基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型研究

目的研究基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型。方法选取2019年4月至2023年4月医院有创呼吸机使用情况数据,建立基于粒子群优化长短记忆网络(PSO-LSTM)算法的有创呼吸机使用量预测模型,预测全院及重症监护病房(ICU)有创呼吸机每天使用数量。采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及均方根误差(RMSE)作为准确性评价指标。结果PSO-LSTM模型预测重症ICU有创呼吸机每天在用量与LSTM模型比较,其MAE值降低41.15%、MAPE值降低50%、RMSE值降低44.36%;PSO-LSTM模型预测全院有创呼吸机每天在用量与LSTM模型比较,MAE值降低81.93%、MAPE值降低83.33%、RMSE值降低79.08%,PSO-LSTM模型预测精度高于LSTM模型。结论PSO-LSTM模型能够准确预测有创呼吸机的每天在用量,为有创呼吸机采购决策提供科学依据,为创建全院呼吸机管理共享中心提供数据分析基础,进一步提升医疗设备精细化管理水平。

基于长短记忆神经网络的供水管道渗漏点定位方法研究

供水管道系统通常埋设于地下深处且布设较为复杂,在对其进行检修维护的过程中会受到地下土壤、其他管道、道路、建筑物等因素影响,容易导致检修检测及管道渗漏点定位的信号衰减及噪声干扰,增加了检修维护难度。提出一种基于长短记忆神经网络的供水管道渗漏点定位方法,设计供水管道流量异常的预测方法获取管道流量异常情况,引入长短记忆神经网络计算供水管道流量与压力梯度,再根据管道压力梯度判断具体压力异常点,实现对供水管道渗漏点的精准定位。实验结果表明,该方法具有更高的应用灵敏度和精准度,可为同类管道的检修、检测提供参考。

基于深度长短记忆网络的汽轮机数据清洗

汽轮机运行过程会产生多样且大量数据。为适应大数据驱动及仿真建模对高质量数据的要求,高效的数据清洗十分必要。利用长短记忆层对于时序数据出色的非线性拟合能力搭建了汽轮机半监督数据清洗模型。模型选取机组的3个边界条件作为输入,对待清洗数据进行预测,根据预测值与实际值的残差完成异常值剔除,之后选用模型的预测值进行数据填充,保证数据的完整性。利用模型对某电厂650 MW机组进行数据清洗,并且为克服样本失衡给清洗模型指标选取带来的问题,对准确率进行了改进并将其作为清洗效果的衡量指标。结果表明:深度长短记忆网络的数据清洗模型改进准确率高于其他3种常见清洗方法,可有效识别数据是否异常,且可利用预测值进行数据填充,保证清洗前后数据量一致。

基于深度长短记忆网络的网络数据流异常检测研究

为了获得更为精准的网络数据流异常检测结果,提升检测效率,减小多因素影响造成的检测误差偏大问题,引入深度长短记忆网络对数据流异常检测参量进行结构优化,优化可分为网络数据流异常特征属性检测量定义、异常数据属性特征提取、深度长短记忆网络下的异常数据特征预处理、建立数据异常检测模型四个部分。通过从异常特征属性定义入手,全方位量化、构建全新深度长短记忆网络下的数据流异常检测模型,以此获得更为精准的检测结果。通过数据对比证实,基于深度长短记忆网络的网络数据流异常检测方法针对一般情况下的异常数据检测灵敏度较高,检测误差低,检测结果可信度和准确率高,检测耗时短,实际应用效果好。

基于长短记忆网络的刀具磨损监测方法研究

刀具磨损监测是推动数控机床稳定运行的有效手段。为实现刀具健康实时监测,设计一种基于长短记忆网络的刀具磨损监测方法。将实时采集的切削力信号进行去噪、降维等预处理;用堆叠自编码器进行特征提取,获得影响刀具磨损的本质特征;用长短记忆网络构建刀具磨损监测模型,实现加工过程中刀具磨损监测。利用铣削实验数据进行实例验证,获得磨损量平均绝对误差为0.06080的铣刀磨损量监测模型,验证了该方法的有效性。

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的提出一种基于Re-entity新分词方法的条件随机场(CRF)模型,并与双向长短记忆神经网络(BiLSTM)-CRF和Lattice-长短记忆神经网络(LSTM)进行比较。方法比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会(CCKS2018)任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果(89.25%)。结论基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。

基于长短记忆网络的输电线路轮廓识别模型研究测试

计算机视觉技术的应用,使得对于画面相对简单的输电线路的轮廓识别得到了很大的发展。然而在无人机巡检的过程中,复杂多变的环境以及快速变换的场景,都使得巡检的工作变得更困难。针对以上问题,我们在传统的Hough变换基础上提出了一种基于LSTM的输电线路轮廓巡检的算法,在特征提取方面采用卷积块和残差块相结合,并运用长短期记忆模块(LSTM)进行多层递归去除噪声,最后通过注意力融合模块进一步提取输电线路的特征,对不同方向、大小等输电线路有较强的学习能力,较好地保留了图像的细节,通过在真实数据集和合成数据集上进行实验,证明了该方法的有效性,通过与其他算法的比较,在客观指标上优于它们,主观效果巡线更彻底。

