进行准确预测。长短期记忆神经网络(LSTM)在循环神经网络(RNN)的基础上解决了梯度消失和梯度爆炸的问题,可用于预测长时间序列数据。文章提出了基于长短期记忆网络的超市蔬菜类商品的收益预测算法。首先利用长短期记忆(LSTM)对蔬菜单品净藕的批发单价、销售单价、销售总量进行预测,在此结果的基础上对花叶类蔬菜进行预测,从结果中可以看出长短期记忆网络(LSTM)对蔬菜类商品的预测效果表现十分出色,最后得到花叶类蔬菜的商品总收益。

基于LSTM循环神经网络的风力预测研究

传统的风力预测模型中有线性预测模型和非线性预测模型,在具有强非线性记录数据的局部风力预测中,绝大部分的非线性预测模型比线性预测模型预测准确度更高.对于短时间内风力大小是非线性、随机性和难以准确预测的特点,该文运用一种基于长短期记忆(long short-term memory neural network,LSTM)循环神经网络的短期局部风速预报技术预测风力.首先建立以LSTM神经网络为基础的短期局部风速预测模型,然后采用TensorFlow深度学习平台进行模型参数调试,在此基础上,结合华东某局部风电场的历史数据作为输入,对模型进行训练和测试.研究结果表明,LSTM循环神经网络预测风速与实际的风速吻合较好,预测效果较好,并且深层神经网络具有强大的拟合能力,在数据预测方面有很强的应用性.

基于长短期记忆神经网络模型的共享单车短时需求量预测

共享单车具有很强的流动性和高随机性,为了更加准确地预测某区域内每小时的单车使用数量,通过爬取纽约市Citi Bike共享单车的天气特征数据信息,并分析时间因子、气象因子等对单车需求量的影响;采用长短期记忆(long short-term memory,LSTM)神经网络模型预测共享单车的短期需求量,并与传统的循环神经网络(recurrent neural network,RNN)和BP(back-propagation)神经网络模型预测结果进行比较。实验结果表明:影响单车需求量的主要因素包括温度、节假日、季节以及早晚高峰时间段等因素;与传统BP神经网络算法和循环神经网络RNN算法相比,LSTM鲁棒性高,泛化能力强,且预测结果曲线与真实结果曲线相吻合;预测精度高(精确度为0.860)均方根误差最小(为0.090),误差小。可见LSTM模型可以用来对共享单车的短时需求量进行预测。

基于人工神经网络的自然语言处理技术研究

文章探讨了基于人工神经网络的自然语言处理技术,首先,阐述了人工神经网络的定义、结构、工作原理,以及与深度学习的关系。其次,详细研究了基于人工神经网络的自然语言处理技术,包括神经网络模型、词嵌入技术、循环神经网络、长短期记忆网络、转换器模型与自注意力机制等,并分析了这些技术面临的挑战。最后,通过实验设计与结果分析验证了所提出方法的有效性。文章研究内容对于推动自然语言处理技术的发展和应用具有重要意义。

长短期记忆神经网络在多时次土壤水分动态预测中的应用

基于长沙站2016—2019年10 cm深度土壤水分自动观测小时数据集,利用长短期记忆神经网络(LSTM)模型结合随机采样学习方法,开展了土壤水分多时次预测,结果表明:LSTM模型对6、12、24、48 h后的土壤体积含水量预测均方根误差(RMSE)分别为0.22%、0.28%、0.38%、0.54%,决定系数(R2)分别为0.99、0.99、0.98、0.96,除6 h预测步长外,准确率均优于自回归整合滑动平均(ARIMA)模型,且误差稳定、无异常值出现,预测准确率远优于相关研究。该结果证实了基于LSTM模型精准预测土壤水分动态的可行性,为精准灌溉和干旱预警提供了计算机技术及手段支撑,为政府及科研部门水资源管理政策的制定提供了数据支持。

基于双向长短期记忆神经网络的岩相预测方法

介绍一种基于双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的岩相预测方法,综合利用测井和地震数据进行高效准确的岩相预测。通过合成地震记录,进行井震数据的时深匹配,以地震吸收衰减数据、纵波阻抗、密度和伽马拟声波阻抗作为输入,以岩相作为标签,通过Bi-LSTM模型训练建立输入数据与岩相的非线性映射关系。将该方法应用于四川某浅层河道砂体勘探区岩相预测,结果表明,基于Bi-LSTM构建的岩相预测方法优于普通循环神经网络和普通LSTM,能够快速确定地下岩相,有效指示河道。基于Bi-LSTM的岩相预测方法能有效提取输入数据与岩相信息的非线性映射关系,对少井地区的岩相预测工作有较高的实用价值。

计及误差修正的变分模态分解-长短期记忆神经网络短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解(variational mode decomposition,VMD)和长短期记忆神经网络(long short-term memory,LSTM)结合的短期负荷预测模型,并使用支持向量回归(support vector regression,SVR)构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。

长短期记忆神经网络在季节性融雪流域降水-径流模拟中的应用

可靠的径流模拟对流域水资源规划与管理意义重大。以岷江镇江关水文站实测径流为研究对象,通过与BP神经网络和Elman循环神经网络的对比,验证长短期记忆神经网络在受季节性融雪影响流域日尺度降水-径流模拟中的适用性,并进一步分析长短期记忆神经网络的关键参数——时间步长对日径流模拟精度的影响。结果表明:①采用BP神经网络进行日径流过程模拟时会丢失流域状态信息,模拟效果最差;②Elman循环神经网络相比BP神经网络,具有相对有限的记忆能力,在积雪时段较长的岷江镇江关水文站控制流域上的模拟效果一般;③长短期记忆神经网络以其特殊的CEC单元和“门”结构,实现了流域状态的长期储存与更新,在日降水-径流模拟中的效果最佳;④通过多次试验发现,当长短期记忆神经网络的时间步长设置为60 d时,模拟精度最高,结合春末夏初的降水、径流和气温变化过程,认为60 d时间步长符合岷江流域实际情况。