基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

基于聚类的HPO-BILSTM光伏功率短期预测

考虑到光伏发电功率在不同天气类型下的波动性和不确定性,对此提出一种基于模糊C均值聚类算法(FCM)和猎食者优化算法(HPO)优化双向长短期记忆网络(BILSTM)的光伏发电短期功率预测模型。首先对光伏发电数据进行处理和分析,再进行主成分分析(PCA)降维和FCM聚类算法将数据按天气类型分为阴、晴、雨;最后通过HPO筛选得出BILSTM神经网络的最佳超参数,避免因超参数设置不佳对实验带来的影响,进一步提高实验的准确性和模型的泛化能力。最后通过预测和对比实验进行分析,验证所提方法的优越性。

基于Bo-BiLSTM网络的IGBT老化失效预测方法

针对绝缘栅双极型晶体管(IGBT)受热应力冲击后对其进行老化失效预测精度不高的情况,提出一种基于贝叶斯优化(Bo)-双向长短期记忆(BiLSTM)网络的IGBT老化失效预测方法。首先分析IGBT模块老化失效原理,然后基于NASA老化实验数据集建立失效特征数据库,最后利用Matlab软件构造Bo-BiLSTM网络预测失效特征参数数据。选取常用回归预测性能评估指标将长短期记忆(LSTM)网络模型、BiLSTM网络模型与Bo-BiLSTM网络模型的预测结果进行对比分析。结果表明,Bo-BiLSTM网络的模型拟合精度更高,基于Bo-BiLSTM网络的IGBT老化失效预测方法具有较好的预测效果,能够应用于IGBT的失效预测。

基于TCN-BiLSTM网络的电力电缆故障诊断

为了提升电力电缆故障诊断技术的准确率,解决传统电力电缆诊断过程中操作复杂、可靠性低和精准度不够等问题,提出了一种基于TCN和BiLSTM的电力电缆故障诊断方法。该方法的核心是使用Matlab/Simulink搭建三相电缆的仿真模型,按照电缆的实际参数设置模型,然后提取出电缆的四种短路故障:单相接地短路、双相接地短路、双相相间短路以及三相短路的电压信号。构建电缆故障样本集,搭建TCN和BiLSTM网络对电缆故障信号进行特征提取和序列捕捉,通过与TCN网络和CNN-BiLSTM网络进行实验对比,以及对从淮南某煤矿采集到的数据进行验证,证明该方法对电缆故障诊断具有良好的性能。

基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。

LSTM-GAN:融合GAN和Bi-LSTM 的无监督时间序列异常检测

多元时间序列数据的异常检测旨在发现对应时序特征中不符合一般规律的特异性模式,识别特定时间步长中的异常状态.针对多元时序数据时间依赖性建模难以及数据维度不断增加导致难以有效进行异常检测等问题,本文以自编码器为基础,融合生成对抗网络(Generative Adversarial Network,GAN)和双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM),提出了一种无监督异常检测模型LSTM-GAN,该模型在每一轮训练中,以迭代的方式重构正常数据,通过GAN来放大异常,Bi-LSTM来捕获时间特性,训练完成后的模型用于时序数据的异常检测.本文在4个公开数据集上和几种先进同类方法进行了对比实验,实验结果表明,LSTM-GAN的检测性能提升了4.4%~16.6%,在IT数据集SMD中的模型检测F1分数达到0.9672,实现了高效的时序数据异常检测.

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明:与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。

模型误差影响下基于CNN+BiLSTM神经网络的非圆信号目标直接跟踪算法

针对运动观测阵列状态误差与接收频率抖动同时影响下的非圆信号无源跟踪问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)+双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiL⁃STM)的直接跟踪算法.该算法首先利用多运动观测阵列信号各频带间的相关性与辐射源信号的非圆特性,建立模型误差影响下的扩展多站观测矢量;接着利用多个观测时隙内扩展多站观测矢量的信号子空间构造空时特征输入序列;然后设计基于CNN与BiLSTM混合神经网络的直接跟踪模型,通过训练实现对非圆目标的轨迹矢量直接估计.本文算法是从原始数据信号子空间中估计轨迹矢量的直接跟踪模式,相比传统“观测参数估计+滤波轨迹跟踪”的两步估计模式,具有更高的估计精度.由于本文算法在神经网络训练过程中学习到模型误差的信息,因此能够实现对多种误差的校正.仿真结果表明,本文算法较传统两步跟踪算法与现有直接跟踪算法均具有更高的轨迹估计精度,能够明显提升模型误差影响下多站协同跟踪的鲁棒性.

