基于改进深度信念网络的农业温室温度预测方法

针对浅层神经网络面对温室复杂多变环境因子表征能力低、学习时间长的问题，提出一种基于改进深度信念网络并结合经验模态分解与门控循环单元的温室预测方法。首先，通过经验模态分解将温度环境因子进行信号分解，之后将分解出来的固有模态函数与残差信号进行不同程度的预测；然后，引入神经胶质改进深度信念网络，并将分解信号结合光照和二氧化碳进行多属性的特征提取；最后，将门控循环单元预测的信号分量相加获得最终的预测结果。仿真实验结果表明，与经验模态分解-深度信念网络（EMD-DBN）和深度信念网络-神经胶质链（DBN-g）相比，所提方法的预测误差分别降低了6.25%和5.36%，验证了其在强噪声、强耦合的温室时序环境下预测的有效性和可行性。     

基于GRU的智能手机多场景步态认证

基于步态的智能手机认证研究大多针对单一受控场景,而未考虑多场景变化对认证准确性的影响。智能手机以及用户的运动方向在不同场景下会发生变化,当使用对方向变化敏感的传感器采集用户步态数据时,可能会因场景的改变出现一定的偏差。因此,为智能手机提供一种多场景下的高精度步态认证方法已成为亟待解决的问题。此外,模型训练算法的选取是决定步态认证准确率和效率的关键。目前流行的基于长短期记忆（LSTM,longshort-termmemory）网络的认证模型能够实现较高的认证准确率,但其训练参数较多,内存占用较大,训练效率有待提升。针对现有步态认证方案未满足多场景认证需求、模型认证和训练且难以兼顾高效率与高准确率的问题,提出了基于门控循环单元（GRU,gaterecurrentunit）的智能手机多场景步态认证方案。通过小波变换对步态信号进行初步降噪处理,并采用自适应的步态周期分割算法对循环的步态信号进行切分。为满足多步态场景的认证需求,采用坐标系转换方法对步态信号进行方向无关性处理,以消除智能手机方向以及用户运动方向对认证结果的影响。为实现高准确率认证以及高效率训练模型,利用不同体系结构的GRU以及多种...     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票.针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷...     

基于GRU算法的盾构掘进参数预测——以成都地铁19号线为例

刀盘扭矩和刀盘推力是保障盾构机正常掘进的关键参数,对其准确预测可有效指导设备运行。本项研究的数据来源于成都地铁19号线土压平衡(EPB)盾构机的掘进数据。深入剖析了EPB盾构掘进数据的特点,提出了一种包含数据分割、异常值处理、数据降噪和数据编译4个阶段的标准数据预处理算法。在Butterworth滤波器基础上,利用门控循环单元(GRU)建立了盾构掘进参数预测模型,基于RMSE和MAE指标综合评估预测模型的预测效果。结果表明：预测模型对不同地质条件下的刀盘扭矩和刀盘推力掘进参数均能实现良好预测;经过Butterworth滤波,预测模型的预测精度提高显著;砂岩地层中,预测模型对刀盘扭矩的预测误差最小,RMSE和MAE分别为4.91和3.86。基于GRU算法的掘进参数预测,可提高盾构机掘进状态的判断水平,利于施工参数优化调整。     

基于多信息融合与GRU的轴承剩余寿命预测

为解决单一传感器信号易受干扰且能提取的退化信息有限,导致轴承剩余寿命预测精度低的问题,提出一种基于双通道信息融合与门控单元(GRU)神经网络的轴承剩余寿命预测方法。进行轴承寿命试验时,在振动传感器采集信号的基础上增加声发射传感器,弥补单一信号易受干扰的缺点;使用卷积神经网络自动挖掘出包含轴承退化信息的特征,避免传统算法过分依赖专家判断的弊端;通过归一化处理对信息进行融合;最后使用这些数据训练GRU神经网络,利用训练好的门控单元神经网络预测高铁牵引电机轴承的剩余寿命。结果表明：相比单通道数据,双通道数据训练出的门控神经网络模型的预测结果更为准确;门控单元神经网络相比长短时记忆神经网络有更高的轴承寿命预测精确度。     

基于短距空间光谱并行双向RNN的高光谱农业图像分类

提出一种新的短距空间并行双向RNN算法(shorten spatial-spectral parallel bidirectional RNN,St-SS-pBRNN)用于高光谱农业图像分类,通过组合多个卷积层实现了频谱和空间特征的同时利用,提升了图像的分类效果. 采用并行门控循环单元(gate recurrent unit,GRU)和双向RNN的组合架构,缩短了RNN的序列长度,大幅减少了模型的计算量. 在农业高光谱图像分类对比实验中,算法性能稳定,准确率比经典的短距空间并行GRU算法(shorten spatial-spectral parallel GRU,St-SS-pGRU)最优效果提升大于2%,相关模型有望在国内大范围的农业用地分类中得以推广应用.     

基于AGRU-GNN的图网络社交推荐算法

在推荐系统中,用户对物品的兴趣是动态变化的,会受用户自身历史行为、朋友历史行为甚至短时热点等多方面因素影响.而如何在推荐系统中对用户的时序兴趣进行描述并提取有效信息,一直以来是推荐算法的一大挑战之一.本文在图神经网络(GNN)推荐算法的基础上,提出一种基于注意力门控循环单元(Attention-GRU)的改进图网络算法,对用户、物品的交互时序历史进行特征建模,于此同时结合社交网络将此时序特征在用户、物品之间传播.算法在Ciao与Epionions数据集上进行了验证,并与其他相关工作进行对比,证明了该模型有效地提取了用户、物品的时序特征,提升了推荐系统的有效性.     

基于深度神经网络的个性化混合商品推荐模型

针对推荐系统广泛采用的协同过滤算法存在的稀疏性和冷启动问题,提出了一种基于深度神经网络和动态协同滤波的推荐模型.该模型采用预训练BERT模型结合双向GRU从用户和商品评论中提取隐含特征向量,利用耦合CNN构建评分预测矩阵,通过动态协同滤波融入用户兴趣变化的时间特征.在亚马逊公开数据集上进行实验,结果表明该模型提高了商品...     

基于门控循环单元和胶囊特征的文本情感分析

针对简单的循环神经网络（RNN）无法长时间记忆信息和单一的卷积神经网络（CNN）缺乏捕获文本上下文语义的能力的问题，为提升文本分类的准确率，提出一种门控循环单元（GRU）和胶囊特征融合的情感分析模型G-Caps。首先通过GRU捕捉文本的上下文全局特征，获得整体标量信息；其次在初始胶囊层将捕获的信息通过动态路由算法进行迭代，获取到表示文本整体属性的向量化的特征信息；最后在主胶囊部分进行特征间的组合以求获得更准确的文本属性，并根据各个特征的强度大小分析文本的情感极性。在基准数据集MR上进行的实验的结果表明，与初始卷积滤波器的CNN（CNN+INI）和批判学习的CNN（CL_CNN）方法相比，G-Caps的分类准确率分别提升了3.1个百分点和0.5个百分点。由此可见，G-Caps模型有效地提高了实际应用中文本情感分析的准确性。