基于ARIMA-LSTM的矿区地表沉降预测方法

煤矿开采安全问题尤其是采空区地表沉降现象会对人员安全及工程安全造成威胁,研究合适的矿区地表沉降预测方法具有很大意义。矿区地表沉降影响因素复杂,单一的深度学习模型对矿区地表沉降数据拟合效果差且现有的地表沉降预测研究多是单独进行概率预测或考虑时序特性进行点预测,难以在考虑数据的时序特征的同时对其随机性进行定量描述。针对此问题,在对数据本身性质进行观察分析后选择差分整合移动平均自回归(ARIMA)模型进行时序特征的概率预测,结合长短时记忆(LSTM)网络模型来学习复杂的且具有长期依赖性的非线性时序特征。提出基于ARIMA-LSTM的地表沉降预测模型,利用ARIMA模型对数据的时序线性部分进行预测,并将ARIMA模型预测的残差数据辅助LSTM模型训练,在考虑时序特征的同时对数据的随机性进行描述。研究结果表明,相较于单独采用ARIMA或LSTM模型,该方法具有更高的预测精度(MSE为0.262 87,MAE为0.408 15,RMSE为0.512 71)。进一步的对比结果显示,预测结果与雷达卫星影像数据(经SBAS-INSAR处理后)趋势一致,证实了该方法的有效性。

基于改进LSTM的数码雷管模组印刷质量预测

由于数码雷管模组印刷过程中生产工艺复杂、强时序性等特点,其质量的精准预测已成为提高产品质量管理水平的关键。基于此提出一种改进长短期记忆(long short-term memory,LSTM)网络的数码雷管模组印刷质量预测模型。首先根据数码雷管模组印刷过程提炼机器运行参数、环境参数与检测参数作为印刷产品质量的原始特征,并对关键检测参数进行时序特征重构以增强特征表达能力;其次基于改进的LSTM网络建立数码雷管模组印刷特征提取框架,采用卷积神经网络提取空间特征避免LSTM挖掘高维印刷特征时隐含关系的不足,通过全局注意力机制自适应学习不同时刻印刷特征对印刷产品质量的贡献度,为LSTM提取的深层时序特征分配不同权值;最后以深层特征作为输入,通过全连接网络实现数码雷管模组印刷产品的质量预测。实验结果表明,相较于BP神经网络、门控循环单元网络、LSTM等预测方法,改进的LSTM网络有效提高了数码雷管模组印刷产品质量的预测精度。

基于BP-DCKF-LSTM的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计是电池管理系统(BMS)的核心功能之一。为了提高锂电池SOC估算精度,提出了一种将反向传播神经网络(BP)、双容积卡尔曼滤波(DCKF)和长短期记忆神经网络(LSTM)相结合的SOC估计方法。针对多温度条件下传统多项式拟合法在拟合开路电压(OCV)与SOC时效果较差的问题,提出了一种基于BP神经网络的拟合方法,通过验证表明该方法能有效提高拟合精度。针对单独使用模型法或数据驱动法估计SOC各自存在的优缺点,提出了一种将DCKF与LSTM相结合的估计方法,在提高估计精度的同时,可以减少参数调节时间和训练成本。实验验证表明,BP-DCKF-LSTM算法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于0.5%和0.4%,具有较高的SOC估算精度和鲁棒性。

基于ASFF-AAKR和CNN-BILSTM滚动轴承寿命预测

针对滚动轴承寿命预测精度低,构建健康指标困难的问题。提出了一种基于自适应特征融合(adaptively spatial feature fusion,ASFF)和自联想核回归模型(auto associative kernel regression,AAKR)与卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆网络(bi-directional long-short term memory,BILSTM)的轴承剩余寿命预测模型。首先,在时域、频域和时频域提取多维特征,利用单调性和趋势性筛选敏感特征;其次利用ASFF-AAKR对敏感特征进行特征融合构建健康指标;最后,将健康指标输入到CNN和BILSTM中,实现对滚动轴承的寿命预测。结果表明:所构建的寿命预测模型优于其他模型,该方法具有更低的误差、寿命预测精度更高。

