基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断

提出一种基于卷积长短期记忆神经网络的深度学习模型PressureConvLSTM,用来提取行走过程中足底压力的空间特征和时序特征,并进行步态分类。通过对前交叉韧带断裂患者的足底压力数据分析,实现智能辅助诊断。结合临床数据的实验结果表明,PressureConvLSTM模型对前交叉韧带断裂的辅助诊断,能够达到95%的预测准确度;与卷积神经网络等其他模型相比,准确度得到大幅度提升。

基于长短期记忆神经网络的在线学习眼动认知层次智能识别模型

学习者对于所学知识的认知水平与其在线学习的体验和效果密切相关,衡量在线学习者的认知水平具有重要意义。本研究基于布鲁姆的认知理论将学习者的认知水平划分为低、中、高三个层次,追踪学生在线学习过程中产生的眼动数据,采用主成分分析法聚合相关性高的特征指标,达到保留有效信息且维度下降的效果,接着运用长短期记忆神经网络构建在线学习认知层次智能识别模型,并与其他6种机器学习方法进行了比较。研究结果表明,学习者的眼动指标和认知层次显著相关。同时,在模型性能方面,长短期记忆神经网络模型的性能显著高于其他模型,具有较高的测试准确率和F1分数,证明其在在线学习认知水平评估领域的有效性。本研究不仅丰富了在线学习认知领域的理论和实践,而且为在线课程设计、在线学习评价、学习资源优化等提供了强有力的支持。

基于多源数据融合与卷积长短期记忆神经网络的聚合物挤出过程熔体密度监测方法

聚合物挤出过程中熔体密度是影响产品质量的关键因素。由于挤出加工过程的高温、高压复杂工况,寻求能准确、在线监测聚合物挤出过程中熔体密度的方法是一个具有挑战性的问题。尽管基于机器学习的质量监测方法提供了一种解决方案,但在聚合物挤出加工过程中,由于数据类型、工艺参数、操作环境等多变性因素的影响,传统的机器学习方法可能难以捕捉聚合物加工中不同输入参数和输出质量参数之间的复杂关系,使得监测任务难以获得理想的准确性。本文提出了一种基于多源数据融合与卷积长短期记忆神经网络(CNN–LSTM)的熔体密度监测方法,用于在线监测聚碳酸酯–丙烯腈–丁二烯–苯乙烯共聚物(PC/ABS)共混体系的熔体密度。首先,通过实时采集安装在挤出机模头处的近红外、拉曼及超声3种传感器数据,对3种传感数据进行预处理并融合后作为输入;然后,通过合理设计的网络结构,构建CNN–LSTM监测模型,利用CNN的特征提取能力与LSTM的预测能力,最终实现对聚合物共混过程中的熔体密度的实时监测。基于独立开发的多源传感数据实时采集装置获取的数据,利用所提方法对PC/ABS共混挤出过程的熔体密度进行实时监测,结果表明:本文方法能够准确监测聚合物熔体密度,其在测试集上的均方根误差和决定系数分别为0.975 5、0.006 3 g/cm3,比传统的卷积神经网络方法、长短期记忆网络方法、岭回归方法、偏最小二乘回归方法、多层感知机方法和支持向量机回归方法具有更高的预测精度;本文方法的10次输入平均预测时间为1.523 5 s,能够满足实际生产过程的实时监测。综上所述,所提出的基于多源数据融合与CNN–LSTM的熔体密度监测方法显著提高了聚合物挤出过程中熔体密度的实时监测精度,为挤出过程中聚合物的质量提供了可靠的技术支持。

