基于LSTM网络的单台仪器地震烈度预测模型

烈度是地震预警系统的关键产出.如何实现快速预测目标场址的地震烈度是地震预警方法技术研究中的核心问题.本文提出了一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的单台仪器地震烈度的预测模型(LSTM-Ⅰ).该模型以一个台站观测到地震动参数的时间序列特征为输入,实现动态预测该台站可能遭受的最大烈度.选取了日本K-NET台网记录的102次地震的5103条强震加速度记录训练了神经网络,利用89次地震的3781条数据检验了模型的泛化能力.利用准确率、漏报率以及误报率三个评价指标评价了LSTM-Ⅰ模型的性能.结果表明,当采用P波触发后3 s的序列进行预测时,模型出现漏报的概率为46.78%,出现误报的概率为1.25%;当采用P波触发后10 s的序列进行预测时,模型出现漏报的概率大幅降低到17.6%,出现误报的概率降低到1.14%.结果表明LSTM-Ⅰ模型很好把握住了时间序列中蕴含的特征.进一步基于LSTM-Ⅰ模型评估了Ⅵ度下台站所能提供的预警时间.本文模型能够提供的预警时间与P-S波到时差接近,说明LSTM-Ⅰ模型具有较高的时效性.

基于Bayes-LSTM的公路隧道围岩变形预测方法研究

在公路隧道施工过程中,围岩的稳定性对隧道施工的影响较大。因此公路隧道围岩变形的监控量测与准确预测是保障隧道施工安全的关键。针对当前隧道围岩变形的预测精度较低以及泛化能力较差等问题,该文提出一种基于贝叶斯(Bayes)优化长短期记忆网络(LSTM)的方法,该方法首先对拱顶沉降和周边收敛的原始监测数据进行预处理,而后构建公路隧道拱顶沉降与周边收敛的初始LSTM模型,并利用Bayes优化模型中的超参数,最终得出预测结果。利用该模型对某公路隧道拱顶沉降和周边收敛进行预测,将预测结果以均方根误差为评价指标与神经网络(CNN)和支持向量回归(SVR)进行对比。预测拱顶沉降时,Bayes-LSTM模型的平均预测精度相较于CNN与SVR模型分别提高了1.0与1.26;预测周边收敛时,Bayes-LSTM模型平均精度相较于CNN与SVR分别提高了0.3与0.32。表明Bayes-LSTM模型的预测精度较高,同时其能在训练模型过程中对历史信息进行判断和取舍,极大地提高了时序数据处理的效率,为公路隧道围岩变形预测提供了新的思路和探索。

基于LSTM算法的玉米籽粒储藏温度预测

为减少储粮损失和虫霉等的发生,该文利用自制试验仓及检测系统检测储藏玉米籽粒不同位置的粮温,分析粮堆温度变化及整个粮堆热量的传递过程。试验结果表明,仓外环境温度对粮温影响较大,仓内粮食温度变化与仓外环境温度变化相比较为滞后,粮堆第一层2号位置温度在检测周期中一直处于较低状态,温度最高位置出现在第四层12号位置。基于粮堆温度变化分析,该文开展了基于长短时记忆网络(LSTM)算法的玉米籽粒储藏粮温预测研究。结果表明:(1)对比预测值与试验值可知,粮堆第一、二、三、四层测试集的粮温准确率分别为0.62、0.89、0.83、0.79;(2)位于粮堆第二层和第三层的预测结果精度较高,试验仓粮堆底层和顶层温度易受环境温度影响,粮堆热量交换速度快,温度变化迅速,导致第一层和第四层预测结果精度偏低。该研究可为粮食储藏温度预测研究提供新思路。

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力,建立了一种基于卷积神经网络(Convolutional neural networks,CNN)与深度学习长短期记忆(Long short-term memory,LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征,再利用LSTM生成特征描述,该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例,经过CNN-LSTM模型计算,将模型变形预测值与原型监测资料进行对比,再与LSTM模型及CNN模型的预测结果进行对比。结果表明,CNN-LSTM模型预测值最接近监测资料实测结果。