融合二次分解的深度学习模型在PM_(2.5)浓度预测中的应用

针对PM_(2.5)质量浓度时间序列呈非线性难以预测的特征,为了进一步提高PM_(2.5)质量浓度预测精确度,研究通过“分而治之”先分解再预测的思想,提出一种融合二次分解的PM_(2.5)质量浓度混合预测模型(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Variational Mode Decomposition-Temporal Convolutional Network-Bi-directional Long Short-Term Memory,CEEMDAN-VMD-TCN-BiLSTM)。该模型先由递归特征消除(Recursive Feature Elimination,RFE)进行特征筛选,随后使用自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)将2013—2016年北京市PM_(2.5)质量浓度序列分解为一系列高低频模态分量并计算各分量样本熵,将样本熵由K-means聚类整合为新的分量,再由变分模态分解(Variational Mode Decomposition,VMD)方法进行二次分解。最后,将所有分量先经时间卷积网络(Temporal Convolutional Network,TCN)进行特征提取,并通过双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)预测,叠加各分量预测值即为最终预测结果。消融试验结果显示,该模型相比于单次CEEMDAN分解模型均方根误差E_(MAPE)降低19.312%,绝对误差E_(MAE)降低34.423%,百分比误差E_(MAPE)与希尔不等系数E_(TIC)分别减少40.465百分点和59.794%。由此可见,研究在引入VMD构成二次分解模型相比于单次分解模型的预测误差更小,精度更高,可为决策者在PM_(2.5)质量浓度预测与治理等工作提供一定参考。

基于AI的噪声环境下远距离高清音频采集研究

为提升远距离采集音频信号的强度,深度滤除音频信号噪声以提取有用音频部分,提出一种基于AI的噪声环境下远距离高清音频采集方法。构建远距离高清音频采集结构,分别通过模拟增益和数字增益技术进行音频信号增益处理,以提升音频信号强度。依据短时傅里叶变换提取音频增益信号频域特征,输入到长短期记忆网络中,实现音频信号深度噪声去除,得到高清音频频域信息;再通过短时傅里叶逆变换处理该信号,实现音频信号重构,最终达到噪声环境下远距离高清音频采集的目的。实验验证结果表明:依据音频信号增益能够有效提升采集音频信号的强度,并避免信号受距离、噪声影响而逐渐衰减,继而有效滤除音频信号噪声数据,提取其中有用的音频信号,确保音频信号高清度;且最终采集音频信号信噪比均高于18 dB,可懂度均高于97%,有效验证了所提方法的有效性和准确性。

基于LSTM-DDPG的再入制导方法

针对现有基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法的再入制导方法计算精度较差,对强扰动条件适应性不足等问题,在DDPG算法训练框架的基础上,提出一种基于长短期记忆-DDPG(long short term memory-DDPG,LSTM-DDPG)的再入制导方法。该方法采用纵、侧向制导解耦设计思想,在纵向制导方面,首先针对再入制导问题构建强化学习所需的状态、动作空间;其次,确定决策点和制导周期内的指令计算策略,并设计考虑综合性能的奖励函数;然后,引入LSTM网络构建强化学习训练网络,进而通过在线更新策略提升算法的多任务适用性;侧向制导则采用基于横程误差的动态倾侧反转方法,获得倾侧角符号。以美国超音速通用飞行器(common aero vehicle-hypersonic,CAV-H)再入滑翔为例进行仿真,结果表明:与传统数值预测-校正方法相比,所提制导方法具有相当的终端精度和更高的计算效率优势;与现有基于DDPG算法的再入制导方法相比,所提制导方法具有相当的计算效率以及更高的终端精度和鲁棒性。

基于二次分解、LSTM-ELM和误差修正的空气质量指数预测模型

精准预测空气质量指数(Air Quality Index,AQI)对于制定有效的空气污染治理策略至关重要。为了进一步提升AQI的预测精度,提出了一种新的预测模型,并结合了二次分解(Secondary Decomposition,SD)、优化算法、双尺度预测和误差修正的方法。首先,采用改良的自适应白噪声完全集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)和样本熵(Sample Entropy,SE)对原始AQI序列进行分解并重构,获得高频、中频和低频3个频率分量。其次,利用经过北方苍鹰算法(Northern Goshawk Optimization,NGO)优化的变分模态分解(Variational Mode Decomposition,VMD)对高频分量进行二次分解,进一步降低其复杂度。再次,引入向量加权平均算法(Weighed Mean of Vectors Algorithm,INFO)对长短期记忆网络(Long Short-Term Memory,LSTM)和极限学习机(Extreme Learning Machine,ELM)的关键参数进行优化,同时利用INFO-LSTM预测高频分量分解后的子序列,进而利用INFO-ELM分别预测中、低频分量,并将所得预测结果进行线性叠加。最后,利用NGO-VMD和INFO-ELM对误差序列进行分解和预测,并对初次预测结果进行修正,得到最终的AQI预测值。研究选取北京、上海和成都3个典型城市为例进行实证分析,并对比了7个对照试验,发现基于二次分解、LSTM-ELM和误差修正的模型具有最高的预测精度。该模型可为治理空气污染提供理论和技术上的帮助。