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络(back propagation neural network,BP)等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆(long short-term memory,LSTM)网络算法,在网络事件指标体系的基础上引入层次分析法(analytic hierarchy process,AHP)并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。

联合卷积与长短记忆神经网络的桥梁结构损伤识别研究

为改进传统方法在时空相关特征联合提取及结构损伤识别效果等方面存在的不足,结合结构健康监测加速度振动信号的数据特性,将结构损伤识别归约为多变量时间序列分类问题,提出一种联合卷积神经网络(Convolutional Neural Network,CNN)和长短记忆(Long Short-Term Memory,LSTM)循环神经网络模型的桥梁结构损伤识别方法。以结构健康监测获取的加速度振动响应为输入,通过CNN模型提取其多时间窗口内传感器拓扑相关性特征,然后将该特征矩阵输入以Softmax为输出层的LSTM模型,以进一步提取其时间维度特征,并进行结构损伤模式分类。以某连续刚构桥结构缩尺模型的一种无损伤及3种不同程度损伤工况为试验数据环境,验证了提出方法在准确率、精确率、召回率和F值等方面优势。

基于长短记忆网络的指数量化择时研究

构建高精度股市指数预测模型进而设计高效的择时策略是量化投资领域的研究热点。文章在股市指数建模过程中引入自适应噪声完备集合经验模态分解(CEEMDAN),并结合长短记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,提出一种指数预测建模方法C-LSTM。首先,运用CEEMDAN对指数进行量分预解测与值重获构得,指获数得的其整高体、低预频测分值量,与及现趋有势主项流;然预后测,方利法用L的ST对M比分实别验对表各明分C-量L进ST行M预具测有建更模低,的进预而测加误和差集和成滞各分后性;最后,构建基于C-LSTM预测的指数择时策略,并在沪深300指数上将其与均线择时、SVR择时进行对比实验,结果表明该策略凭借对指数的高精度预测大幅提升了择时信号的准确度,整体表现显著超越对照策略。

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络(Bi-LSTM)及全连接神经网络(FC)的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。

基于深度长短记忆模型的民航安保事件分析

为辅助公安民警分析民航安保事件,采用深度长短记忆(LSTM)模型,研究民航安保事件行为主体识别问题。通过搭建民航安保事件数据库,对民航安保事件概念信息进行多模态信息表示,提取安保事件时序特征,构建深度LSTM模型,进而实现安保事件行为主体的学习与预测。结果表明:该模型可基于事件时序特征分析事件行为主体,预测精度更优,且在有噪声情况下也可得出良好结果,相关研究成果已在SZX机场成功应用。

基于长短记忆神经网络的短期光伏发电预测技术研究

光伏电源在电网中的渗透率正在不断提高,准确的短期光伏发电预测有利于保障高比率光伏电源接入的电网安全稳定运行。为解决传统预测算法在学习周期波动规律上的不足,提出了基于长短期记忆神经网络的光伏发电预测模型。首先对长短期记忆神经网络的结构和特征进行了介绍和总结。其次,利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。接着,以小批梯度下降算法优化长短期记忆神经网络的训练过程。最后采用光伏电站的典型日发电预测实验来验证提出的模型。实验结果表明所提出的算法能够较好的预测光伏电站不同季节的日前光伏发电量。

一种基于长短记忆模型的交通轨迹异常挖掘模型

针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征,不能有效识别业务异常和新型异常等问题,提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测,然后基于进化理论将预测轨迹转化为异常轨迹,从而构建了基于长短记忆模型的异常判别模型.该模型可以有效地识别业务异常和新型异常,提高了异常检测的精准度和可扩展性,同时适用于无标签数据,解决了传统神经网络必须应用于有监督学习的问题.最后通过与改进的密度聚类算法和马尔科夫过程的对比实验验证了该模型在交通轨迹异常检测的优越性.

基于长短记忆模型的鄱阳湖流域径流模拟及其演变的归因分析

气候变化和人类活动直接或间接的影响着全球和区域水文循环过程,是导致水文水资源时空分布的主要因素,同时也是流域-湖泊水文情势变化的根本原因.本文基于长短记忆模型构建了鄱阳湖气象-径流模型,同时引入了基准期的概念,定量区分了导致鄱阳湖流域径流变化的主要影响因素.研究结果表明:在同时考虑计算效率和模拟效果的前提下,采用10 d预测窗口大小来构建鄱阳湖气象-径流模型能够很好地捕捉径流的极值,并且对径流的短期波动也能有很好的体现.训练期模型在各个子流域的纳什效率系数均高于0.94,而在验证期,模型在各个子流域的纳什效率系数均高于0.90.基于径流模拟结果,定量区分了人类活动和气候变化对鄱阳湖径流的影响,研究结果显示:人类活动对径流的影响主要发生在春、秋季,其中,人类活动在春季主要会造成径流的增加,平均增加幅度约为139.47 m^(3)/s,而在秋、冬季,人类活动则会导致径流平均减少约34.37 m^(3)/s.对比二者的相对贡献率,可以发现,春季人类活动对径流造成的影响较大,平均相对贡献率为77.26%.而在其余季节,鄱阳湖流域径流过程的改变主要是由于气候变化,平均相对贡献率约75.84%.研究结果能够为鄱阳湖流域水资源管理提供科学依据和理论指导.