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标的影响,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。然后,针对不同序列长度对预测效果的影响,还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的长短时记忆网络水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、VA–LSTM和S–LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制的LSTM网络在面临大规模、噪点多的复杂数据时有优于其它几种算法的预测效果,表明该算法具有强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。

基于FFT-LSTM的抽水蓄能发电机定子匝间短路故障诊断方法

定子短路故障是抽水蓄能发电机常见的故障之一,其会对发电机的性能和安全性产生严重影响,为确保抽水蓄能发电机安全稳定运行,提出基于FFT-LSTM的抽水蓄能发电机定子短路故障诊断方法。建立抽水蓄能发电机定子绕组匝间短路故障模型,分析定子绕组匝间短路故障时,发电机定子电、磁相关状态。以抽水蓄能发电机定子绕组匝间短路故障时的三相电流信号为依据,基于磁势相等原理将三相电流变换成两相电流后,利用FFT转换定子两相电流的时域信号为频域信号,获取故障电流频谱图输入LSTM网络中进行处理,输出抽水蓄能发电机定子绕组匝间短路故障诊断结果。实验结果表明,该方法可以更好地区分抽水蓄能发电机正常与故障状态,实现抽水蓄能发电机定子绕组匝间短路故障诊断,且故障诊断的交叉熵损失低。

基于AM-LSTM的飞行区航空器滑行轨迹预测与冲突识别

为解决航空器点源定位难以有效预测而引发冲突风险愈来愈多的问题,构建基于注意力机制(AM)和长短期记忆网络(LSTM)的时间序列轨迹预测模型AM-LSTM,预测未来短时间内飞行区航空器的瞬时点源位置;在此基础上,根据航空器型号和滑行航向对其进行轮廓扩展,以航空器速度作为安全距离权重,通过射线法实现轮廓冲突的判定;并以乌鲁木齐地窝堡机场为例进行验证,利用训练完成的轨迹预测模型预测飞行区航空器滑行轨迹,以识别航空器轮廓间的滑行冲突。结果表明:AM-LSTM预测模型能够准确预测飞行区航空器运动轨迹。未来3 s内轨迹位置预测的平均位移误差为1.05 m,轨迹点位置预测精准性可达94.37%,故能在轨迹预测的基础上精确识别滑行冲突风险,有利于保障飞行区的安全运行。

基于注意力机制的CNN-BiLSTM的IGBT剩余使用寿命预测

针对绝缘栅双极型晶体管(IGBT)可靠性问题,提出了一种融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制的剩余使用寿命(RUL)预测模型,可用于IGBT的寿命预测。模型中使用CNN提取特征参数,BiLSTM提取时序信息,注意力机制加权处理特征参数。使用IGBT加速老化数据集对提出的模型进行验证。结果表明,对比自回归差分移动平均(ARIMA)、长短期记忆(LSTM)、多层LSTM(Multi-LSTM)、 BiLSTM预测模型,在均方根误差和决定系数等评价指标方面该模型的性能最优。验证了提出的寿命预测模型对IGBT失效预测是有效的。

基于GPR-LSTM的地震热红外背景场的构建方法

地震监测是一项非常重要且具有挑战性的任务,遥感技术的不断发展加强了在宏观尺度上对地球表面的监测能力。研究表明,地震前通常都会出现地表温度异常升高的现象,因此各种异常提取算法被应用于地震热异常研究中。其中,基于背景场的提取方法由于具有较强的机理解释性而受到广泛应用。然而,以往基于背景场的异常提取方法更多将背景场限定于某一固定阈值,忽略了受外界因素(非震)影响导致的地表温度的小范围正常波动。据此,文中提出了一种基于GPR-LSTM的地震热红外背景场的构建方法。该方法包括两大部分:震期年变基准场的建立、实际LST的残差波动范围计算及背景场的构建。基于MODIS地表温度产品,以2008年四川汶川和新疆于田地震为研究对象,使用所述方法对地震前兆热异常信息进行提取与分析,经过实验得出以下结论:1)地震热异常通常沿青藏高原的断层分布,这不仅证明了文中方法能够减弱地表温度数据中噪声的干扰,同时也证明该方法在热异常信息提取方面的有效性;2)地震年份的构造活动比非地震年份更加活跃,导致地表温度的异常增温更加明显;3)不同地震案例震前的热异常时空特征各不相同。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于LSTM的高压输电电缆接头异常预警系统设计

