基于GRU神经网络的城市建筑垃圾产量预测

针对具有时间序列特征的城市建筑垃圾产量预测精度低的问题,提出了一种基于门控循环单元(GRU)神经网络的预测模型。首先,根据《河南统计年鉴》收集了2002-2022年郑州市建筑垃圾产量和相关影响因素数据并进行相关性分析。然后,构建GRU神经网络预测模型,划分训练集与验证集,确定隐藏层神经元个数,同时采用自适应矩估计(Adam)算法更新梯度。最后,引入循环神经网络(RNN)和长短期记忆网络(LSTM)模型进行比较,选择绝对误差(MAE)、百分比误差(MAPE)以及相关系数(R^(2))验证模型性能。结果表明,GRU模型的预测结果更接近真实值,且具有更强的线性相关性。此外,利用该模型对2023-2027年郑州市建筑垃圾产量进行预测,结果显示到2027年建筑垃圾将达到8675.84万t。

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

水库水位的VMD-CNN-GRU混合预测模型

水库水位预测为其运营、防洪、水资源调度管理提供了重要决策支持.准确可靠的预测对水资源的优化管理起着至关重要的作用.针对水库水位数据的非线性、不稳定性以及复杂的时空特性,提出一种融合自适应变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的混合水库水位预测模型.VMD通过对水位序列进行分解消除噪声,CNN用于有效提取水位数据的局部特征,GRU用于提取水位数据的深层时间特征.以葠窝水库日水位为例,与多个相关模型对比分析,结果表明:精度方面,新模型在选取的评价指标上均表现最佳;运算效率方面,本文选择的GRU与长短时记忆网络(LSTM)相比,运算效率显著提高.新模型预测的高精度、高运算效率更能满足实际水库水位实时调度的需求.

基于EMD-GRU的港口堆场煤炭含水率智能预测与实验研究

针对煤炭港口堆场洒水抑尘需求,提出了基于EMD-GRU的煤炭含水率预测模型并进行了实验验证。通过建立煤炭堆场含水率预测模型,利用实时数据驱动预测煤炭堆垛含水率变化,根据气象数据与含水率变化情况判断煤炭堆垛未来起尘情况并制定相应的洒水策略。实验结果表明,EMD-GRU模型的均方根误差、平均绝对误差、平均绝对百分比误差和决定系数分别为0.768、0.566、9.52%、0.944,与SVR、DTR、RNN、LSTM、GRU等预测模型相比,EMD-GRU预测模型的各误差值均最低,决定系数为最高,且预测精度与拟合效果最好。

基于GRU网络的仿优秀驾驶员换道轨迹模型研究

换道是智能汽车在道路上行驶时必不可少的操作。传统换道模型大多基于数学公式或者车辆动力学、运动学模型,从而忽略驾驶员在实际驾驶过程中的感知与决策能力,生成的轨迹与实际换道轨迹区别很大。本文提出基于GRU网络的仿优秀驾驶员换道轨迹预测模型,利用处理时间序列数据有独特的能力,从优秀驾驶员自身的驾驶特性出发,结合车辆动力学参数,结果表明GRU模型的MAPE为0.044,分别比LSTM和Bi-LSTM降低了24.14%和29.03%;RMSE为0.0111,分别比LSTM和Bi-LSTM降低了0.89%和9.76%,且GRU模型的一致性指数D值更接近1。该模型预测出的换道轨迹与实际轨迹基本一致,能准确地模拟优秀驾驶员的换道轨迹,精度较高,保证安全性的同时兼顾舒适性。

