基于CNN-LSTM的地铁空调控制器剩余使用寿命预测分析

阐述综合考虑地铁空调控制器的特点,构建基于功能层及经济层的空调控制器样本数据集,通过建立CNN-LSTM模型对空调控制器的剩余使用寿命进行预测。实验结果表明,该预测模型准确度较高。

基于CNN-LSTM模型的情感分析研究

网络中存在着许多情感性评论和能反映出人们意见的信息,对这些文本进行情感分析可以获得许多有价值的结果。在情感分析的研究中,对特定的语境应选用与之相适应的算法模型,本文则是应用了相对较新的Pytorch深度学习框架,对斯坦福公开的影评数据分别采用CNN、LSTM和CNN-LSTM模型进行情感分析和比较研究。在对模型分别进行训练后,通过实验得到各模型在处理这份影评数据时的性能指标。实验结果表明,结合了预训练词向量的CNN-LSTM模型在实验中表现较佳,证明了本文分析方法的有效性,并可为相关情感分析模型的优化提供一定的意义。

基于深度学习的继电保护故障诊断方法研究

文章基于深度学习技术探讨一种新的继电保护故障诊断方法,分析深度学习在继电保护故障诊断中存在的问题,提出基于卷积神经网络-长短期记忆网络(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)模型的故障诊断方法,详细介绍该模型的结构和算法实现过程。通过收集和处理实验数据,对所提出的方法进行验证,并与传统方法进行对比。结果表明,所提出的方法具有更好的故障诊断性能。最后对实验结果进行分析和讨论,进一步说明该方法的可行性和优越性。该研究为继电保护故障诊断提供了一种新的思路和方法,具有一定的理论和实际应用价值。

基于CNN- LSTM的气象因素与高血压门诊人数关系

目的探讨甘肃省不同地区气象因素对高血压门诊人数的影响,并对高血压门诊人数的变化趋势进行预测分析,从而为高血压疾病的预防和控制提供参考依据。方法在控制了高血压门诊相关特征因素的基础上,利用Python编程语言对白银、成县、庆城和凉州四个地区的高血压门诊人数建立卷积神经网络(convolutional neural networks, CNN)和长短期记忆神经网络(long short-term memory,LSTM)混合模型(CNN-LSTM)。结果 CNN-LSTM模型对甘肃四个地区预测的高血压门诊人数的均方根误差分别为6.330 9、6.814 2、6.393 6和6.867 6,平均绝对百分比误差分别为74.082 2、78.508 2、56.618 3、50.235 4,平均绝对误差分别为4.875 7、5.431 1、4.542 0和6.460 8,结果均优于支持向量机(support vector machine, SVM)、整合移动平均自回归模型(autoregressive integrated moving average model, ARIMA)、随机森林(random forest, RF)、CNN和LSTM。结论 CNN-LSTM模型可以对甘肃四个地区高血压门诊人数进行较准确的短期预测,医院可以根据不同时间高血压就医需求合理配置医疗资源。