高压输电电缆接头异常预警容易受到谐波电流影响,导致预警效果不佳,为此设计了基于LSTM的高压输电电缆接头异常预警系统。检测高压输电电缆接头异常电流谐波,获取电缆接头介质状态。设计CC2430微处理器预警模块,负责处理预警区域内电流数据。构建接地线电流检测模块,负责评估电缆接头异常。构建LSTM神经网络预警模型,对比分析实时状态与模型中检测点状态,获取当前电缆接头状态的预测值。采用移动平均技术分析电流数据的整体变化走向,判断电流预测数据与阈值关系,根据系统指示灯颜色区分异常等级。由实验结果可知,该系统电流数值最大值为125 A,变化曲线与实际曲线一致,说明该系统的预警效果较好。

基于CNN-LSTM的水泥熟料f-CaO预测模型

水泥熟料中游离氧化钙(f-CaO)含量的传统人工离线检测缺乏时效性,不利于生产指导。针对离线检测的滞后问题和软测量模型中f-CaO含量与辅助变量的时序匹配问题,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络的f-CaO含量预测模型。首先,利用滑动窗口截取辅助变量的区间数据;然后,采用CNN提取区间数据的时序特征;之后,构建LSTM神经网络模型;最后,控制截取辅助变量的延迟时间和间隔时间,根据模型预测拟合度提取辅助变量的最优时序特征。仿真结果表明,所提模型提高了水泥熟料中f-CaO含量的预测精度。

适用于区域建筑群实时震害模拟的LSTM-FC组合深度网络模型研究

建筑物破坏在地震灾害中往往会导致巨大损失,对城市建筑群进行灾前灾时的震害预测具有重要意义。传统BP(back propagation)网络和CNN(convolutional neural networks)网络等人工智能方法在进行震害预测时多集中于提取建筑物信息。然而,这些方法在处理地震波的时序数据方面有所不足,导致其在整合和分析对地震灾害预测至关重要的时序相关因素时效果有限。因此,本文提出一种耦合LSTM(long short-term memory)和FC(fully connected)神经网络的震害预测方法。LSTM网络擅长处理具有时间序列特性的地震波信息,能够捕捉和分析随时间变化的地震波动模式。同时,全连接网络可用于综合分析所有相关的震害因子。通过对云浮地区265栋典型钢混建筑进行指标量化并确定输入指标(震害影响因子)和输出指标(震害指数),利用LSTM-FC组合深度网络、CNN网络和BP网络模型对数据进行训练并优化。通过将LSTM-FC网络模型的预测结果与弹塑性时程分析比较,发现该模型在拟合效果和精度方面优于传统的BP和CNN模型。拟合效果提升了36.8%和10.6%,精度分别提升了77.6%和91.7%,表明LSTM-FC网络在地震损害预测上更为有效。同时,将该方法应用于广东省云浮市钢混结构群震害预测,构建的易损性矩阵与华南地区的易损性矩阵均值进行了对比,显示误差相对较小,说明该模型不仅理论上可行,在实际应用中也能表现出较高的准确性和有效性。

LSTM 智能导向的电子信息实践教改探索

针对传统电子信息专业教学中存在的问题,提出融合AI技术的针对性LSTM智能导向实践教学模型,构建了因材施教的人才培养体系。结合AI技术构建融合平台,包括结合深度学习技术在电子信息基础理论与实践课程中有针对性地推荐课程;借鉴强化学习思想和组内竞争思想助力学生竞赛创新;采用LSTM对学生个体进行建模,用以准确评估学生的自身能力,以便教师对他们进行因材施教。该教改方案实施以来,实验班相比对照班在获奖门类和数量上都有显著提高,验证了所提教改方案的有效性。