多直流外送条件下流域水风光互补运行风险分析

水风光直流外送电面临的复杂需求增加水电运行风险。如何对潜在风险进行量化以便做出有效的调度策略调整是一个亟待解决的难题。以金下清洁能源基地为研究背景,构建了多直流外送的水风光互补风险量化分析模型,考虑汛期电量分配比例、枯期电量留存、输电稳定性等复杂需求,在系统稳定的前提下保证发电量,提出了模型循环运行框架实现风险高效量化分析。实例研究结果表明了所提出方法的有效性。

卡瑞利珠单抗结合仑伐替尼用于中晚期肝癌患者的近远期疗效

目的:探究卡瑞利珠单抗结合仑伐替尼用于中晚期肝癌患者的近远期疗效。方法:选取吉安市中心人民医院2022年1月—2023年8月收治的90例中晚期肝癌患者,按1∶1比例原则将患者随机分为对照组(n=45)和观察组(n=45)。对照组予以仑伐替尼,观察组在此基础上予以卡瑞利珠单抗。对比两组肝功能、免疫细胞水平、肿瘤标志物水平、临床疗效等。结果:治疗后,观察组总胆红素(total bilirubin,TBIL)、丙氨酸氨基转移酶(alanine aminotransferase,ALT)、国际标准化比值(international normalized ratio,INR)均低于对照组,白蛋白(albumin,ALB)高于对照组,差异均有统计学意义(P<0.05)。治疗后,观察组免疫功能指标[成熟的T淋巴细胞(CD3^(+))(68.66±5.91)%、辅助性T细胞(CD4^(+))(45.56±5.19)%、CD4^(+)/CD8^(+)(1.87±0.39)]均高于对照组[(62.13±4.87)%、(38.92±4.35)%、(1.58±0.21)],差异均有统计学意义(P<0.05)。治疗后,观察组甲胎蛋白(alpha-fetoprotein,AFP)(3.12±0.53)μg/L、血清细胞角质蛋白19抗体(CK19)(83.32±10.25)U/mL均低于对照组的(3.86±0.78)μg/L、(95.20±10.43)U/mL,差异均有统计学意义(P<0.05)。观察组临床总有效率(42.22%)高于对照组(22.22%)(χ^(2)=4.121,P=0.042)。结论:中晚期肝癌使用仑伐替尼结合卡瑞利珠单抗治疗,有助于抑制肿瘤生长,改善患者免疫与肝功能,临床疗效显著,值得临床推广。

时间序列雷达数据识别耕地种粮类型的研究

以广东省揭阳市揭西县为研究对象,采用2021年下半年的时间序列哨兵一号数据,分析了实测样本的水稻、玉米、坑塘水面、未耕种、树林和蔬菜等耕地上不同覆盖物的时间序列后向散射系数特征和类间差异性,结果表明耕地种粮类型分类的最优极化方式为VH极化,在此基础上构建了基于长短期记忆网络(Long Short-Term Memory networks,LSTM)的耕地种粮类型识别模型,模型精度达到90%。根据模型提取了研究区的水稻、玉米、坑塘水面、未耕种、树林和蔬菜的空间分布,为多云地区的耕地种类监测提供了新的遥感技术手段。

融合BiLSTM与CNN的推特黑灰产分类模型

当前推特等国外社交平台,已成为从事网络黑灰产犯罪不可或缺的工具,对推特上黑灰产账号进行发现、检测和分类对于打击网络犯罪、维护社会稳定具有重大意义。现有的推文分类模型双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)可以学习推文的上下文信息,却无法学习局部关键信息,卷积神经网络(convolution neural network,CNN)模型可以学习推文的局部关键信息,却无法学习推文的上下文信息。结合BiLSTM与CNN两种模型的优势,提出了BiLSTM-CNN推文分类模型,该模型将推文进行向量化后,输入BiLSTM模型学习推文的上下文信息,再在BiLSTM模型后引入CNN层,进行局部特征的提取,最后使用全连接层将经过池化的特征连接在一起,并应用softmax函数进行四分类。模型在自主构建的中文推特黑灰产推文数据集上进行实验,并使用TextCNN、TextRNN、TextRCNN三种分类模型作为对比实验,实验结果显示,所提的BiLSTM-CNN推文分类模型在对四类推文进行分类的宏准确率为98.32%,明显高于TextCNN、TextRNN和TextRCNN三种模型的准确率。