基于长短记忆与信息注意的视频–脑电交互协同情感识别

基于视频–脑电信号交互协同的情感识别是人机交互重要而具有挑战性的研究问题.本文提出了基于长短记忆神经网络(Long-short term memory,LSTM)和注意机制(Attention mechanism)的视频–脑电信号交互协同的情感识别模型.模型的输入是实验参与人员观看情感诱导视频时采集到的人脸视频与脑电信号,输出是实验参与人员的情感识别结果.该模型在每一个时间点上同时提取基于卷积神经网络(Convolution neural network,CNN)的人脸视频特征与对应的脑电信号特征,通过LSTM进行融合并预测下一个时间点上的关键情感信号帧,直至最后一个时间点上计算出情感识别结果.在这一过程中,该模型通过空域频带注意机制计算脑电信号α波,β波与θ波的重要度,从而更加有效地利用脑电信号的空域关键信息;通过时域注意机制,预测下一时间点上的关键信号帧,从而更加有效地利用情感数据的时域关键信息.本文在MAHNOB-HCI和DEAP两个典型数据集上测试了所提出的方法和模型,取得了良好的识别效果.实验结果表明本文的工作为视频–脑电信号交互协同的情感识别问题提供了一种有效的解决方法.

基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测

光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNNLSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537%的误差,同时比未经优化的CNNLSTM混合神经网络算法模型减少了0.873%的误差.本文的算法模型对光伏发电功率具有更好的预测性能.

基于长短记忆网络的舰船航迹预测方法

在复杂海洋环境航行中,对航迹的准确预测是保障舰船安全、有效航行的重要基础。提出一种基于长短记忆网络模型的舰船航迹预测方法,该方法利用历史时刻舰船运动状态序列预测未来时刻舰船运动状态,进而预测舰船航迹。利用长短记忆网络(LSTM)对舰船运动序列模型进行训练学习,建立舰船运动状态预测模型,实现航迹预测。该模型具有长记忆功能,能够利用较长期舰船运动状态变化趋势预测舰船运动状态。最后仿真实验结果表明论文所提方法的有效性。

沥青路面温度预测的长短记忆循环神经网络模型研究

沥青路面的力学特征演化、环境老化与温度直接相关,路面温度的预测是对沥青路面性能评价、研究的基础。首先依路面热传导方程将路面温度场离散为表面热交换、内部热传导两个部分,路面表面热流可以近似表示为气象环境的线性组合,路面温度为路面历史温度与边界热流的线性组合。然后建立与离散路面温度场耦合的双层长短记忆(LSTM)深度神经网络模型,模型采用时间步迭代方式运行,迭代步内神经元能够模拟表面热交换、内部热传导过程。模型时间序列长度48 h,训练时前24小时的数据主要用于模型参数更新,后24小时用于验证训练效果;验证时全部时间序列用于检验模型效果。然后,实测、收集了武汉、广州、唐山、苏州的温度场数据集、气象数据,并将路面温度数据归一化成统一的深度,对路面温度存在锯齿形不光滑的数据做标记剔除短时降雨的影响。然后用武汉、广州训练集训练模型,比选模型的输入气象因素、神经网络神经元个数与层数、学习率、训练时段,遴选出模型架构为4 + 5的双层LSTM神经网络。用唐山、苏州数据评价模型在0、2、4、6、8 cm深度的预测标准差为2.98、2.32、1.95、1.68、1.5℃,剔除降雨标记数据时模型预测标准差为2.0、1.71、1.54、1.25、1.08℃,路面深度越大模型预测效果越好。模型的因素分析表明,气温升高对路面温度的提升效应最明显,太阳辐射提高对白天路面温度有提高效应,气温实际是非独立的路面与环境交互作用的体现者。

长短记忆神经网络在流行性感冒暴发预测中的应用

目的研究长短记忆神经网络模型(long-short term memory,LSTM)预测未来每周流行性感冒(流感)暴发趋势的可行性,以提高预测精度和工作效率。方法选取2007-2017年深圳市宝安区每周流感发病数,考虑到时间序列数据的自相关性和高频特征,基于深度学习思想构建长短记忆神经网络模型对流感暴发趋势进行预测,并使用5种方法对LSTM模型预测效果进行评估。结果深圳市宝安区流感报告周频率具有随机波动性和周期性特征,通过LSTM神经网络模型能够准确学习时间序列特征并用于外推预测。仿真结果表明,相比ARIMA模型、BP神经网络、小波神经网络(WNN)、广义回归神经网络(GRNN)和动态自回归神经网络(NARX),LSTM神经网络的拟合度更接近实际值,预测精度较高。结论在数据量大和非平稳及周期特征的情况下,深度学习的LSTM神经网络对流感的预测效果更好。