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。

基于改进长短时记忆神经网络-自适应增强算法的多天气车辆分类方法

针对目前国内外车辆分类效果不理想和受天气影响较大的问题,本文中提出一种基于改进长短时记忆神经网络自适应增强算法(LSTM-AdaBoost)的多天气车辆分类方法,并提出一种“多层网格法”以准确地确定LSTM的超参数。首先建立地磁车辆检测系统平台和车辆分类方法,然后分析基于改进LSTM-AdaBoost的车辆分类结果,并对不同车辆分类方法和不同天气下的分类准确率进行了对比。结果表明,与最邻近结点算法和反向传播神经网络算法相比,本文所提出的方法具有较高的准确率,最高分类准确率为92.2%。暴雨、雾霾和晴天3种天气中,暴雨时的分类准确率最低,但差别不大,最大相差3.9个百分点。

基于波束形成的长短时记忆网络语音分离算法研究

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。

基于遗传算法和长短记忆神经网络组合模型的加油站销量预测

针对加油站销量波动大且非线性特征明显,使用传统时间序列的预测模型无法满足实际预测需求的情况,提出基于遗传算法(GA)和长短记忆神经网络(LSTM)的销量组合预测模型,在原始数据的基础上加入温度、天气、油价、星期、节假日特征进行辅助预测,对文本类数据使用One-hot编码并使用Embedding降维,采用遗传算法求得LSTM模型的最优超参数来提升模型精度。结果显示:该模型精度保持在90%以上且符合大规模预测需求,能够投入实际应用。

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。

基于贝叶斯优化CNN-LSTM混合神经网络的短期光伏出力预测

光伏发电具有波动性、随机性及间歇性的特点,难以对其实现精准预测,本文提出了一种基于贝叶斯优化的卷积神经网络-长短期记忆网络混合算法模型的短期光伏出力预测方法,由此得到了比其他单一基准模型和多数组合模型更好的预测效果,具有一定适用性与应用价值。

基于LSTM算法与模糊推理的机房火灾报警研究

随着物联网技术的迅猛发展,各传感器及其应用所产生的数据量呈海量增长。用于在网络设备上进行传递、加速、展示、计算、存储数据信息的数据中心机房建设迎来了蓬勃发展。鉴于机房的重要地位,一旦发生火灾将会对整个数据中心造成毁灭性影响。为了识别当前火灾所处状态并发出分级火灾报警信息,文章提出了基于长短时记忆网络(Long Short Term Memory,LSTM)算法与模糊推理的多传感器信息融合机房火灾报警模型。该模型分为数据层、特征层和决策层三层。其中数据层对多传感器的数据进行采集与预处理;特征层使用LSTM算法对传感器数据进行火灾状态识别;决策层将识别结果与数据中心机房保护等级和火灾持续时间进行模糊推理融合得出最终的火灾报警决策。通过燃烧实验进行验证,结果表明:文章所提模型对机房火灾状态识别效果优于反向传播(Back Propagation,BP)算法与循环神经网络(Gate Recurrent Unit,GRU)算法的同时可以发出符合当前火情的分级报警决策。

作战指挥态势理解智能算法应用

为提高作战指挥态势理解效率,掌握敌方作战意图,对作战指挥态势理解进行了研究分析。首先,在仿真推演基础上,建立了知识发现方法池,提出了基于智能算法的态势理解方法;然后,以战术层面敌方坦克分队作战意图识别为例,说明了智能算法在挖掘和识别敌方作战意图时的应用方法和路径;最后,试验结果表明,深度学习和长短时记忆(LSTM)网络算法对意图识别问题具有较高的识别准确率。该研究可为指挥员提升作战指挥态势理解能力、开展智能算法在作战指挥态势理解中的应用研究提供参考。

基于多数据源融合的电网故障判别与告警技术研究

针对国家电网故障判别误差率较高的问题,设计一种基于多数据源融合的电网故障判别与告警方案。利用最大离散小波变换技术和长短期记忆网络算法结合的方法提高电网故障判别与告警能力;利用最大重叠离散小波变换技术具有的扩充冗余自成正交特性对故障类型进行划分;将长短期记忆网络算法由单向进程转为双向网络,避免了反馈传输过程中的网络层无法得到合适的偏导数等梯度消失情况。试验结果表明,通过所提算法进行数据质量核查的准确度高达九成以上,表明所提研究系统对解决提升故障判别准确度的提升具有较强的实用性、优越性。

基于LSTM的TTE网络速率约束流量预测

时间触发以太网(TTE)中的速率约束(RC)流量为事件触发流量,在RC流量动态调度的应用场景下,若能预测未来短时间内数条RC流量到达交换节点的序列,使交换节点提前进行调度决策,以减小RC流量时延,提高网络吞吐量。对RC流量到达序列预测问题进行了研究,建立了RC流量的到达序列模型,提出了基于长短期记忆网络(LSTM)算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真,得到多组混合关键性配置下RC流量的传输数据;以此作为输入样本对预测算法进行训练和测试。实验结果显示,LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。

