基于LSTM算法的玉米籽粒储藏温度预测

为减少储粮损失和虫霉等的发生,该文利用自制试验仓及检测系统检测储藏玉米籽粒不同位置的粮温,分析粮堆温度变化及整个粮堆热量的传递过程。试验结果表明,仓外环境温度对粮温影响较大,仓内粮食温度变化与仓外环境温度变化相比较为滞后,粮堆第一层2号位置温度在检测周期中一直处于较低状态,温度最高位置出现在第四层12号位置。基于粮堆温度变化分析,该文开展了基于长短时记忆网络(LSTM)算法的玉米籽粒储藏粮温预测研究。结果表明:(1)对比预测值与试验值可知,粮堆第一、二、三、四层测试集的粮温准确率分别为0.62、0.89、0.83、0.79;(2)位于粮堆第二层和第三层的预测结果精度较高,试验仓粮堆底层和顶层温度易受环境温度影响,粮堆热量交换速度快,温度变化迅速,导致第一层和第四层预测结果精度偏低。该研究可为粮食储藏温度预测研究提供新思路。

基于LSTM算法的变电站电力设备温度预测方法

随着智能电网技术的广泛应用,电力系统运行管理和监测技术也面临着巨大挑战,设备温度预测是确保电网稳定运行的关键因素,传统监测方法因其固有局限性已无法有效应对日益复杂和动态的数据,因此亟需新的技术和方法。本文提出了一种基于长短期记忆网络(LSTM)的温度预测方法,该方法专注于提升时间序列数据的处理能力,从而提高温度预测的准确性和效率,研究工作涵盖数据采集、预处理,以及LSTM模型的构建与优化。实验结果显示,该方法在变电站电力设备的温度预测准确性很,为电力系统稳定运行提供了有效的技术支持,展现了显著的实用价值。

基于LSTM算法的水工建筑物安全监控深度分析模型构建

由于水工建筑物安全监控数据会受到构成和质量上的影响,对其分析时存在误差难以有效控制等问题,为此提出基于LSTM算法的水工建筑物安全监控深度分析模型。通过对水工建筑物原始安全监控数据进行无效数据去除和缺失值填补处理,将多个时间序列数据进行堆叠,形成高维数据矩阵,利用压缩感知方法对堆叠后的数据矩阵进行稀疏表示。通过LSTM算法对稀疏形式的水工建筑物安全监控数据进行训练学习,完成深度分析模型的构建。测试结果表明,应用该方法对测试水闸闸门的钢筋应力情况、裂缝开合度情况及应变情况的分析结果与实际拟合度最高,分析结果的误差明显低于对照组。

基于ARIMA-LSTM算法的母猪妊娠期饲喂量预测

目的:针对母猪妊娠期饲喂问题,对妊娠母猪饲喂量进行预测,以精确控制妊娠母猪所需要的饲料量,有助于母猪精准饲喂,节约养殖成本。方法:结合ARIMA和LSTM算法的各自优势,利用融合ARIMA和LSTM的ARIMA-LSTM优化算法,对妊娠期母猪饲喂量进行精准预测,以控制智能饲喂器精准下料。结果:ARIMA-LSTM优化算法对母猪饲喂量的预测精度最高,相比ARIMA和LSTM算法,均方根误差分别降低48.74%和17.22%,平均绝对偏差分别降低48.70%和27.37%。结论:ARIMA-LSTM优化算法能够提高母猪妊娠期饲喂量的预测精度,能够控制智能饲喂器精准下料,为妊娠母猪饲喂量预测提供较好的依据。

基于改进LSTM算法的配电网设备故障率预测方法

为提高配电网运行的安全性和稳定性,在配电网设备运行期间精准预测故障率,掌握设备故障发展趋势至关重要。因此,提出了一种基于改进LSTM算法的配电网设备故障率预测方法。首先基于配电网设备运行场景,构建了适用于配电网设备故障率预测的指标体系,依据指标收集历史数据,采用平滑处理法对数据进行预处理,以减少异常数据的影响。然后基于改进LSTM算法建立配电网设备故障率预测模型,在历史数据驱动下完成预训练。最后将训练完成的配电网设备故障率预测模型导入预测平台,根据实时指标数据得出配电网设备故障率的预测结果。算例验证所提方法能够更有效地预测配电网设备环境变化、运行状态、运行年限等因素导致的故障率情况,具有预测精度高、通用性好的优点。

融合LDA⁃LSTM算法的微博档案关注度和情感分析

为了解析《档案法》实施三年后社会公众对档案的关注度与情感态度,利用Python工具和LDA模型对数据进行提取和主题聚类,获得不同时间下档案热点主题;采用LSTM模型得到各档案主题的情感倾向,分析用户产生不同情感倾向的原因。根据各主题间的联系,得到档案项目、影视娱乐档案、学生-学校档案以及专项档案四类主题。各类档案主题具有较高的积极倾向,说明公众对档案事业的发展比较支持和理解,对于消极倾向较高的学生-学校档案类别,有关部门应加强档案宣传教育,从根本上保障公众利用档案的权利,增强全社会的档案意识。

