基于LSTM的智能车变道预测研究

文章基于循环神经网络RNN(Recurrent Neural Network)和长短时记忆网络LSTM(Long-Short Term Memory)的理论研究,提出了一种基于LSTM的智能车变道行为预测模型。首先,搭建LSTM网络模型框架;然后根据人类驾驶场景对真实数据集NGSIM(Next Generation Simulation)进行特征选择与数据提取。最后使用长短时记忆网络(LSTM)模型进行训练,测试车辆变道预测结果,并将结果与利用RNN模型预测的结果进行比较,验证了本文方法的有效性。     

混合LSTM与卷积神经网络的氧气提取率预测方法

针对空分装置系统的运行参数量大、氧气提取率预测研究欠缺的问题,提出一种基于卷积神经网络（CNN）、长短期记忆网络（LSTM）以及混合LSTM和CNN的氧气提取率预测方法。将氧气提取率作为预测目标,基于卷积神经网络、LSTM、混合LSTM与卷积神经网络模型对其进行建模,并应用于空分装置系统运行采集的数据中。使用平均绝对百分比误差、均方根误差和平均绝对误差等指标来评价预测模型的精度,并使用模型训练时间以及模型收敛速度评估模型性能。实验结果表明,采用混合LSTM和卷积神经网络的氧气提取率预测方法的效果明显优于其他两种模型。     

基于不同模型的中文命名实体识别方法研究

目的:比较条件随机场、长短期记忆模型、BiLSTM-CRF和使用Bert预训练字符向量的BiLSTM-CRF四种命名实体识别模型。方法:分析比较四种模型在人民日报数据集和MSRA数据集上对人名、地点和机构三类实体的识别性能。结果:单一神经网络LSTM在缺乏训练数据支持的结果表现不如CRF,而使用了Bert预训练字符向量的神经网络即使使用较少的训练数据仍能获得较其他模型更好的结果,在人民日报数据集和MSRA数据集上的F值均达到0.9。结论:单一神经网络模型在缺乏训练数据时有较大局限性,使用Bert预训练字符向量的神经网络模型在中文命名实体识别任务中存在较大优势。     

基于EM-EKF与隐含比例退化模型的机载电子设备剩余寿命自适应预测

针对现有机载电子设备剩余寿命自适应预测方法在新研小样本条件下,未能综合考虑设备隐含退化建模与漂移系数在线更新的问题,本文提出一种基于期望最大-扩展卡尔曼滤波(Expectation Maximization-Extended Kal-man Filter,EM-EKF)与隐含比例退化模型的机载电子设备剩余寿命自适应预测方法.首先,基于非线性Wiener过程构建带比例关系的设备隐含退化模型;其次,在引入漂移系数更新机制的基础上建立设备退化状态方程,并采用EKF算法同步更新设备退化状态与漂移系数;然后,采用EM-EKF算法实现对退化模型参数的自适应估计;最后,基于全概率公式,推导出设备剩余寿命的概率密度函数.通过对单台微机械陀螺仪实测数据进行分析,验证了本文所提方法具有更好的模型拟合性与预测准确性.     

基于LSTM网络的牵引变流器IGBT故障预测方法研究

绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor, IGBT)作为牵引变流器失效率较高且最易损器件,对其进行状 态监测和故障预测,可以有效减少日常维护成本,提高列车安全性和可靠性。首先,对IGBT失效原因和性能退化参数进行研 究?选择集电极－发射极关断峰值电压作为性能退化参数?研究了一种基于三层长短记忆(Lomg Short Term Memory,LSTM)网络的IGBT故障预测方法，并给出IGBT维护决策理论依据，最终在NASA pCoE研究中心提供的IGBT加速老化数据集上开展验证实验。实验结果表明多层LSTM网络相比于传统浅层模型具有更高的预测精度。     

基于GCN-LSTM的频谱预测算法

无线频谱是一项重要的、难以再生的自然资源。在频谱数据中随着信道的动态变化，各个信道不能建模成规则的结构。由于卷积神经网络提取的是规则数据结构的相关性，没有考虑信道动态变化以及各个信道节点之间的相关性影响，基于此研究了基于图卷积神经网络(Graph Convolutional Network, GCN)和长短期记忆(Long Short-Term Memory, LSTM)网络结合的GCN-LSTM频谱预测模型，并且引入了注意力机制，仿真得到了GCN-LSTM在正确数据集和有一定错误数据的数据集上的预测性能和算法运行时间。结果表明在引入注意力机制后，GCN-LSTM预测模型的准确性和实时性都得到了提高。     

基于超参数优化的电力负荷预测模型研究

电力负荷数据的多样性与复杂性,会导致负荷预测过程中出现超参数难以确定、拟合效果较差和预测精度不高等问题。针对以上问题,提出一种基于樽海鞘群算法的融入注意力机制的双向长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化规律,引入注意力机制为特征进行权重分配,并且利用樽海鞘群算法优化网络超参数。基于具体数据集进行的负荷预测仿真实验表明,相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型,所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%,并且优化了拟合效果,显著提高了预测精度。     

一种基于深度神经网络的电波传播损耗模型构建方法

将传统经验模型用于电波传播损耗计算,存在泛化性差等问题,在复杂传播环境下难以取得良好的计算效果。针对该问题,本文从数据驱动的角度出发,设计了一种基于深度神经网络的电波传播损耗模型构建方法并进行了仿真验证。首先,基于辐射源与接收机的距离特征及环境特征,构建一定地域内电磁环境感知数据与地形数据的联合数据集,作为本模型的数据源;其次,构建深度神经网络,迭代训练网络参数,并通过网格搜索法优化超参数;最后,运用联合数据集与深度神经网络模型开展计算机仿真实验。结果表明,提出的方法在复杂地域电波传播损耗计算方面能够取得良好的预测精度。     