基于卷积神经网络-长短期记忆神经网络模型利用光学体积描记术重建动脉血压波信号

目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP波的连续值,本研究期望基于卷积神经网络-长短期记忆神经网络(CNN-LSTM)利用PPG信号波重建ABP波信号,实现连续无创血压监测。方法构建CNN-LSTM混合神经网络模型,利用重症监护医学信息集(medical information mart for intensive care,MIMIC)中的PPG与ABP波同步记录信号数据,将PPG信号波经预处理降噪、归一化、滑窗分割后输入该模型,重建与之同步对应的ABP波信号。结果使用窗口长度312的CNN-LSTM神经网络时,重建ABP值与实际ABP值间误差最小,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为2.79 mmHg和4.24 mmHg,余弦相似度最大,重建ABP值与实际ABP值一致性和相关性情况良好,符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation,AAMI)标准。结论CNN-LSTM混合神经网络可利用PPG信号波重建ABP波信号,实现连续无创血压监测。

基于北方苍鹰优化算法优化长短期记忆神经网络的光伏发电功率短期预测

为提高光伏发电功率短期预测的精度,提出一种结合时变滤波经验模态分解和北方苍鹰优化算法优化长短期记忆神经网络的组合预测方法。首先,利用时变滤波经验模态分解将光伏发电功率分解成多个固有模态函数分量。其次,利用北方苍鹰优化(northern goshawk optimization,NGO)算法优化长短期记忆(long short-term memory,LSTM)神经网络隐含单元的个数、最大训练次数和初始学习率,构建NGO-LSTM预测模型。最后,把每一个固有模态函数分量都输入到预测模型中进行预测,将所有固有模态函数分量的预测结果进行叠加便可得到光伏发电功率短期预测的结果。仿真结果表明,所提的预测模型可以有效提高光伏发电功率的预测精度。

基于主成分分析和长短期记忆神经网络的光伏功率区间预测

针对光伏发电功率的随机变化,提出一种基于主成分分析和长短期记忆神经网络的光伏功率区间预测方法,有效实现了光伏功率的区间预测。首先,将用于训练模型的输入数据进行主成分分析法降维,在提取数据特征的同时降低数据维度;然后,将降维后的数据与真实光伏功率一同输入基于分位数的长短期记忆神经网络预测模型中迭代训练,得到训练完毕的预测模型;最后,在对比仿真中验证了所提方法的有效性。

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换(wavelet transform,WT)和长短期记忆(long short-term memory,LSTM)神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。

基于长短期记忆神经网络的反应液葡萄糖含量预测

目的建立皮尔逊相关系数(Pearson correlation coefficient,PCC)和长短期记忆(long short term memory,LSTM)神经网络的反应液葡萄糖含量预测模型用以实时预测葡萄糖酸锌生产过程中反应液葡萄糖含量。方法通过葡萄糖酸锌制备实验,结合PCC理论确定对反应液葡萄糖含量有较大影响的因素,对这些因素进行数据采集并将其作为神经网络的输入变量,采集反应液葡萄糖含量数据并进行处理,将其作为神经网络的输出变量,进而建立反向传播神经网络(backpropagation neural network,BP)和LSTM神经网络的反应液葡萄糖含量预测模型。结果通过100次模型迭代训练,对照BP反应液葡萄糖含量预测模型可以看出LSTM反应液葡萄糖含量预测模型在测试集的误差约为0.45%,误差较小,准确度较高。结论基于LSTM反应液葡萄糖含量预测模型显著提高了预测精度,相比现有检测方法更加智能高效,能够有效辅助生产进行。

基于长短期记忆神经网络的电力用电量预测

为解决现有用电量预测精确度较低等问题,提出了基于长短期记忆神经网络的电力用电量预测方法。分析了电力负荷分类以及典型负荷曲线,说明了支持向量回归以及长短期记忆神经网络的基本原理,提出了基于支持向量回归和长短期记忆神经网络结合的预测方法,说明了预测流程,给出了预测结果统计评价标准。根据所提出的方法进行了案例分析,论证了所提方法的有效性。

基于长短期记忆神经网络参数辨识的IGBT模块老化判据

铝键合线脱落或者断裂是造成IGBT内部失效的主要原因,由于应用者无法观测到模块内部,从而无法正确认识模块的失效情况,安全措施不及时,导致系统发生更严重故障。研究了考虑杂散参数的多芯片封装高压大功率IGBT模块的工作特性,以某品牌三芯片并联结构IGBT模块的内部封装特性作为研究基础,分析了模块工作状态随栅极电容与寄生电感差异变化关系。重点研究了模块内部芯片间铝键合线的寄生参数,构建了基于长短期记忆神经网络的杂散参数辨识方法,提出了一种可快速精确诊断IGBT内部缺陷与失效率的方案。仿真和实验验证了该方案的正确性。