融合投资者情绪的S_AM_BiLSTM股价预测模型

股票价格预测一直是金融领域的研究热点之一。然而,股票价格的形成机制是相当复杂的,各种因素都可能会导致股票价格的变化。为此,提出了一种基于深度学习方法并融合多源数据和投资者情绪的股票价格预测混合模型(S_AM_BiLSTM)。利用文本卷积神经网络(TextCNN)对从股票论坛中提取的投资者评论进行情绪分析,并计算情绪指数。将情绪指数(sentiment)、技术指标和股票历史交易数据作为股价预测模型的特征集,采用双向长短时记忆神经网络(BiLSTM)对股票的收盘价进行预测,并在此基础上加入注意力机制(attention mechanism),提高预测精度。为了证明模型的有效性和适用性,随机选取4个重点行业的股票进行实证研究。实验结果表明,与其他单一模型和不含情绪因子的模型相比,所提出的混合模型的效果更优越。

多角度基于CEEMDAN-CNN-BiLSTM模型的锂离子电池RUL预测

通过构建模型对锂离子电池剩余使用寿命进行预测,并探究温度及网络参数对所构建模型预测精准度的影响,进而提高模型的预测精准度。提出自适应噪声完全集合经验模态分解(CEEMDAN)和一维卷积神经网络(1D CNN)与双向长短期记忆(BiLSTM)神经网络相结合的锂离子电池剩余寿命预测方法。选取容量作为健康因子,然后利用CEEMDAN对复杂不平稳数据进行分解,得到稳定的分量。利用1D CNN对锂离子电池容量数据进行深度挖掘,最后利用双BiLSTM神经网络建模对锂离子电池剩余使用寿命(RUL)进行预测。采用NASA数据集和CALCE数据集进行测试,在不同温度与网络参数下进行预测效果对比,并与BiLSTM模型、SVR模型、CNN-BiLSTM模型进行预测对比。

基于KLPP-K-means-BiLSTM的台区短期电力负荷预测

随着智能电网的发展,各场景的用电更加多元化,而准确的台区负荷预测是确保相关电力部门制定合适检修任务的关键,同时为有序用电、电网经济运行提供重要参考。为了挖掘台区负荷的特征以提高台区负荷预测的精度,提出了一种基于核主元分析与局部保持投影降维、K均值聚类算法(K-means)以及双向长短时记忆网络(BiLSTM)的台区电力负荷预测方法。首先利用核局部保持投影(KLPP)对台区多特征负荷数据进行降维以提取主要特征信息;然后采取K-means聚类算法将相似特征的数据归类成各自的簇集;最后针对聚类后的各典型类型,有针对性地训练BiLSTM,并选取中国某高校低压台区负荷作为算例与其他经典预测方法进行对比分析,结果表明所提方法更拟合实际负荷走向,有效提升了预测效果。

基于改进VMD与BiLSTM的滚动轴承剩余寿命预测模型

为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法(Variational Model Decomposition,VMD)分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD进行了优化,以提取出更能代表寿命变化的特征。在此基础上,将筛选的特征输入到双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络中进行剩余使用寿命预测。通过实验并与其他深度模型进行对比,该文提出模型的均方误差等指标均比其他几种模型更低,证明了该文模型在轴承剩余使用寿命预测上的有效性。

基于Bi-LSTM的浅层地下双孔洞探测技术

文章探究一种基于深度学习的浅层地下孔洞探测技术,以应对地下孔洞给桩基施工安全所造成的严重威胁。基于浅层地震反射波法的原理,采用基础施工过程中的桩锤激震作为激励源,通过在探测区域地表上布置少量加速度传感器采集孔洞反射信号,并将反射信号作为深度学习的输入,以输出孔洞信息,建立一种新型的智能孔洞探测方法。结果表明,双向长短期记忆神经网络(bidirectional long short-term memory neural network,Bi-LSTM)的预测模型对于地下双孔洞的工况具有较高的识别准确率,在容许误差为2 m的情况下,孔洞位置和直径的预测准确率可达95.3%。该研究验证了基于深度学习的多孔洞探测技术的可行性,有望为施工前期土层地质状况的评估提供技术保障。

基于BiLSTM-CNN的地基SAR永久散射体选取

针对地基合成孔径雷达(SAR)形变测量中,常规永久散射体(PS)选取方法在时间欠相干复杂场景下,PS选取数量、质量难以满足形变测量需求的问题。提出了一种基于双向长短期记忆-卷积神经网络(BiLSTM-CNN)的PS选取方法,该方法采用幅度离差与幅度联合选取正、负样本构建训练数据集,并把干涉相位、幅度差分与相关系数作为数据集的时序特征,然后利用BiLSTM和多尺度CNN分别学习PS全局时序特征及局部时序特征,再通过多头自注意力机制(MHSA)对全局和局部时序特征进行加权融合学习,最后进行特征概率映射以构建PS分类模型。利用重庆市万州区九道拐雷达监测数据对所提方法性能进行实验分析,结果表明该方法改善了网络准确度、F1分数、召回率、精确度等指标,提高了雷达图像PS选取数量及质量。

