Properties and Stability of Max-Product Fuzzy Bi-Directional Associative Memory

In this paper, a fuzzy operator of max-product is defined at first, and the fuzzy bi-directional associative memory (FBAM) based on the fuzzy operator of max-product is given. Then the properties and the Lyapunov stability of equilibriums of the networks are studied.

Delay-Dependent Exponential Stability Criterion for BAM Neural Networks with Time-Varying Delays

By employing the Lyapunov stability theory and linear matrix inequality（LMI）technique,delay-dependent stability criterion is derived to ensure the exponential stability of bi-directional associative memory（BAM）neural networks with time-varying delays.The proposed condition can be checked easily by LMI control toolbox in Matlab.A numerical example is given to demonstrate the effectiveness of our results.

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。

基于双流CNN-BiLSTM的毫米波雷达人体动作识别方法

目前基于雷达的人体动作识别方法,大多是先对人体动作的回波信号进行多维快速傅里叶变换(FFT)得到距离、多普勒和角度等信息,构造各种数据谱图后再输入到神经网络中进行分类识别,数据预处理过程较为复杂。提出了一种双流卷积神经网络(CNN)与双向长短时记忆网络(BiLSTM)串联的毫米波雷达人体动作识别方法。首先对原始的雷达回波信号复数采样数据(I/Q)进行帧差处理,以消除静态干扰,并将其转换为幅度/相位(A/P)的数据格式;然后将帧差后的I/Q和A/P数据分别输入单流的CNN-BiLSTM网络,提取人体动作的空间和时间特征,最后进行双流网络的融合以增强特征的交互性,提高识别准确率。实验结果表明,该方法数据预处理简单,并充分利用了动作数据的帧间相关性,模型收敛快,识别准确率可以达到99%,是一种快速有效的人体动作识别方法。

基于Bi-LSTM网络的时变综合负荷模型参数辨识

考虑到实际电网负荷的组成会随着系统运行方式、环境状况等因素发生变化,以及各类分布式电源的接入,负荷模型中增加了具有各种时变特性的负荷分量,对其进行参数辨识的难度日益加大。这里提出了一种基于深度学习的时变参数辨识模型,用于综合负荷模型时变参数的辨识。采用两个并行的双向长短期记忆(Bi-LSTM)网络,利用时变参数以及有功、无功功率和正序电压的时序特性,综合考虑它们对时变参数的影响,并在系统测量范围的情况下,辨识综合负荷模型的所有时变参数。

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。

基于多头注意力机制的CNN⁃BiLSTM高海拔多因素输电线路可听噪声预测

为了研究考虑高海拔多环境因素影响下输电线路可听噪声的预测问题,在海拔2400 m高度点的500 kV同塔双回线路下,搭建了边相外20、30、35 m三处可听噪声观测站,同时利用气象站进行多环境因素指标的数据采集。文中提出了一种基于多头注意力机制(multi⁃head attention,MHA)的卷积神经网络(convolutional neural network,CNN)—双向长短期记忆网络(bi⁃directional long short term memory,BiLSTM)模型进行可听噪声预测。首先,采用皮尔逊相关性分析对多种环境因素数据进行相关程度计算比较与剔除;然后,为充分挖掘可听噪声数据中的时序特征,使用CNN对多环境因素数据进行特征提取;再将提取的特征向量输入到BiLSTM中进行训练,并通过在BiLSTM端引入多头注意力机制,使模型学习权重更高的数据特征,从而提升模型预测精度;结果表明,该方法构建的组合模型可以提升考虑多因素特征可听噪声数据的预测精度,且具有较好的泛化性。

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。

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。

基于WT-CNN-BiLSTM模型的日前光伏功率预测

光伏功率的准确预测对于电网的安全稳定和经济运行具有重大意义。为此,提出了一种日前光伏功率预测方法,利用小波变换(wavelet transform,WT)将数值天气预报数据(numerical weather prediction,NWP)和光伏功率数据分解为具有时间信息的频率数据,消除数据信息中随机性和波动性对预测精度的影响,利用卷积神经网络(convolutional neural network,CNN)模型深度挖掘输入数据的季节性特征和空间关联特性,利用双向长短期记忆网络(bi-directional long-short term memory,BiLSTM)模型获取输入数据序列的时间相关性,构建基于WT-CNN-BiLSTM的日前光伏功率预测模型。以某一光伏电站为计算对象,在不同季节和气候条件下对比分析WT-CNN-BiLSTM模型、CNN-BiLSTM模型、LSTM(long-short term memory)模型、GRU(gated recurrent unit)模型以及PSO-BP(particle swarm optimization-back propagation)模型的预测结果,计算结果表明WT-CNN-BiLSTM模型的预测精度高于其他模型的预测精度。

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.

基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

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。

基于多级特征提取的BiLSTM短期光伏出力预测

传统光伏预测模型易受气象数据波动的影响,且对气象特征不敏感。由此,提出基于多级特征提取的BiLSTM短期光伏出力预测方法,用于预测不同天气类型下的光伏出力。首先,选取与光伏出力相关性较高的气象因素作为输入特征;使用模糊C均值(FCM)聚类方法,对样本进行灵活划分,通过计算Xie-Beni指标以确定最佳聚类数,将历史数据集聚类为晴天、少云天、晴转多云、阴雨天和恶劣天气;其次,构建CNN-CBAM-TCN多级特征提取器(MFE):利用卷积神经网络(CNN)进行初步的特征提取,结合卷积注意力块(CBAM)抑制非重要特征,之后,利用时间卷积网络(TCN)进一步捕捉日内光伏出力的时序特征;最后,借助双向长短期记忆网络(BiLSTM)进行光伏出力预测。在实例分析中,验证了使用Xie-Beni指标确定最佳聚类数的有效性,证明了该模型较其他预测模型在复杂天气类型下具有更高预测精度。

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CVMD-TCN-BiLSTM的短期电力负荷预测

短期负荷数据往往掺杂着不同类型的噪声且波动性大,传统的分解序列方法在提取序列特征时并未考虑到高频噪声的影响。针对上述精准预测问题,介绍一种分解去噪、重构分解的CVMD-TCN-BiLSTM组合预测方法。采用互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)将原始电力负荷数据分解成一组比较稳定的子序列,联合小波阈值法将含有噪声的高频分量去噪,保留含有信号的低频分量进行累加重构。然后利用变分模态分解(Variational mode decomposition,VMD)对去噪后的数据进行二次信号特征提取,得到一组平稳性强且含不同频率的分量。最后,利用时序卷积网络-双向长短时记忆神经网络对各分量进行了预测,并将预测结果进行迭代,获得完整的预测结果。通过对澳大利亚某地的负荷数据作为实例分析,与传统的负荷预测算法相比,验证了所提模型的有效性。

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。