基于LSTM算法的火电厂SCR烟气脱硝控制方法

由于火电厂SCR烟气脱硝过程中烟气的初始状态参数具有不稳定性,导致排除烟气NO_(x)浓度控制难度较大。为了准确控制烟气脱硝,有效降低烟气NO_(x)浓度,提出基于长短期记忆网络(LSTM)算法的火电厂选择性催化还原(SCR)烟气脱硝控制方法。以蜂窝状催化剂为基础,结合在SCR烟气脱硝过程中的作用模式,分别从孔道和内壁两个角度构建了火电厂SCR烟气脱硝模型;引入LSTM算法,以烟气中NO_(x)浓度控制要求为目标,将催化剂的投入速率作为控制参量,结合烟气的初始状态参数,实现SCR烟气脱硝过程的控制。在测试结果中,设计控制方法下脱硝反应器出口烟气NO_(x)浓度并未受到烟气流量的显著影响,始终稳定在125.0 mg/m^(3)以内,远低于临界值(150.0 mg/m^(3)),与对照组相比,具有更加可靠的脱硝效果。

基于LSTM算法的分布式发电并网系统谐波检测

针对当前方法检测到的分布式发电并网系统谐波幅值结果不准确的问题,提出了基于LSTM算法的分布式发电并网系统谐波检测方法。建立分布式发电并网系统通用模型,根据分布式发电并网输出特性,求得系统中各参数和数学模型;利用小波变换方法,分解并重构谐波信号,剔除谐波中的干扰因素;采用LSTM算法的记忆神经单元,替代RNN中的部分神经元,评估检测仿真数据的MAP值和RMSE值,实现分布式发电并网系统谐波检测。实验结果表明,该方法谐波幅值与实际值最接近,能够有效提高检测结果的准确性。

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明:云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。

基于LSTM算法的电力电缆局部放电检测方法

传统的局部放电检测方法在分析过程中忽略了噪声信号的影响,导致放电检测结果的准确性偏低。为此,提出基于LSTM算法的电力电缆局部放电检测方法。首先,提取电缆放电信号特征,由于线路运行信号和干扰信号众多,因此通过分析其特征,得到典型的局部放电信号特征向量。然后,去除特征信号中噪声量的干扰,更准确地接收电力电缆中的放电信号。最后,基于LSTM算法检测与处理放电信号,对局部放电信号探测的速率进行控制,从而提高局部放电信号探测的准确率。实验表明:使用此方法检测电缆局部放电所得的电压与实验所设定的电压较一致,最大误差为0.9 kV;2种传统方法相较于此方法的误差分别超出4.1 kV、5.3 kV。

一种自由分布的LSTM算法在多尺度风速预测中的应用

LSTM算法被广泛应用于工业场合,如风速预测。当没有足够数据和工业知识的时候,该算法会呈现低精度特质。为了解决这个问题,文章提出了一种新颖的自由分布LSTM算法用于风速预测。该模型在不同尺度下都表现优异,同时文章也对模型表现进行监控。文章通过一个来自风场的实际案例来验证该方法。

动态残差修正LSTM算法的突发型滑坡位移预测

针对突发型滑坡存在位移趋势突变性,传统长短时记忆(LSTM)神经网络方法存在位移预测精度不足的困难,提出一种基于动态残差修正LSTM算法的突发型滑坡位移预测方法。首先,采用动态流转训练,将由累计位移得到的变形速率通过经验模态分解(EMD)得到周期项及趋势项;其次,通过多项式预测趋势项、动态LSTM预测周期项,并由2项之和得到主预测变形速率;随后,通过对比实测速率与主预测变形速率,得到残差项,并建立动态流转训练的残差LSTM网络预测残差速率;然后,由主预测变形速率与残差预测变形速率之和得到最终预测速率,并进一步得到累计位移预测值;最后,以某突发型滑坡为例,验证该方法的科学性、有效性,以及预测精度和优势。结果表明:将变形速率序列作为预测对象并进一步得到累计位移预测值,比直接预测累计位移值具有更高的准确性;而基于动态残差修正LSTM算法预测的MAE、MAPE、RMSE及R 2指标分别为43.843、1.901%、79.394和0.960,相比于传统LSTM预测方法具有明显优势。

基于LSTM算法的智能节水灌溉预测模型研究

针对当前农田灌溉缺乏科学技术指导、水资源浪费严重的现状,为提高灌溉用水的利用效率,在智慧农业灌溉系统体系结构的基础上,提出了一种基于LSTM算法的智慧农业灌溉预测模型,可根据作物生长需求、生长环境和种植土壤等数据实现精准灌溉,能够最大程度地节约水资源。通过实验对LSTM灌溉预测模型与传统灌溉预测模型的预测值进行对比分析,结果表明:LSTM模型预测结果更为接近实际值,性能优良,可为实现智能节水灌溉提供可靠的依据。

