基于RBF的组合模型在水文流量预报中的应用研究

针对目前水文流量预报准确度不佳问题,研究提出基于径向基函数(Radial Basis Function,RBF)神经网络与长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型,用于提高预报的准确性,并基于最小二乘法,提出流量预报实时校正方法。结果表明,相较于RBF与LSTM单模型,RBF-LSTM预报30天后流量的误差分别降低60.87%和65.27%;相较于校正前,校正后RBF-LSTM预报误差减小48.15%,验证了研究所提方法的有效性。研究结果可为提升水文流量预报准确度以及防汛抗洪工作提供参考。

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出了一种基于长短期记忆网络(long short-term memory,LSTM)和径向基神经网络(radial basis function,RBF)的组合预测模型。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值(水路货运量)进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。

基于先验知识的长短记忆RBF网络结构

提出了一种基于先验知识的RBF-LSTM(RBF with Long and Short Term Memory)网络结构。该网络将专业背景知识引入到神经网络的结构构造中,提出了具有长短期记忆功能的网络结构。同时引入了剪枝理论,使网络具有更精简的结构。将这种网络结构应用于热工过程中过热气温动态特性建模,仿真结果表明该神经网络模型具有较高的建模精度以及泛化能力。

基于LSTM和RBF-BP深度学习模型的火灾预测方法

针对火灾信号的时变性和非线性特点以及单特征信号火灾预测方法的高漏报率和误报率的问题,提出一种基于LSTM(Long Short Time Memory,长短时记忆网络)和RBF-BP(Radial Basis Function and Back Propagation,径向基反向传播网络)深度学习模型的多源信息融合火灾预测方法。首先,在信息层通过多种传感器采集火灾发生时的特征信息,并通过速率检测算法对特征信息进行预处理。然后在特征层利用深度学习中的LSTM和RBF-BP神经网络对火灾多种特征信号进行自适应学习,输出有火、无火以及阴燃火三种火型的发生概率。最后采用模糊逻辑控制系统决策输出有无火灾发生。仿真实验结果表明,所提出的火灾预测方法与传统的和单神经网络方法相比具有更高的预测精度和自适应性。

一种基于混合神经网络的机械手移动轨迹自动控制技术研究

针对现有机械手移动偏差控制技术存在的轨迹控制不连续、复杂度高、综合效率低等问题,以机器学习和深度学习为基础提出一种混合神经网络控制算法。分析机械手各关节、连杆的空间坐标转换关系,以RBF为基础构建混合神经网络模型,选用逆多二次函数作为模型的激活函数,分别确定中间隐层和输出层的权值;引入LSTM长短记忆算法,利用LSTM算法的输入门、遗忘门和输出门结构设计,抑制坐标数据训练时出现的梯度膨胀问题,并给出精确的轨迹修正指令。仿真结果表明:提出的混合神经网络算法采样点轨迹偏差均值为0.02 mm, VARP值趋近于0,具有更好的自动控制稳定性和更高的控制效率。

融合时序数据和面板数据的LSTM-RBF城区面积预测模型

城市扩展模拟预测是将城市时空演变规律应用于城市规划建设决策的重要基础,也是城市研究的热点。现有研究主要分为两类:一类是从城市时空演变角度出发采用异速增长等模型利用时序数据预测;另一类从城市扩张驱动力角度出发采用各类神经网络或多元回归模型结合面板数据进行预测。这两类算法均从单一方面对城市扩张做出解释,缺乏对城市时空演变规律和驱动因素双方面的综合考虑。本文提出了融合时序数据和面板数据的LSTM-RBF城区面积预测模型,该模型通过将长短期记忆(LSTM)网络和径向基函数(RBF)网络相结合,实现了时间序列城区面积和经济、人口等驱动力数据双方面支持下的城区面积联合预测,提高了城区面积预测的精度,为城区面积预测提供了一种新颖有效的方法,能够为城市时空演变研究服务于城市土地利用和规划制订提供技术支持。