基于PSO-LSTM的重载铁路车轨桥系统随机振动响应预测方法

在车桥系统随机振动分析中,随机动力响应是评价行车安全性的关键因素之一,而现有的响应计算方法存在耗时长、成本高的问题。能够快速准确预测车-轨-桥系统的动力响应对重载铁路桥梁的状态评估和运维养维具有重要意义。本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)长短期记忆(Long Short-term Memory,LSTM)神经网络模型的重载车桥系统随机振动响应预测方法。该方法以车桥随机参数与轨道随机不平顺激励为输入,以桥梁动力响应为输出构造代理模型。首先,基于商业软件MATLAB平台构建PSO-LSTM网络模型;其次,通过建立的车-轨-桥系统随机振动分析模型计算初始样本集对应的随机动态响应,并进行模型训练,同时利用PSO算法优化LSTM结构参数;最后,使用训练好的PSO-LSTM模型对桥梁动态响应进行预测。为了验证本算法的优越性和鲁棒性,以朔黄重载铁路实测数据为例,对比本算法与BP(Back Propagation)神经网络、GRU(Gated Recurrent Unit)神经网络和LSTM神经网络的预测效率,并讨论不同车速下的预测情况,开展本模型与实测数据及有限元分析数据的对比分析。研究结果表明:在PSO优化下,LSTM模型预测结果得到一定的改善,PSO-LSTM模型拟合相关性系数可以达到0.97,其他评价误差值也均小于BP神经网络、GRU神经网络模型,本文模型可更高效准确地预测桥梁随机动力响应,可为进一步发展车-轨-桥系统随机振动响应预测理论提供技术支持。

一种融合GA和LSTM的边坡变形预测优化网络模型及其应用

考虑到BP神经网络模型忽略边坡监测数据存在的时间相关性,以及LSTM模型由于超参数选择存在主观性而易陷入局部最优等问题,提出一种基于遗传算法和长短期记忆网络(GA-LSTM)相结合的边坡变形预测模型,以发挥遗传算法全局搜索能力和LSTM预测时序数据的优势。以海明矿业露天采场边坡为研究对象,分别采用BP神经网络模型、LSTM网络模型以及GA-LSTM网络模型对边坡监测点GNSS49变形进行预测分析,并对比各模型达到收敛条件的时间。结果表明,GA-LSTM模型与其他模型达到同一收敛条件的时间差异不大,GA-LSTM模型的拟合准确度在0.1~0.2 mm,是LSTM神经网络模型的5~7倍,是BP神经网络模型的10~20倍,具有较高的精度和稳定性,其预测值与实际监测数据基本一致,可为矿山边坡的安全生产、管理以及决策控制提供科学依据。

基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

基于K均值聚类算法和LSTM神经网络的管道腐蚀阶段预测方法

针对声发射检测获得的管道腐蚀信号,提出了一种基于K均值(K-means)聚类算法和长短期记忆(LSTM)神经网络的管道腐蚀阶段预测方法。首先,利用K-means聚类算法将腐蚀信号分类,再构建LSTM神经网络模型,并采取了无监督学习的方式,以声发射波形为出发点,对模型进行参数优化,最后进行管道腐蚀阶段预测,并根据评价指标对模型进行评价。研究表明:对LSTM神经网络模型适当增加隐藏层,可以使得模型更加稳定,鲁棒性更好;与现有故障诊断模型相比,LSTM神经网络模型的精度更高。

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

基于ARIMA-PSO-LSTM的太阳能预测

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于Apriori-CNN-LSTM的公共建筑供热系统用户侧阀门调控方法

针对公共建筑供热系统中依赖人工经验调节用户阀门开度,无法实现智能调节造成人力资源浪费问题,该文提出了一种基于Apriori关联挖掘特征变量的CNN-LSTM混合神经网络用户阀门开度预测模型,用于阀门预测调控,让阀门调节变得更加智能、高效。该文首先从系统中导出前期人工调节供热系统运行的历史数据,在数据清洗后使用Apriori关联规则算法挖掘各变量数据与调节阀开度之间的关系,形成关联规则库,通过分析与调节阀开度相关的强关联规则选出特征变量。结合数据特点,选择结合卷积神经网络的CNN-LSTM混合模型来预测调节阀开度,计算误差对比发现预测结果优于单一的LSTM和Attention-LSTM神经网络模型。通过神经网络算法预测阀开度实现智能化调节,保证管网内支路流量与热量的动态平衡,满足用户对供暖舒适性的要求。

基于改进LSTM算法的综合能源系统多元负荷预测

准确预测短期多种能源负荷,是确保综合能源系统可靠、高效运行的必要前提。为此,提出了一种基于遗传粒子群混合优化(genetic algorithm particle swarm optimization,GAPSO)算法的卷积长短期记忆神经网络(convolutional neural network-long short-term memory,CNN-LSTM)综合能源系统多元负荷预测模型。首先,利用皮尔逊系数来描述各影响因素与负荷之间的相关性强弱。其次,采用GAPSO算法对长短期记忆(long short-term memory,LSTM)网络模型进行改进,然后构建卷积神经网络(convolutional neural networks,CNN)以提取小时级高阶特征,并通过改进后的LSTM网络模型对提取的隐含高阶特征进行分位数回归建模,构建了基于GAPSO-CNN-LSTM综合能源系统多元负荷预测模型。最后,以美国亚利桑那州立大学坦佩校区综合能源系统负荷数据为算例进行验证,结果表明:改进后的算法具有更好的收敛能力,模型具有更高的预测精度。

