基于GRU改进RNN神经网络的飞机燃油流量预测

利用从飞机快速存储记录器(quick access recorder,QAR)中获取的大量数据设计研究了一种利用循环神经网络(recurrent neural network,RNN)及其改进网络门控循环单元(gate recurrent unit,GRU)进行飞机燃油流量预测的模型。首先使用基于时间的反向传播算法(back propagation trough time,BPTT)训练网络,Adam优化算法加速迭代更新神经网络权重。在参数调整实验中发现循环神经网络对历史信息利用能力不足,极易发生梯度消失与梯度爆炸,遂提出改进网络结构,引入GRU重构燃油流量预测模型。在最优的超参数条件下,重构模型在训练集和测试集上的损失函数均方误差(mean squared error,MSE)值分别为0.00108、0.00097。通过与朴素RNN的预测曲线和MSE对比可以发现,改进后的GRU网络能够“记忆”更多历史信息而不易出现梯度消失或梯度爆炸的问题,预测精度与曲线拟合能力显著提高。因此,GRU重构模型显著改善了预测能力,并通过实际案例验证该预测模型在故障诊断等领域的应用。

用连续回归神经网络求解泛函极值问题

针对信息科学和控制理论中经常涉及的一类泛函极值问题,提出基于连续回归神经网络的求解方法。推导了求解泛函的连续BPTT算法,进而对该算法进行改进,得出一种在线学习算法,为并行实现打下了基础。

基于LSTM-RNN的苏格兰鱼群迁移问题研究

本文旨在通过建立北大西洋研究海域海洋温度时间序列模型预测苏格兰鲱鱼和鲭鱼鱼群未来50年的迁移轨迹,给予周边渔业公司经营战略。首先,本文通过对影响鲱鱼和鲭鱼鱼群迁移的相关因素进行机理分析,选取适宜温度最佳阈值,接着结合研究海域的相关情况选取合适的样本点建立基于LSTM-RNN的海洋温度时间序列模型,从而给出了未来50年鱼群最可能出没的位置。同时根据预测得到的海水温度变化情况,给出鱼群位置变化的极端情况,进而为周边渔业公司提出经营策略。最后,综合考虑军事政治因素,验证了我们模型具有较强的适用性和合理性。

智能车跷跷板运动行进平衡算法的研究与实现

目前智能车行进算法多采用传统的PID控制算法方案,其弱点在于响应速度慢、平衡误差较大。提出了基于反向传播神经网络(Backpropagation Through Time,BPTT)的PID精确控制算法,采用以STM32F103C8T6为核心的高精度智能车跷跷板伺服控制系统,通过三维陀螺仪加速度计传感器集成模块MPU-6050检测输出信号给主控系统更新策略,使智能车顺利达到平衡位置。多次测试结果表明,智能车在运行中最大行进速度可达3.25 m/s,全程运行平均速度可以达到2.78 m/s,实际测得最大偏差为10.7 mm,该值在允许误差范围之内,说明该神经网络伺服控制系统具有控制精度高、响应速度快、实时性好等优点。

高校智慧后勤建设与应用

随着高校后勤信息化建设推进,资源节约集约型的智慧化后勤建设成为今后的研究方向。目前,高校智慧后勤建设以基础硬件设备建设为主。设备有效管控、风险预测等方面还需要进一步探索。文章通过智慧后勤综合管理平台采集实时数据,提出一种集成学习模型,结合常用的梯度学习算法,使用BPTT算法对高校智慧后勤风险进行有效预测。