基于长短期记忆生成对抗网络的小麦品质多指标预测模型

小麦多生理生化指标变化趋势反映了储藏品质的劣变状态,预测多指标时序数据会因关联性及相互作用而产生较大误差,为此该文基于长短期记忆网络(LSTM)和生成式对抗网络(GAN)提出一种改进拓扑结构的长短期记忆生成对抗网络(LSTM-GAN)模型。首先,由LSTM预测多指标不同时序数据的劣变趋势;其次,根据多指标的关联性并结合GAN的对抗学习方法来降低综合预测误差;最后通过优化目标函数及训练模型得出多指标预测结果。经实验分析发现:小麦多指标的长短期时序数据的变化趋势不同,进一步优化模型结构及训练时序长度可有效降低预测结果的误差;特定条件下小麦品质过快劣变会使多指标预测误差增大,因此应充分考虑储藏期环境变化对多指标数据的影响;LSTM-GAN模型的综合误差相对于仅使用LSTM预测降低了9.745%,并低于多种对比模型,这有助于提高小麦品质多指标预测及分析的准确性。     

基于多深度置信网络融合的航空电子设备故障预测

由于航空电子设备性能退化趋势与工作环境(温度、振动、负载等)存在强耦合关系,历史数据和实时数据分布存在难以量化的差异,因此航空电子设备的故障预测一直是业内难题.针对工程应用中的故障预测需求,提出了一种基于多深度置信网络(Multi-deep Belief Network,DBN)模型融合的故障预测方法,基于历史数据和实...     

基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断

针对传统红外图像的机载电路板芯片故障诊断法诊断率低且无法诊断动态故障的问题,本文提出了一种基于红外温度数据的改进麻雀搜索算法优化BP神经网络（Improved sparrow search algorithm-Back propagation neural networks, ISSA-BPNN）机载电路板芯片故障诊断方法。首先,提取红外热像仪采集的电路板芯片温度数据,建立电路板芯片升温过程中静态、动态、统计特征的特征模型;然后,利用Sine混沌映射初始化麻雀种群分布,利用Levy飞行策略改进发现者种群位置更新公式,将改进后的麻雀搜索算法优化BP神经网络的权值参数;最后,将温度特征模型输入到ISSA-BP神经网络进行训练和测试,从而完成电路板芯片故障诊断。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,该方法在电路板不同工况下综合故障诊断率达到97.84%。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案.结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM)网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究.在此基础上,通过仿真和...     

天地一体化信息网络在我国民航领域的应用设想

天地一体化信息网络工程将构建全球覆盖的安全、高效、实时、宽带数据传输网络,基于天地一体化信息网络的新一代机载通信、导航、监视系统是未来我国民用航空电子系统发展的重要趋势之一,可以显著提升机载航电系统能力,为航空运输的安全性、经济性、环保性、舒适性带来巨大的变革。在分析国外航空卫星系统在民用航空领域应用现状的基础上,针对我国天地一体化信息网络在民用航空领域的应用差距,提出了基于我国自主卫星系统的天地一体化信息网络在民用航空领域应用的建设设想、实施步骤及适航考虑。     

等效分组级联BP网络模型及其应用

 松弛的和紧密的分组级联BP网络模型等概念的提出,对于解决有限的小样本情况下高维BP网络的训练和预测问题有一定的参考价值。定义了BP网络等效性和相关定理,构建并证明了与BP网络等效的分组级联网络模型,分析比较了两种网络模型所需训练样本的数量情况,并将其应用于网络安全评估领域。最后通过仿真试验结果证实了所提出分组级联BP网络模型的可行性和有效性。     

一种新的电话拨号音自动识别方法

电话拨号音识别属于多类分类问题。神经网络可直接对多类问题进行分类，但当类别数目较多时，网络结构也更复杂，所形成的判别边界可能不能较好地拟合有限的训练样本，导致识别能力下降。提出了一种新的多类分类方法，可将多类分类问题转变为两类问题，再利用神经网络的曲线拟合功能完成对待测样本的判别。该方法不仅解决了训练样本不足的问题，而且所产生的网络更简单实用。仿真实验表明，该方法具有良好的识别能力及稳定性。     

基于SOM神经网络的航舵故障分类方法

为解决航舵故障诊断的复杂非线性模式分类问题,提出一种基于自组织特征映射(SOM)神经网络的航舵故障诊断方法,构造一个2层SOM神经网络,训练后多个权值向量位于输入向量聚类中心,实现快速有效的自适应分类.仿真结果表明:SOM网络经过100次训练即可实现聚类,对有限故障测试样本分类准确率可达90％,对航舵故障诊断具有一定的参考价值.     

优化的BP神经网络在电子设备故障诊断中的应用

给出BP神经网络故障诊断模型,研究了共轭梯度法对BP算法进行优化设计。针对电子设备的一些实测数据,利用优化的神经网络对其进行了故障诊断,给出实验的仿真结果,并进行详细的分析,最后得出设备的诊断结果。通过实验证明,基于共轭梯度法的BP神经网络优化算法应用于电子设备故障诊断,其诊断率较高,有很强的实用性。     

A Parallel Turbo Decoder Based on Recurrent Neural Network

Wireless Personal Communications - A neural network-based decoder, based on a long short-term memory (LSTM) network, is proposed to solve the problem that large decoding delay and performance...