融合GA-Attention-LSTM算法的温室樱桃环境参数预测与裂果预警

针对温室环境因素对樱桃的影响,设计一套大樱桃温室环境自动监测装置,用来采集温室内的环境参数值为樱桃裂果提供数字化预警支持及防治方案。基于采集的环境参数值,首先使用相关性分析得出与棚内裂果具有强相关性的环境参数特征;其次使用滑动窗口方法将输入的环境特征生成时间序列矩阵形式;随后提出一种融合GA-Attention-LSTM算法的预测模型,实现精准预测棚内的环境参数的功能;最后通过SPSS数据分析软件来分析不同大棚的环境参数和裂果率。所提的融合GA-Attention-LSTM算法的预测模型的平均绝对误差为0.112,均方误差为0.087,相比于LSTM网络模型高出12.80%和9.72%,对环境参数的预测精度更高,同时得出一套科学的樱桃环境参数值范围,为预测模型对樱桃裂果数字化预警提供有力支持。

基于深度学习的LSTM-GRU复合模型矿井涌水量预测方法研究

为了解决矿井涌水预测问题,引入深度学习理论,将长短期记忆网络(LSTM)和门控循环单元(GRU)进行结合,选取矿井涌水量为研究对象,建立一种LSTM-GRU的矿井涌水预测模型。以陕西某矿的矿井涌水量为样本数据,采用7∶3的比例将数据集划分为训练集和测试集,选择模型训练效果较好的梯度下降算法确定网络模型参数和正则化参数,为了证明LSTM-GRU模型的预测精度,同时将结果分别与传统的ARIMA模型和LSTM模型预测矿井涌水所得到的预测结果进行对比。结果表明:LSTM-GRU复合模型的平均绝对百分比误差(RMSE)为70.51,均方根误差(MAE)为53.4,平均绝对误差(MAPE)为2.80%,可决系数(R^(2))为0.86,具有较高的预测精度和可靠性,预测效果优于传统的ARIMA模型和LSTM模型。

融合SEIR与LSTM模型的传染病预测研究

针对现有的传染病预测模型未充分考虑时间序列的复杂度且预测性能不稳定等问题,提出一种基于传染病动力学模型SEIR与长短时记忆网络(LSTM)的传染病组合预测模型.首先,通过计算Pearson相关系数分析气候因素与传染病新增人数之间的相关性;其次,通过FE(Fuzzy Entropy)算法提取序列的局部特征且保证序列的平稳性,降低时间序列的复杂度,提升时间序列的可预测性;最后,根据传染病特点,构建SEIR模型分析不同人群传播情况,并结合LSTM模型实现大幅度提升传染病预测精度.仿真结果表明,相较于传统的模型算法,本文提出的混合模型能保证预测的平稳性并实现更高的预测精度,同时,本文使用该混合模型在不同的干预策略下进行预测,表明了提早采取防控措施对遏制传染病传播的重要性.

基于PSO-LSTM的重载铁路车轨桥系统随机振动响应预测方法

在车桥系统随机振动分析中,随机动力响应是评价行车安全性的关键因素之一,而现有的响应计算方法存在耗时长、成本高的问题。能够快速准确预测车-轨-桥系统的动力响应对重载铁路桥梁的状态评估和运维养维具有重要意义。本文提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)长短期记忆(Long Short-term Memory,LSTM)神经网络模型的重载车桥系统随机振动响应预测方法。该方法以车桥随机参数与轨道随机不平顺激励为输入,以桥梁动力响应为输出构造代理模型。首先,基于商业软件MATLAB平台构建PSO-LSTM网络模型;其次,通过建立的车-轨-桥系统随机振动分析模型计算初始样本集对应的随机动态响应,并进行模型训练,同时利用PSO算法优化LSTM结构参数;最后,使用训练好的PSO-LSTM模型对桥梁动态响应进行预测。为了验证本算法的优越性和鲁棒性,以朔黄重载铁路实测数据为例,对比本算法与BP(Back Propagation)神经网络、GRU(Gated Recurrent Unit)神经网络和LSTM神经网络的预测效率,并讨论不同车速下的预测情况,开展本模型与实测数据及有限元分析数据的对比分析。研究结果表明:在PSO优化下,LSTM模型预测结果得到一定的改善,PSO-LSTM模型拟合相关性系数可以达到0.97,其他评价误差值也均小于BP神经网络、GRU神经网络模型,本文模型可更高效准确地预测桥梁随机动力响应,可为进一步发展车-轨-桥系统随机振动响应预测理论提供技术支持。