基于长短期记忆神经网络的采煤机摇臂轴承剩余寿命预测

为解决采煤机摇臂关键零部件的失效问题,基于长短期记忆神经网络(Long Short-Term Memory,LSTM)提出了一种创新性的方法,以预测采煤机摇臂轴承的剩余寿命。基于长短期记忆神经网络理论,通过建立轴承寿命退化指标,对轴承剩余寿命进行预测,同构利用分层抽样方法对数据集进行划分;通过引入粒子群算法优化LSTM,解决LSTM算法选择最优超参数的问题,提高轴承剩余寿命预测精度。研究结果表明,基于LSTM的轴承剩余寿命预测结果与实际轴承寿命变化情况基本一致,预测结果均在置信区间内,可以为轴承维修保养工作提供参考。

卷积-长短期记忆神经网络超宽带定位方法

针对室内视距环境下超宽带(UWB)观测值中的测距误差影响定位精度的问题,提出一种基于卷积神经网络与长短期记忆网络(CNN-LSTM)相结合的UWB测距误差改正模型:将基站与标签之间的测距值和Chan算法解算的标签初始坐标作为卷积神经网络(CNN)的输入,借助CNN良好的数据特征提取能力,充分挖掘UWB测距值的特征;然后利用长短期记忆网络(LSTM)进行进一步的特征学习,并进行训练和预测UWB测距值,以减少测距误差对UWB测距值精度的影响;最后,利用高斯-牛顿迭代算法求解出最终的UWB定位结果,同时,建立多项式和指数函数UWB测距误差改正模型,并与本文方法进行对比分析。实验结果表明,在静态和动态实验下,基于CNN-LSTM网络模型结果的精度均优于其他2种模型,证明该算法可有效降低测距误差,提高UWB的定位精度。

基于多层长短期记忆神经网络的用水量预测

及时准确的居民用水量预测对供水系统的设计和运行管理至关重要。长短期记忆神经网络(LSTM)是一种有效的基于数据驱动的用水量预测模型,但其通常依赖于大量的参数设置。因此,在LSTM模型基础上,通过叠加时间分布模块,提出多层长短期记忆神经网络模型(MLSTM)。与LSTM模型对比分析表明,MLSTM模型具有较低复杂度和更高的预测精度,尤其对于高峰期用水量预测(M_(MAPE)值降低约60%),且受外部环境条件(如天气)的影响较小。

基于长短期记忆神经网络的城市交通速度预测

交通速度预测在智能交通系统中起着重要的作用,准确、快速的交通速度预测有利于及时掌握城市道路交通状况,能够有效实行交通诱导。针对交通速度具有极强的周期性,在工作日和非工作日之间存在较大差异,导致预测精度不高的问题,分别选取公开的工作日和非工作日交通速度数据,构建基于长短期记忆神经网络的城市交通速度预测模型。实验验证采用广州市20条路段的交通数据,结果表明,区分工作日和非工作日的平均绝对百分比误差、平均绝对误差和均方根误差的平均值比不区分均要小,说明区分工作日和非工作日可以有效地提高交通速度的预测精度。

基于贝叶斯优化-卷积神经网络-双向长短期记忆神经网络的锂电池健康状态评估

准确估计电池健康状态是设备稳定运行的关键。针对当前健康状态研究中容量难以直接测量、估计模型调参费时等问题,提出基于多健康特征的贝叶斯优化(BO)算法优化卷积神经网络(CNN)与双向长短期记忆(BiLSTM)神经网络预测模型。基于NASA公开锂电池数据,提取3种健康特征。将CNN与BiLSTM结合,提高时间序列数据处理能力,加入BO算法自动搜寻最优参数集,避免组合网络模型陷入局部最优,从而减少评估时间。对比分析相关神经网络模型,结果表明所提方法预测准确度最高,可有效估计锂电池的健康状态,平均绝对误差和方均根误差均在1%以内。