基于LSTM算法的高压交联电缆线路振荡波局部放电检测方法

高压交联电缆线路承担的高电压、大容量电力输送任务存在复杂性。针对线路振荡波局部放电检测准确度较差,难以进行缺陷定位的问题,提出基于长短期记忆(LSTM)网络算法的高压交联电缆线路振荡波局部放电检测方法。应用振荡波电压法搭建高压交联电缆线路振荡波局部放电检测框架。基于小波包分解算法,提取典型局部放电信号特征,通过LSTM网络算法识别与检测振荡波局部放电信号,消除局部放电信号中的噪声。根据原始振荡波与反射振荡波到达测试端的时间差,结合振荡波传播速度,确定高压交联电缆线路缺陷位置,实现电缆线路振荡波的局部放电检测。试验结果表明,所提方法的局部放电信号识别准确度更高,电缆线路缺陷定位更精准,实际应用性能较佳。

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低,预测效果能力弱等问题,利用粒子群算法(PSO)对LSTM模型的参数进行优化,提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明:与LSTM模型和反向传播(BP)神经网络模型进行对比分析,在拟合能力方面等具有改进效果,所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。

水生萤火虫养殖过程中的水质监测方法

水生萤火虫是一种独特的生物,对其养殖环境的要求较高,因此需要对水质环境进行精细化监测和调控。本文提出了一种可以基于物联网和web技术的水质监测系统,针对大陆水生萤火虫的幼虫生长过程中的水质环境进行监测,通过主成分分析法对多变量时间序列进行筛选,降低模型输入数据维度,运用多元堆叠长短时记忆网络-差值分析算法(MSLSTM-DA)建立有关水质监测和预警模型,为今后的养殖提供预测和相应的决策参考。本文的研究在一定程度上填补了国内关于水生萤火虫养殖环境自动化监测和预警方面研究的空白,具有较高的实用社会价值和经济效益。

基于深度学习的集群式供应链应急物资需求预测研究

在突发事件和大数据情景下,建立基于数据流模糊C均值聚类算法的集群式供应链应急物资需求重要度决策算法,有助于辨识集群式供应链子系统应急物资需求的重要程度。针对集群式供应链中各子供应链之间的耦合特性和预测指标的快速变化数据流特征,提出基于长短期记忆网络的集群式供应链应急物资需求动态预测算法,提取集群式供应链多个子系统应急物资需求参数的时序特征,动态地、分布地对互联大系统的应急物资需求不确定性进行系统辨识估计。仿真实验结果表明了基于长短期记忆网络的集群式供应链互联大系统应急物资需求动态预测算法的可行性和精确性。

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。

基于LSTM的阀冷系统入水温度及冷却裕度预测

为解决换流站阀冷系统状态缺乏智能预测手段和极端工况下冷却能力是否充裕难以评估的问题,提出基于长短期记忆网络(long short-term memory, LSTM)的换流阀冷却裕度预测方法。在阀冷系统冷却裕度指标量化评估的基础上,考虑多源影响因素,通过相关性强弱选择特征量并构建数据样本集,利用长短时记忆网络建立预测模型,并基于大量实际样本数据进行训练,对入水温度和冷却裕度发展趋势做出预测、提前预警,同时提供极端工况下冷却裕度的分析模型,为现场处理决策提供依据。通过穗东换流站的实例分析,验证了算法的有效性和可行性。

恶劣环境条件下海外天然气管道站场事故演化知识图谱建模及预警方法

近年来恶劣环境条件(雷电、风、雨)频发,给长输油气管道尤其是海外油气管道的长期安全运行带来了重大威胁。海外油气管道的运行与应急救援面临着恶劣环境条件下的管道风险事故数据不足、跨国协同较为困难等问题。为解决当前管道事故预警模型过于依赖现场运行数据或事故相关数据的情况,该文利用恶劣环境条件下的天然气管道站场有限的事故文本数据,提出了一种基于知识图谱的站场事故演化预警模型。该模型采用双向长短期记忆网络-条件随机场算法(Bi-LSTM-CRF)对站场事故文本进行因果关系抽取,并加入了文本特征以增强抽取效果,然后利用Neo4j图数据库根据因果关系抽取的结果,建立了恶劣环境条件下海外天然气管道站场事故演化知识图谱。结果表明:相较于传统长输管道站场事故预警方法,该文所提出的基于知识图谱的站场事故预警模型不仅能够实现站场事故的预警,还能够实现对事故的路径预测以及事故应急决策推荐。这证明了该预警模型不仅可用性好,还能够有效地帮助海外天然气管道站场安全管理人员进行准确的风险控制与事故预防。