基于GRU深度学习的短时临近降水预报订正方法

为提高短时临近降水预报准确率,提出一种订正广西对流尺度数值预报模式(GRAPES-GX)降水预报产品的深度学习方法。该方法通过神经网络对实况进行时空特征提取,以门控循环网络(GRU)为基础框架,针对降水产品进行改进,并用于GRAPES-GX降水预报产品订正。在此基础上,设计了大气物理规律适配模块,通过物理条件匹配机制订正模式预报降水强度与落区的系统性误差,增强训练样本中预报产品和实况的特征相关性,并协同优化模型参数,获得更优的订正效果。广西区域试验结果表明:订正模型在各预报时效、各降水强度等级的TS(threat score)评分均得到正技巧,总体TS技巧评分为2.21%。对于不低于0.1 mm·h^(-1)、不低于2 mm·h^(-1)、不低于7 mm·h^(-1)、不低于15 mm·h^(-1)、不低于25 mm·h^(-1)和不低于40 mm·h^(-1)降水强度预报TS技巧评分分别为5.67%、3.59%、2.18%、1.46%、1.01%和0.46%。0~2 h、2~4 h和4~6 h时效预报TS技巧评分分别为4.77%、1.28%和0.91%。

基于GRU-BP算法的高精度动态物流称重系统

针对动态物流秤测量精度对载重、采样频率、带速较为敏感的问题,提出了一种高精度动态物流称重系统。首先,采用三因素五水平正交试验法,结合皮尔逊相关性检验原则,使用低通巴特沃斯与卡尔曼滤波器对传感器压力信号进行了滤波降噪处理,并将加速度信号作为模型输入信号,进行了特征补偿;然后,基于深度学习算法,提出了一种改进的门控循环单元模型,在该模型采样区间内将压力与振动改写为时序化信号,并将其共同输入门控循环单元(GRU)模型;最后,对GRU模型进行了改进,对其结构输出了层堆叠误差反向传播神经网络(BP),有效加强了模型的非线性映射能力。研究结果表明:在各类传动速度及测试货物下,该模型的最大测量误差相对于同类型深度学习模型长短期记忆(LSTM)神经网络、循环神经网络(RNN)时序模型及传统数值平均模型的误差,依次降低了16.14%、27.14%、76%,可用于各类称重系统。

基于GRU的新媒体语义分析方法研究

传统情感分析很大程度上依赖于情感词典的质量和特征提取,这极大限制了媒体情感语义的正确表达。直至有了深度学习,才使新媒体语义分析得以进步。文中构建了基于GRU的新媒体语义快速分析模型,且针对相关模型进行数据训练,并将其应用于实际案列。经与传统模型对比,得出以下结论:较SVM、LSTM模型而言,GRU模型分析能力更强,分类准确率更高,高达0.909;GRU模型情感极性判断能力更佳,但在中性词的判断上略有欠缺;GRU模型预测能力更强。

基于多流深度残差GRU网络的卷烟零售客户综合满意度评价模型

为全面精准掌握卷烟零售客户对烟草行业各区县分公司和相关单位在卷烟营销工作中的满意程度,不断完善客户服务方式,持续提升客户服务水平,提出一个基于多流深度残差GRU神经网络的卷烟零售客户综合满意度评价模型.该模型基于2301759条2015-2022年间的零售客户满意度调查问卷数据进行学习,将客户对服务的满意度划分为6个等级,并进行相应的情感分析,得到最终的情感分类结果作为综合满意度评价的依据.仿真对比实验和实际数据分析结果表明,所提模型具有较强的文本特征提取能力,相较传统的客户综合满意度评价方法可以获得更有效的情感分类效果和满意度评价结果,为相关行业零售市场的管理提供了新的视角和工具.

