融合神经网络GRU和RRT算法的机械臂路径规划

针对求解机械臂最优路径规划问题,提出一种融合卷积神经网络GRU的RRT^(*)算法(GRU-RRT^(*))。将门控循环单元GRU应用于采样的规划器(GRU_Sampler),利用神经网络规划器为快速探索随机树提供节点,预测下一次随机采样最有希望的可达状态,显著降低了算法的运行时间,提高了改进的RRT^(*)算法的规划效率。此外,采用自适应可变步长,利用环境信息生成合适的步长,避免因固定步长导致的收敛速度降低的问题,最后使用三次样条插值算法对机械臂运动轨迹进行平滑,减少机械臂的冲击损耗。将GRU-RRT^(*)算法分别在二维、三维和Rviz地图中进行仿真,实验结果表明,改进算法有效的降低了搜索的时间,提高了机械臂规划的效率,平滑性良好。

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

基于GRU神经网络的软土地区公路路基沉降预测方法

采用门控递归单元(GRU)神经网络生成预测模型,依据Nesterov-accelerated Adam(Nadam)算法学习软土地区公路路基沉降数据的演变规律,采用沉降监测历史数据和实时数据进行训练,并在训练结束后再次分析实时监测数据,预测下一阶段的沉降变形;结合湖南某高速公路工程路基沉降数据,利用该模型对软土地区高速公路路基不均匀沉降进行预测,并与沉降实测值进行对比,分析预测模型的准确性和可靠性。结果表明,模型预测值与路基沉降实测值相吻合,基于GRU的路基沉降预测方法可靠。

无相位远场数据反演散射障碍的神经网络方法

针对无相位信息反演障碍物位置及形状的问题,提出一种两层门控循环单元(GRU)神经网络对门控循环单元神经网络的方法(MGNN),并给出该方法的收敛性分析.首先,以无相位远场数据与障碍物边界曲线方程参数作为输入和输出,通过GRU神经网络控制门思想与长期记忆功能,有选择性地更新网络状态,保存数据特征;其次,应用梯度下降算法更新模型权重和偏置,解决了无相位信息的远场数据反演障碍物位置及形状的难题;最后,利用数值实验说明该方法的有效性.

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

汽温联合控制系统改进GRU控制算法研究

针对超临界机组直流锅炉汽水系统所具有的大惯性、大迟延等特点,研究如何联合控制主汽温和中间点温度。首先,基于某600MW超临界机组运行数据,以中间点温度、主汽温度系统作为被控对象进行建模;然后,设计出一款改进的门控循环单元神经网络(GRU)的控制器,神经网络各项权值通过麻雀搜索算法优化;最后,将该控制器应用于中间点温度主汽温联合控制。结果表明,相比于传统门控循环单元神经网络控制的单独主汽温控制,本文提出的控制器取得了更好的控制效果。

基于门控循环单元的全断面掘进机稳定段掘进性能预测

全断面隧道掘进机(tunnel boring machine, TBM)一个正常掘进循环分为空推段、上升段和稳定段3个阶段,其中稳定掘进段为主要施工阶段,稳定段掘进性能的好坏是TBM掘进的关键。为实现TBM安全高效掘进,建立一种基于门控循环单元(gated recurrent unit, GRU)神经网络的预测模型,预测TBM稳定段掘进性能。模型以新疆某供水工程Ⅱ标段TBM施工数据为依托,5种掘进循环上升段主要参数的时间序列数据作为主要输入,围岩等级作为辅助输入来考虑岩体对掘进性能的影响,输出为稳定段的总推进力和刀盘扭矩,为稳定段TBM性能预判提供参考。为显示预测效果,对比传统循环神经网络(recurrent neural network, RNN)预测模型,并分析不同长度时间序列输入对模型预测精度的影响。结果表明:GRU模型预测拟合优度均在0.9以上,平均绝对百分比误差均小于12.25%,同时能够适用不同长度时序输入。由此可见,所建模型具有较高预测精度,泛化能力较好,能够辅助预判掘进机稳定段性能。