关于大坝监测数据质量评价因子及算法研究

大坝监测数据是判断大坝运行安全的主要依据,为了鉴别数据优劣并选择出可信度较高的数据,文中构建一个大坝监测数据质量评价框架。针对测点之间的相关性、监测项目及仪器的特点,利用Kshape算法找出具有强相关性的测点,再通过相对偏移率、相对平滑率、周期波动程度和精度修正率等评价因子对大坝监测数据进行评价;其次,结合混合蝙蝠算法优化后的长短期记忆网络对大坝监测数据进行分类,构建了大坝监测数据质量评价算法流程。以新疆某大坝监测数据为研究对象进行试验,结果表明所提出的大坝监测数据质量评价算法的准确率为94.33%,可为评价大坝监测数据质量提供有效的解决方法。

基于随机森林特征选择与POA-LSTM组合的参考作物腾发量预测方法

为了更好地捕捉参考作物腾发量(ET_(0))数据的非线性特点及有效影响因素,实现对气象资料缺乏时的ET_(0)精准预测,基于融合建模思想提出了一种随机森林特征选择与鹈鹕优化算法(POA)优化长短期记忆神经网络(LSTM)组合的ET_(0)预测方法。首先,采用随机森林特征选择方法筛选出有效气象因子作为模型输入;随后,通过POA搜索最优超参数组合用于优化LSTM模型;最后,基于最优超参数下的LSTM模型进行ET_(0)预测。结果表明,POA-LSTM模型整体优于其余模型,其中POA-LSTM1(u_(2)、N、R_(H)、T_(mean))预测精度最高,测试集R^(2)、RMSE和MAE分别为0.927、0.778和0.400 mm/d;POA-LSTM4(u_(2)、N)也能较好地适应少量气象参数估算ET_(0),测试集R^(2)、RMSE和MAE分别为0.881、0.995和0.510 mm/d,相较于其他方法,具有更高的预测精度和稳定性。

我国建筑业安全管理效率评价与预测研究

为测度与预测我国建筑业安全管理效率,通过建立超效率松弛测度(SBM)模型测度建筑业安全管理效率,利用Malmquist指数揭示效率的动态演变过程,运用Dagum基尼系数及其分解和空间自相关分析对效率空间格局、差异来源和贡献以及集聚模式进行探索,采用长短期记忆网络(LSTM)模型预测未来建筑业安全管理效率。研究结果表明:2012—2021年期间建筑业安全管理效率波动下降,2022年降至最低点,2023—2026年期间有小幅回升;纯技术效率和规模效率分别是影响效率水平和造成效率区域间差异的重要因素,区域间差异是效率空间差异的主要来源。研究结果可为提升我国建筑业安全管理效率和缩小其空间差异提供参考。

基于长短期记忆神经网络的多级涡轮过渡态叶尖间隙预测

为了解决多级涡轮模型在高维度变量的复杂空间耦合效应下向高效、高精度过渡态叶尖间隙预测提出的挑战,本文搭建了基于贝叶斯优化和多任务学习算法的长短期记忆神经网络(BO-MTLLSTM)多级涡轮过渡态叶尖间隙智能预测模型,以实现过渡态叶尖间隙高效、高精度预测。在BOMTL-LSTM模型中,通过高效的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型对基于有限元分析方法得到的高精度过渡态叶尖间隙时序信息进行学习,并在LSTM模型的基础上,引入多任务学习(Multi-Task Learning,MTL)用于多个叶尖间隙预测任务之间的信息共享,以缓解高维度变量复杂空间耦合作用的影响。同时,结合贝叶斯优化(Bayesian Optimization,BO)对神经网络模型超参数进行全局自动优化,提升预测精度与训练效率。结果表明,相比于传统计算模型,BO-MTL-LSTM模型在同等预测精度下,能够在秒量级时间内完成一个完整发动机历程的多级涡轮过渡态叶尖间隙的预测。此外,相比常规的BO-LSTM模型,BO-MTL-LSTM模型的均方根误差和平均绝对误差分别降低了84.39%和89.21%,模型训练时间缩短了30%,该模型可以实现多级叶尖间隙的高效、精准预测。