基于GRU的未来24小时高低温预报技术研究

温度作为重要的气象要素,关乎民生和生产,其中最高温和最低温更是引人关注,但相关的研究却鲜有涉及。文中基于GRU模型提出了一种未来24小时高低温的AI预报算法,并针对数据缺失情况设计了5种数据处理方法,利用实况和多种模式资料制作AI训练数据集,以过去72小时实况数据和模式未来24小时预报数据为输入。实验表明,该方法能够有效提高高低温的预报精度,最高温预报误差为1.59℃,最低温预报误差为1.19℃,预报精度高于EC模式和预报员的预报精度,尤其是最低温预报精度提升比较明显,对预报员具有较好的预报指导意义。

基于GRU模型的股票价格预测

利用GRU模型对输入时间序列的高效处理能力,提出了一种基于GRU模型的股票价格预测方法,在输入序列中引入价格、成交量、平滑异同移动平均指数三种股票技术参数,明显提高了GRU模型股价预测的准确度。

基于Bi-GRU和空-谱信息融合的油菜菌核病侵染区域高光谱图像分割方法

[目的/意义]油菜菌核病是一种全球性的植物病害,可严重影响油菜的产量和品质,造成巨大的经济损失。为解决传统化学检测方法存在的操作复杂、污染环境、破坏样品及检测效率低等问题,构建了一种基于空-谱信息融合的双向门控循环网络(Bi-directional Gate Recurrent Unit,Bi-GRU)模型,实现油菜菌核病侵染区域的高光谱图像分割。[方法]首先提取7×7像素邻域作为目标像素的空间特征,同时考虑全波段光谱特征,实现空间信息和光谱信息的有效融合。在此基础上结合Bi-GRU架构,实现序列数据中任意位置上特征的同时提取,避免了空-谱数据融合顺序对模型结果的影响。[结果和讨论]与卷积神经网络模型和长短时记忆网络模型相比,基于空-谱信息融合的Bi-GRU模型在平均精度、平均交并比、Kappa系数和Dice系数等评价指标上均获得显著提升。该模型的油菜菌核病检测平均精度达到93.7%,同时可以有效提取早期感染阶段的病斑区域。[结论]本研究可为油菜菌核病的高通量无损检测奠定基础,也为油菜菌核病的早期感染检测提供参考依据。

一种GRU结合CNN的网络流量分类算法研究

循环神经网络(Recurrent Neural Network,RNN)结合卷积神经网络(Convolutional Neural Network,CNN)的混合算法在流量分类问题上的表现往往优于单一深度学习算法。文章基于CICIDS2017的原始流量数据,先进行预处理,再利用CNN模型学习数据流的空间特征,将数据流中所有数据包的CNN输出作为门控循环单元(Gated Recurrent Unit,GRU)的输入,学习网络流的时间特征,最后通过Softmax分类器获得分类结果。经过测试,在此数据集下,提出的双网络结合算法可以在更少的步数内达到数据流量分类的高准确率。

基于CNN-GRU并联网络的海上风电支撑结构损伤识别

利用振动响应和深度学习进行结构损伤识别时,会遇到需要较多测点数据、损伤识别准确率不高以及网络容易发生过拟合等问题。为此,提出了一种基于卷积神经网络-门控循环单元(convolutional neural networks-gated recurrent unit,CNN-GRU)神经网络并联网络的结构损伤识别新方法。首先,对响应信号进行广义S变换(generalized S-transform,GST)得到其时频图像。然后,分别利用CNN和GRU从时频图像和响应信号中提取时频域特征和时序特征,并将时频域特征和时序特征拼接后输入全连接层和Softmax分类器中进行结构损伤识别。位移激励下的海上风电支撑结构模型试验数据验证结果表明,该方法仅需要一个测点的响应信号,与其他同类方法相比具有更高的识别准确率和效率。

基于Attention机制优化GRU混合神经网络的配电网负荷预测模型应用

随着全球能源需求的持续增长和环境保护意识的增强,配电网负荷预测成为电力系统运行和规划中的关键环节。为此提出了一种基于Attention机制优化的GRU混合神经网络模型,进一步提升配电网负荷预测的精度和鲁棒性。通过对传统GRU模型和引入Attention机制的GRU模型进行比较,表明带Attention机制的GRU模型在预测精度和稳定性方面表现更优。在公开数据集上的测试结果显示,带Attention机制的GRU模型显著降低了预测误差,提高了预测精度,为智能配电网的高效运行提供了有力支持。