基于脑电小波特征与长短期记忆神经网络的驾驶疲劳识别方法

为准确识别驾驶疲劳,提出基于小波特征和长短期记忆(LSTM)神经网络分类器的驾驶疲劳识别方法。在真实驾驶环境下采集了驾驶员非疲劳状态与驾驶疲劳状态的脑电信号,对脑电信号进行小波分解,计算4个小波系数的统计值、能量值和相对能量作为特征数据,用特征数据对LSTM神经网络进行分类训练与测试。试验结果表明,随着所构建特征数据的通道数量增多,LSTM神经网络的分类性能逐渐提高,特别是在14通道方案下,平均分类准确率约为96.1%。

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题,提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型,并使用4阶龙格库塔法外弹道仿真,得到大量轨迹数据样本;提出CNN-LSTM神经网络的混合轨迹预测模型,并利用滑动窗口法和差分法构造输入输出的轨迹数据对,将预测问题转化为有监督的学习问题;将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明,CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型,为弹丸轨迹预测研究提供了一定的参考。

基于长短期记忆神经网络模型的分层注水优化方法

分层注水是改善层间注采矛盾、提高水驱开发效果的一种重要手段。基于油藏数值模拟的分层注水优化存在地质模型不确定性强、所需数据多、计算耗时长等缺点,数据驱动的优化方法可有效克服上述缺点。以井组中所有注水井的分层注水层段为考察对象,采用平均不纯度减少(MDI)方法筛选影响每口生产井产液量和含水率的主要注水层段,以此为基础利用注水井分层注水量以及生产井产液量和含水率时序数据建立长短期记忆神经网络(LSTM)深度学习预测模型,结合粒子群优化算法(PSO)实现分层注水量优化。实例应用表明:基于注水井分层注水量的LSTM模型可以准确预测产液量和含水率,平均误差分别为0.5%和1.7%;在总注水量基本保持不变的情况下,优化后井组产油量增加12.2%、平均含水率下降4.2个百分点,实现较好的增油控水目的,为深度学习在分层注水优化方面的应用研究提供了一种新的方法。

基于注意力机制及长短期记忆神经网络的慢性阻塞性肺疾病氧减状态辨识

为提高慢性阻塞性肺疾病氧减状态的辨识性能,该文将注意力机制有效融入长短期记忆神经网络,提出了一种基于注意力机制的长短期记忆神经网络方法:首先,抽取每个待辨识状态点的四种有效鉴别特征,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征以及梯度特征;其次,在此特征表示的基础上,通过引入注意力机制,使用训练集来训练基于注意力机制的长短期记忆神经网络;最后,使用测试集来验证所训练模型的有效性。与多个经典机器学习算法的对比实验结果表明:所提出的基于注意力机制的长短期记忆神经网络方法的辨识模型能够准确识别氧减状态,全局性能指标曲线下面积达到了0.8531。所提方法对于慢性阻塞性肺疾病的准确诊断具有重要的参考价值。

基于鲸鱼优化算法改进长短期记忆神经网络的资源推荐

为了改善资源推荐算法的性能,提出基于鲸鱼优化算法(WOA)改进长短期记忆神经网络(LSTM)的资源推荐算法;首先提取资源和用户特征,构建特征差异值加权函数;然后,以资源-用户特征作为输入,建立基于LSTM的资源推荐算法,通过输入门、遗忘门、输出门及记忆节点对历史资源推荐数据按权重进行遗忘与筛选,有选择性地挑选部分数据进行循环迭代训练;考虑到LSTM的门操作需要设置的参数较多,引入WOA进行参数智能优化求解,提出WOA-LSTM算法,以提高LSTM的参数优化的精度及效率。结果表明,通过合理设置WOA参数,可以有效改善LSTM的资源推荐性能,与常用资源推荐算法相比,所提出的WOA-LSTM算法具有更高的推荐精度及稳定性。