基于SIP的FPGA驱动电压补偿测试研究

在基于SIP的现场可编程门阵列(FPGA)性能参数验证测试时,驱动电压测试会受到多种因素的影响,如PCB线阻、插座信号损耗以及测试温度等,这些因素导致ATE测试的实测值与真实值之间存在偏差。为了提高驱动电压的测试精度,提出一种基于卷积神经网络(CNN)与长短时记忆(LSTM)网络的误差补偿方法。将PCB线长、测试温度等参数作为特征输入到CNN-LSTM模型中,模型经过训练迭代后能够预测出驱动电压的误差值;再将预测的误差值应用于ATE测试机中,对实测值进行补偿和修正,从而使得测试结果更加接近真实值。实验结果表明,所提方法能够有效地减小测试误差,提高FPGA驱动电压测试的准确性。

基于EEMD与CNN-BiLSTM的噪声环境下滚动轴承故障诊断方法

针对滚动轴承在噪声环境中发生故障时,传统深度神经网络容易出现特征提取不充分,过拟合,泛化能力不足的问题,提出一种集成经验模态分解(EEMD)与卷积神经网络-双向长短时记忆网络(CNN-BiLSTM)的故障诊断方法。在信号预处理阶段使用EEMD将噪声环境下的振动信号分解为一系列固有模态函数,降低噪声的影响;在CNN部分的第1层使用大卷积核与多分支结构获得不同的感受野,在每一个分支中随机丢弃一些数据增强模型的抗干扰能力,从而提取到更具泛化能力的多样化特征信息,后续部分使用残差结构,以免网络较深时发生梯度消失的现象,解决深层次网络退化问题;在BiLSTM部分使用2个并行的分支结构,用于增强模型对时序信息的利用,从而提高模型在不同工况和噪声环境下的准确率。使用凯斯西储大学轴承数据集和西安交通大学轴承数据集对所提方法进行验证,并与其他深度学习方法和传统机器学习方法进行对比,结果表明本文方法在多种工况和噪声环境下均取得了优异的故障诊断性能。

基于多模态唇部状态识别的语音导航抗干扰系统

针对现有车载语音导航设备易受到车内外噪声干扰、无法准确判定声音信号来源的问题,提出了一种基于唇部状态识别的语音导航抗干扰系统.通过摄像头实时识别驾驶员唇部状态,准确判定驾驶员声音信号的起止时间端点,进而控制语音导航输入信号开启和关闭,增强驾驶员对语音导航的控制权限,减少车内外的噪声干扰.为保证唇部状态识别的准确性和鲁棒性,提出了一种基于关键点-外观短时特征融合的多模态唇部状态识别网络,进行了关键点短时特征有效性试验、多模态特征融合的唇部状态识别消融试验、实验室模拟环境和真实车载环境下的语音导航抗干扰试验.结果表明,文中提出的关键点短时特征算子可增强唇部状态变化表征能力14%以上,关键点-外观特征融合的唇部状态识别网络通过特征互补提升识别准确性8.98%以上.基于该网络的语音导航抗干扰系统准确性高(92.6%)、实时性好(检测速度为35帧/s);在驾驶员左、右侧面超过70°的大幅度头部姿态变化下,能有效减少车内外噪声对导航语音控制的干扰,表现出较高的鲁棒性.

基于改进CEEMDAN-BO-LSTM的短期电价预测

电价预测对于国家电力市场的销售价格,电力调度和市场波动管理具有重要意义,但现有方法在电价预测的准确性上不理想.为了进一步提升电价预测的准确性,提出一种基于改进完全自适应噪声集合经验模态分解(ICEEMDAN),贝叶斯优化(BO)和长短时记忆网络(LSTM)的短期电价预测模型.ICEEMDAN将原始数据分解为多个本征模态函数(IMF)和一个残差序列,然后将IMF分量重构为高频,中频和低频三个子序列,将子序列和残差序列分别与相关因素结合,重构为四个多维特征矩阵,输入BO-LSTM模型进行训练,最后得到预测结果.用西班牙国家电网公司Red Electric Espana运营数据进行算例分析,结果表明ICEEMDAN-BO-LSTM模型具有更高的准确度,在电价跳跃点和峰值点处预测结果表现出色,与其他方法相比预测效果更好,对能源企业和国家电力市场调控策略具有实用价值.