基于Bi-GRU模型的航空发动机外部液压管路故障诊断研究

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题,提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取,基于同一含噪声的液压管路振动实测数据,输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后,为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力,利用t-SNE降维算法进行液压管路特征可视化。结果表明:基于Bi-GRU航空故障诊断方法能达到99.60%的准确性,明显优于GRU等其他4种神经网络模型,Bi-GRU模型在含有噪声的液压管路数据上具备更出色的特征提取能力,可有效地提取出液压管路故障数据特征,从而实现了液压管路故障的智能化识别。

基于GRU-CNN模型的云南地区短期气温预测

为了利用较少的预测数据提高短期温度预测精度,将CNN(卷积神经网络)与GRU(门控循环单元网络)相结合,开展了深度学习技术在云南地区的日最高最低气温预测的应用;提取了云南地区8个站点1980-2019年的日度最高最低气温数据,将过去三十天的最高最低气温数据进行预处理后输入CNN、GRU与GRU-CNN模型进行训练,最终利用训练好的模型对站点未来三天的最高最低气温进行预测。在利用RMSE(均方根误差)和MAE(平均绝对误差)对预测效果进行评价后,结果显示GRU-CNN模型的预测效果显著优于CNN模型和GRU模型。GRU模型可以提取序列的时间变化特征,而CNN可以提取数据空间变化的深层局部特征,二者的结合提高了模型的适应能力,让模型可以应对诸如气温预测等复杂的深度学习问题。

基于小波能量谱和SSA-GRU的混合直流输电系统故障测距方法

针对混合直流输电系统故障测距存在行波波头难以识别以及固有主频不易提取的问题,提出一种基于小波能量谱和麻雀搜索算法(sparrow search algorithm, SSA)优化的门控循环单元(gate recurrent unit, GRU)模型的故障测距方案。首先,分析频谱能量与故障距离的相关关系,利用小波包分解提取小波包能量谱特征向量,作为GRU模型输入。其次,搭建和训练GRU模型,挖掘时间序列中的深层次故障信息,并利用SSA的迭代寻优对GRU模型参数进行优化,实现故障距离的快速准确定位。最后,在PSCAD/EMTDC中搭建混合三端直流输电系统模型,实验结果证明该方法定位精度高、抗干扰能力和泛化能力强,并具有一定的耐过渡电阻能力。

深度学习的LSTM-GRU复合模型在水文模拟中的应用

在深度学习中,长短期记忆网络(LSTM)和门控循环单元(GRU)是两种模拟时间序列、循环神经网络(RNN)的主要基础结构,各有优缺点。为弥补二者的不足,提高河流流量的预测精度,建立了LSTM-GRU复合模型,并用于海河流域大清河水系白沟河流域流量的预测。基于东茨村水文站2006—2019年的日观测数据,以8个水文气象因子(气压、水温、相对湿度、降水量、日照、地温、风速、水位)的观测数据为输入,河流流量为输出,建立LSTM-GRU水文模型。为验证该模型的优势,将LSTM-GRU的模拟结果分别与LSTM和GRU的结果进行比较。结果表明,LSTM-GRU复合模型的稳定性和精确度明显优于单一的LSTM或GRU模型,为河流流量预测提供了一个更精准的方法。

基于CNN和GRU的高阶调制自动编码器研究

基于深度学习的自动编码器是替代传统通信发射器和接收器的一种新方法。提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门递归单元(Gate Recurrent Unit, GRU)的自动编码器,集成了星座映射和信道编码功能。设计了一种并行CNN结构,并将输入比特流进行分段的one-hot编码。这样做有两个优点:(1)与不分段的one-hot编码相比,数据的维度降低了;(2)数据的稀疏性降低,这使网络可以更快更好地收敛。此外,引入GRU以实现信道编码。所提出的模型可以应用于高阶调制如4096QAM信号,在加性高斯白噪声(AWGN)信道和瑞利信道下都有着优于传统方法的性能。