基于小波降噪和循环神经网络的煤矿瓦斯浓度预测

在瓦斯浓度监测数据分析中发现,瓦斯浓度序列往往呈现出较强的随机性和复杂性,时序数据中含有的噪声会对数据的预测结果产生干扰。为了减少数据中的噪声所带来的负面效果,提出了一种将小波阈值降噪与LSTM(长短期记忆网络)相结合的瓦斯浓度预测模型。通过将原始数据进行分解、阈值处理和重构,对时序数据中的噪声进行剥离,再通过LSTM模型进行预测分析,与普通LSTM和RNN网络进行比较,结果表明,所提出的基于小波降噪的LSTM的瓦斯浓度预测模型在精确度和泛化能力上都具有更好的表现。     

基于BERT-Att-biLSTM模型的医学信息分类研究

目前,对互联网上虚假健康信息的研究多集中于谣言识别,而对医学信息自动分类的研究较少。采用基于双向编码的语言表征模型和注意力增强的双向长短时记忆模型(BERT-Att-BiLSTM模型),对健康信息文本进行分类,实现自动识别虚假健康信息。实验结果表明,BERT-Att-BiLSTM模型可以高效地对医学信息进行分类,其中BERT模型相较于BiLSTM模型,性能提升明显;与融合Word2Vec的BiLSTM模型相比,BERT-Att-BiLSTM模型效果更佳。     

基于LSTM神经网络的柴油机NOx排放预测

柴油机NO_x排放是机动车排放污染物的主要来源,有效的NO_x排放预测模型是选择性催化还原技术(SCR)控制和车载诊断系统(OBD)完成SCR监测的基础.利用长短期记忆(LSTM)神经网络预测某柴油机的NO_x排放,LSTM神经网络能够记忆时间序列先前的输入并将其用于当前的预测.将稳态工况与瞬态工况整合成新的混合工况,并在划分的测试集和全球统一瞬态试验循环(WHTC)工况上验证模型精度,结果表明:LSTM神经网络模型能够同时在稳态过程与瞬态过程取得较高的预测精度和稳定性,整合工况测试集的预测误差均方根为55.33×10~(-6),并且具备较强的泛化能力.     

我国传统建筑保护的真实性解读与启示 ——以沧浪亭为例

真实性一直是传统建筑保护中非常重要的一个原则,但是真实性的解读在各地区不同文化之间却具有一定的差异性和多样性。文章主要以沧浪亭为例,通过对其历史沿革的分析,并将其与欧洲国家现存建筑的保护实例进行对比,解读针对我国传统建筑保护中的真实性的含义,并依据此特有含义对我国传统建筑保护工作中提出针对性建议。     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

基于支持向量机和磁记忆技术的管道缺陷深度的定量化反演研究

金属管道表面往往存在不同深度的腐蚀缺陷。金属磁记忆检测技术是目前唯一能对铁磁性构件的早期损伤进行诊断的无损检测技术,然而磁记忆原始信号本身并不能直接实现对管道腐蚀缺陷深度特征的定量化识别,进而无法实现对管道腐蚀程度的预警。针对该问题,采用支持向量机方法建立了管道缺陷深度的定量化反演模型,利用该模型对管道上深度为1~15mm的腐蚀缺陷进行了多次反演,反演结果的平均误差为2.398mm,平均均方根误差为3.205mm,结果表明,模型对管道腐蚀缺陷深度的定量化反演是可行的。研究结果可为该领域的研究提供一定的参考,且具有较高的实际应用价值。     

基于门控单元循环神经网络的台风路径预测

传统的神经网络结构不能很好地处理序列问题。通过对历史台风数据库中的台风分类,提出基于门控单元网络的台风路径预测模型。利用历史台风的经纬度信息,分别用普通循环神经网络、长短时记忆网络和门控单元网络预测台风未来6小时位置信息。实验表明,在测试集上门控单元网络具有最小的平均绝对误差,能够有效提高路径预测精度,与稀疏循环神经网络预测方法相比,有更小的平均绝对误差。