脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成...脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。展开更多
提出一种模糊时间序列分析方法(analysis method of fuzzy time series, AMFTS),它是一个模糊时间序列分析方法的集合。保留Jilani等以历史数据作为论域的思路,抛弃应用分割论域并取模糊区间的中点近似代替历史数据的做法,让历史数据直...提出一种模糊时间序列分析方法(analysis method of fuzzy time series, AMFTS),它是一个模糊时间序列分析方法的集合。保留Jilani等以历史数据作为论域的思路,抛弃应用分割论域并取模糊区间的中点近似代替历史数据的做法,让历史数据直接参与预测值的计算。在预测阿拉巴马大学1971—1992年的注册数时,取得了均方误差MSE=0的好成绩,预测精度比IGAFS-FTS大幅度提高,显示出AMFTS的建模FMK比FGAFS-FTS更具优势。展开更多
文摘脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。
文摘提出一种模糊时间序列分析方法(analysis method of fuzzy time series, AMFTS),它是一个模糊时间序列分析方法的集合。保留Jilani等以历史数据作为论域的思路,抛弃应用分割论域并取模糊区间的中点近似代替历史数据的做法,让历史数据直接参与预测值的计算。在预测阿拉巴马大学1971—1992年的注册数时,取得了均方误差MSE=0的好成绩,预测精度比IGAFS-FTS大幅度提高,显示出AMFTS的建模FMK比FGAFS-FTS更具优势。