基于QPSO LSTM模型的锂电池剩余容量预测

为克服锂离子电池容量预测精度低的问题,提出了一种量子粒子群改进长短期记忆神经网络(QPSO LSTM)的电池容量预测技术。分析了量子粒子群改进(QPSO)和长短期记忆神经网络(LSTM)算法的基本原理,利用QPSO算法对LSTM模型神经元个数、学习率等主要超参数进行寻优,解决长时序数据预测精度差和预测模型超参数难以确定的问题,构建了QPSO LSTM模型。最后,以NASA电池为分析对象,分别采用QPSO LSTM、PSO LSTM、LSTM和GA BP这4种预测模型对2种不同型号的电池进行剩余容量预测,预测结果表明,QPSO LSTM模型预测精度高,误差在1.5%范围内,为电池剩余容量的预测提供了一种有效的方法。

基于TSO-LSTM神经网络的股票收益率均值预测模型及其在智能投资中的应用

根据股票收益的历史数据,建立数据和模型双驱动的智能资产配置系统,指导股民投资实现收益最大化.使用金枪鱼群优化(TSO)算法寻参的长短期记忆(LSTM)神经网络为分布鲁棒优化投资组合模型提供收益率的均值与协方差矩阵,求解更符合实际情况的分布鲁棒模型得到投资方案.该模型提出的方案在未来前10 d的收益明显高于直接使用历史均值的分布鲁棒模型,亏损天数少于直接使用历史均值的分布鲁棒模型和平均分配资金的方案.同时该文提出的决策系统随着时间的推移,可以通过更新历史数据重新训练LSTM网络,使得模型保持良好的效果.TSO-LSTM神经网络能有效地抓住股票收益率的历史数据特征,实时动态地为投资者提供良好的投资决策.

基于CSSA-LSTM神经网络的动态称重算法的研究

为了提高动态称重的测量精度,实现智慧牧场的实时监测和精细化管理,提出利用混沌麻雀搜索算法优化LSTM的神经网络的动态称重算法。通过动态称重台进行数据采集,并使用卡尔曼滤波算法对干扰数据进行处理。利用Tent映射策略和高斯变异后的麻雀搜索算法优化LSTM神经网络各参数,从而建立CSSA-LSTM神经网络模型。结果表明,CSSA-LSTM神经网络的平均绝对百分比误差在1.5%以内,平均绝对误差减少了0.874,均方根误差减少了1.1153。对比实验证明,该混合算法预测的误差最小,有效提高了动态称重的测量精度。

基于PSO-LSTM网络的水电机组振动故障诊断方法

针对水电机组振动故障诊断准确率低的问题,提出一种基于粒子群优化(PSO)算法优化长短期记忆(LSTM)网络的水电机组振动故障诊断方法。首先采用PSO算法对LSTM网络层节点数与dropout值进行优化,然后采用优化的LSTM网络对水电机组振动故障诊断。结果表明,该方法可准确诊断不同类型的水电机组故障,平均诊断准确率达99.55%,相较于标准的LSTM网络和PSO-SVM的故障诊断方法,该方法具有更快的收敛速度和更高的识别准确率,可用于实际水电机组振动的故障诊断。

基于量子粒子群算法优化LSTM的短期风电负荷预测模型

为了提高短期电力负荷预测的精度,研究了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法优化模型隐含层节点数、训练次数和学习率,建立QPSO-LSTM短期风电负荷预测模型[1]。解决了因网络结构及模型参数的不确定性产生的精度问题,并将该模型与传统的神经网络模型进行了对比。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高。

基于灰狼优化算法优化LSTM网络的短期负荷预测

高效的电力负荷预测可以提高电力系统的稳定性,优化资源配置、降低运营成本。在电力负荷预测中,搭建长短期记忆神经网络(LSTM)进行预测的过程存在一些问题,如参数调整困难和容易过拟合。为优化LSTM网络,采用了灰狼优化算法(GWO)和LSTM网络相结合的方法来进行短期负荷预测。试验结果表明,GWO算法可以通过优化复杂参数来提高LSTM网络的性能,减少过拟合的风险,提高模型的收敛速度和预测的准确性,验证了所提方案的可行性。

基于数据增强算法和CNN-LSTM的高精确度手势识别

近年来,基于雷达的手势识别技术在工业和生活中得到了广泛应用,但愈加复杂的应用场景对手势识别算法的准确率和鲁棒性提出了更高要求。对此,设计了一种基于毫米波雷达的高精确度手势识别算法。通过对已有分类算法的研究对比,构建了一种用于手势识别的卷积神经网络-长短期记忆网络(CNN-LSTM)深度学习算法模型;同时,运用布莱克曼窗抑制手势信号处理中的频谱泄露问题,并联合运用小波阈值和动态补零算法实现高效杂波抑制和数据增强。实测结果表明,设计的手势识别算法正确分类率达到97.29%,在不同的距离和角度情况下也可以保持较好的识别准确率,具有良好的鲁棒性。

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。

基于VMD-LSTM-WOA的铁路沿线风速预测模型

针对当前铁路沿线风速预测中精确度不高和模型泛化性差等问题,采用一种变分模态分解(VMD)、长短期记忆神经网络(LSTM)和鲸鱼优化算法(WOA)的组合预测模型,并通过均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)等评价指标进行模型预测精度验证。选取多个不同时间尺度的风速数据进行实验。实验结果表明:与其他模型相比,本文模型能有效提高风速预测精度,并且有着较好的泛化性。同时VMD-LSTM-WOA预测模型能够适用于铁路沿线短期风速和超短期风速预测,能为高速铁路规范和城市轨道交通规范下的大风预警提供可靠的支持。

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO_(2)浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。