基于BERT-BiLSTM-CRF模型的油气领域命名实体识别

针对油气领域知识图谱构建过程中命名实体识别使用传统方法存在实体特征信息提取不准确、识别效率低的问题,提出了一种基于BERT-BiLSTM-CRF模型的命名实体识别研究方法。该方法首先利用BERT(bidirectional encoder representations from transformers)预训练模型得到输入序列语义的词向量;然后将训练后的词向量输入双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)模型进一步获取上下文特征;最后根据条件随机场(conditional random fields,CRF)的标注规则和序列解码能力输出最大概率序列标注结果,构建油气领域命名实体识别模型框架。将BERT-BiLSTM-CRF模型与其他2种命名实体识别模型(BiLSTM-CRF、BiLSTM-Attention-CRF)在包括3万多条文本语料数据、4类实体的自建数据集上进行了对比实验。实验结果表明,BERT-BiLSTM-CRF模型的准确率(P)、召回率(R)和F_(1)值分别达到91.3%、94.5%和92.9%,实体识别效果优于其他2种模型。

基于BiLSTM和CNN-BiLSTM的住宅短期负荷预测

住宅短期电力负荷预测是一种关键应用场景,能够为电力公司和用户提供实时且准确的用电负荷预估,实现最优调度并合理分配电力资源。提出了一种基于双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)和卷积神经网络(Convolutional Neural Network,CNN)的CNN-BiLSTM预测模型。利用CNN对原始负载数据进行特征提取,以降低输入数据的维度并提高模型的运行效率;将提取的特征输入BiLSTM和CNN-BiLSTM模型中进行预测。该方法已在实际住宅负荷数据集上进行了验证,预测结果好于传统的基于时间序列的预测方法。这表明该方法在短期住宅负荷预测领域中具有广泛的应用前景。

结合出行方式的Trans-BiLSTM移动目标位置预测方法

当前位置预测算法往往忽略用户出行方式的关键作用,并在处理长时间序列依赖问题中效果较差.针对这两个问题,提出了一种结合出行方式的Trans-BiLSTM目标位置预测模型.该模型首先提取轨迹段的运动学特征,然后构建基于XGBoost的出行方式识别算法,筛选影响出行方式的主要特征,和轨迹共同作为预测模型输入.最后为了增强轨迹特征的表征能力,引入Transformer编码器,并结合BiLSTM深度挖掘轨迹的上下文关系.在真实GPS轨迹数据集上进行的位置预测对比实验表明,Trans-BiLSTM模型与常用的LSTM和BiLSTM模型相比,目标位置预测的结果RMSE指标分别提升67.4%和17.7%.

基于CNN与BiLSTM相结合的心电信号分类方法

目的:基于卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)相结合的方法在心电信号数据集上训练深度学习模型,实现对心电信号的高效分类。方法:提出CNN+BiLSTM模型实现心电信号数据集分类,采用CNN对心电信号进行初步特征提取;通过BiLSTM对这些特征进行更深层次地学习,以捕捉信号中的时序信息和空间关联性。结果:通过对比实验证明CNN与BiLSTM对模型性能提升的有效性,模型分类精度为98.91%,召回率为98.71%,精确度为99.79%,F1指数为99.14%。结论:将CNN与BiLSTM相结合并应用在心电信号数据集分类,能有效提升临床诊断的精确性,为心电信号的自动分析提供了有效参考。

基于GAT-BILSTM-Res的水质预测模型

针对水质数据在时间维度的依赖关系以及水质监测站点在空间维度的依赖关系,基于海河流域天津段实际监测的历史水质数据,设计了有效提取时空特征的方法,提出一种融合图注意力网络(GAT)、双向长短期记忆网络(Bi-LSTM)以及残差块(ResBlock)的时空水质预测模型(GAT-BILSTM-Res).该模型首先通过GAT捕获水质监测站点之间的拓扑关系,建立空间相关性模型;同时通过Bi-LSTM捕捉水质监测数据的动态变化,并对时间相关性进行建模;然后将时空特征融合,输入残差块;最后使用全连接层对预测结果进行输出.实验结果表明,相较于基线模型,该模型能够实现6.6%~25.2%的性能提升.