基于LSTM算法的严寒地区办公建筑过渡季室内温度预测模型构建

预测控制方法作为改善用户舒适性和降低建筑能耗的重要手段之一,其关键是室内温度预测模型的建立。由于寒地过渡季建筑的室内温度受室外温度影响较大,本文引入了长短时记忆网络(LSTM)这一算法,该算法能学习室内温度和室外温度的内在联系,预测室内温度在室外温度影响下的变化,同时可以有效处理具有滞后性、时序性的物理量关系。通过在哈尔滨某高校教学楼办公室的实测数据,建立LSTM室内温度预测模型,训练并对预测结果进行评估。结果表明,该算法具有较高的准确度,拟合优度达到了98.7%。

基于Attention-Based LSTM算法的文本分类模型

本次研究针对文本数据处理工作中的文本分类项目提出了一套基于Attention-Based LSTM算法的分类模型,根据Attention-Model的基本原理对Attention-Based LSTM算法数据处理方式进行了详细介绍。最后将Attention-Based LSTM算法应用于来自国内外主流门户网站文本数据的分类处理工作。经统计分析发现,Attention-Based LSTM算法相比于常规LSTM算法和Bi-LSTM体现出了更高的分类准确率水平,在文本数据处理方面具有一定的应用价值。

基于POI数据与BP-LSTM算法的卷烟购进量预测模型研究

消费需求因地理环境不同而不同,即使同一个消费者,在不同的地理环境,其卷烟的消费习惯也会不同,这个差异是客观环境驱动的。因此,卷烟的进货数据是环境消费的表现。消费环境是驱动卷烟销售的真实原因,文章从零售终端周围的环境出发,将BP神经网络和LSTM相结合,构建新的二级预测模型(BP-LSTM模型),创新性地应用于烟草行业,并将POI数据(Point Of Information)作为模型的增加输入参数;二级预测模型对零售户的POI数据、进货数量、属性特征等信息进行解析,探索一种新的卷烟进货数据预测模型,并结合实践证明卷烟购进量预测的可行性和可靠性。

基于LSTM算法在新闻分类中的应用

针对传统的RNN算法存在梯度消失的缺陷,在面对海量新闻数据,规模大且分类属性多的情况下存在效率低的问题,该文应用了传统的RNN模型改进后的LSTM神经网络算法,加入了预训练的word2vec模型。首先对新闻数据进行去除停用词及标点、格式转化、分词等预处理;其次进行特征提取、分类模型构造;最后进行了分类模型训练与测试。测试数据表明,在大数据量的情况下,使用LSTM算法具有较高的模型准确度和良好的扩展性。

基于LSTM算法的网络新闻信息传播流行度预测系统

传统的网络新闻信息传播流行度预测系统存在预测准确率低、预测响应时间较长等问题,为此提出了基于LSTM算法的网络新闻信息传播流行度预测系统。分析信息传播对网络拓扑结构产生的影响,加入用户对新闻信息的兴趣程度和信息价值等相关因素,获取用户节点状态转换函数。将粒子群算法中的适应度函数设定为求解依据,修改LSTM算法中的阈值和权值,建立网络新闻信息传播流行度预测模型。在此基础上,进行系统设计,系统主要是由网络新闻抓取和存储模块、网络新闻展示等模块组成,分别对各个模块的功能进行了详细地分析和介绍。仿真实验结果表明,所设计系统不仅能够有效提升网络新闻信息传播流行度预测准确率,同时还能够降低预测响应时间以及预测费用。

基于LSTM神经网络算法互联网电视EPG业务隐患预测的应用研究

伴随三网融合的深入开展以及智慧物联网技术的发展,家庭宽带加互联网电视已成为新的智慧家庭入口。为了解决互联网电视业务质量监测手段在时序上的先天滞后无法先于用户发现隐患故障的问题,通过引入神经网络LSTM算法实现数据注智业务运维能力,聚焦EPG业务服务质量,从业务历史波动识别异常并做出预测预警,实现EPG业务质差隐患识别和预测,隐患发现时长缩短至0.5小时,隐患识别及时率和准确率均在90%以上。

基于ARIMA-LSTM的能量预测算法

无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对太阳能预测,提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory,ARIMA-LSTM)组合模型的能量预测方法。首先,采用ARIMA模型来对太阳辐照数据进行预测,提取数据中的线性分量;然后将过滤后的残差代入LSTM神经网络模型,得到非线性分量的预测;最后将二者进行相加,得到最终的预测结果。仿真实验显示,组合模型比起现有的单一模型,能够有效地提高预测的精度。