基于RF-GRU风速预测的风电MPPT控制

针对风能最大功率点跟踪(MPPT)的问题,提出了一种基于风速预测的改进粒子群优化(IPSO)算法的MPPT控制策略。该策略包含两部分:基于门控循环单元(GRU)神经网络的风速预测和IPSO算法的MPPT控制。首先,建立GRU风速预测模型,并通过随机森林(RF)算法进行特征提取,作为模型的输入,实现风速预测;然后,以预测的风速作为基础,从粒子群优化(PSO)算法的粒子分布、种群规模、惯性权重等多个方面进行优化,实现风能MPPT;最后,使用MATLAB/SIMULINK软件对所提策略进行仿真。仿真结果表明:基于RF-GRU预测的风速较为精确,基于风速预测的IPSO算法可以快速搜索到最大功率点,避免了局部最优和在风速突变时最大功率点滑落的问题。

桥梁结构挠度-温度-车辆荷载监测数据相关性模型

运营状态下桥梁结构挠度、车载和温度的相关性复杂,高精度的车载、温度与挠度相关性模型对桥梁结构健康监测具有重要意义。为此,提出了基于门控循环单元(gated recurrent unit,GRU)神经网络的桥梁挠度监测数据建模方法。为解决车辆荷载监测数据在时域内离散分布的问题,提出了基于挠度影响线的车载影响参数计算方法;在此基础上建立了基于GRU神经网络的车载影响参数、环境温度和桥梁挠度相关性模型。以一座悬索桥为例,分别建立了短时段、中长时段的相关性模型,考察了相关性模型对加劲梁挠度的预测能力,并利用相关性模型提出了一种温度和车载挠度分量的分离方法。悬索桥实例研究表明:短时段相关性模型的挠度预测值与实时监测数据基本吻合,而中长时段相关性模型则对一定时间窗口内的挠度极值具有精确的预测能力;采用相关性模型计算得到的温度与车载挠度分量与小波分解结果具有良好的一致性。

采用多任务学习预测短时公交客流

现有公交线路短时客流预测方法主要依赖于单条线路的信息,忽略了多条线路之间的相关关系对客流预测的提升效果。针对这一问题,提出一种基于相关度分析和多任务学习的公交客流预测方法。利用灰色关联分析和皮尔逊相关系数获取公交线路之间的关联度系数,计算当前线路的相关线路集合;将相关线路的客流预测作为当前线路客流预测的辅助任务,建立基于门控循环单元(GRU)神经网络的多任务深度学习模型来预测客流。实验结果表明,该多任务学习模型在预测精度方面优于传统的时间序列预测模型以及仅考虑单条线路信息的神经网络预测模型。

基于改进LSTM的肺结节良恶性预测方法研究

目前深度学习计算机辅助诊断技术已经相对成熟,可以实现对肺部医学影像中可疑结节的识别,甚至可以完成对结节大小、类型等信息的精确测量,为医师临床诊断肺结节的良恶性提供有利依据。然而,传统常规的深度学习网络构建过程中使用的均为单独孤立的肺结节影像片段,并没有从时间序列的角度上对特征进行研究和探索。文章提出了一种基于自编码和长短期记忆网络的肺结节良恶性预测算法。首先,利用自编码网络(SAE)自动提取出肺结节影像数据的深度隐藏特征。在此基础上,利用长短期记忆(LSTM)构建了一个双层构时间序列模型,学习了肺结节特征在时间序列上的变化情况。最后,在收集到的5760张随诊数据集上进行了对比验证,从实验结果中可以看出,该方法在对肺结节进行良恶性预测的精准度为91.51%,其识别精度和收敛性能均优于其他比较算法。

结合深度学习和分解算法的股票价格预测研究

针对股票价格预测问题,实现对非平稳、非线性股票价格序列的预测,提出一种结合深度学习和分解算法的股票价格预测模型。该模型引入自适应噪声的完整集成经验模态分解(CEEMDAN)算法提取股票价格时间序列在时间尺度上的特征,利用注意力机制捕获输入特征参数的权重并结合门控循环单元(GRU)网络进行股票价格预测。实验对苹果、贵州茅台等国内外四家公司的股票价格和上证指数进行预测,结果表明与RNN、LSTM等模型相比,所提模型能有效减少预测误差,提高模型拟合能力。