基于EEMD和LSTM的短期风速预测模型研究

由于风具有较强的阵性和局地性,影响因子较多,利用机器学习相关技术进行风速的预测,往往会受这些影响,降低预测的准确率,特别是对于瞬时大风的预测,准确度普遍不高。针对上述问题,提出一种基于集合经验模态分解法(EEMD)和长短期记忆神经网络(LSTM)相结合的短期风速预测模型,该模型采用EEMD将风速序列分解为多个频域相对稳定的子序列,进而改善经验模态分解法(EMD)模态混叠现象,再采用LSTM构建预测模型,实现短期风速预测。该方法与其他预测方法相比,预测的精度更高,误差更小,验证了本文预测方法的可行性和有效性。     

基于分解重构LSTM的氟化工产品价格预测方法

企业利润受产品价格波动影响,深入分析产品价格变化趋势可以显著提升企业的市场竞争力。由于传统产品销售价格分析无法有效预测市场变化,提出一种基于分解重构的长短期记忆(LSTM)方法,对氟化工产品价格进行分析和预测。该方法首先对特征数据进行预处理,包括缺失值、异常值和归一化处理;然后通过相关系数进行特征选择,并基于集成经验模态分解(EEMD)挖掘数据隐含信息,采用动态时间规整(DTW)算法进行聚类和重构,进而建立LSTM模型进行预测。实验表明,该模型可以提升预测精度、降低计算复杂度,且优于人工神经网络(ANN)和最小支持向量回归(LSSVR)等基准模型。     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

基于经验模态分解和小波阈值的冲击信号去噪

冲击信号是非线性的并且容易受到噪声污染;为研究冲击信号去噪的问题,针对经验模态分解(Empirical Mode Decomposition,EMD)去噪和小波阈值去噪方法存在的不足,提出了基于EMD的小波阈值去噪方法;单纯的EMD去噪方法会在去除高频噪声的同时压制高频的有效信息;EMD与小波阈值去噪相结合,利用连续均方误差准则确定含噪较多的高频固有模态函数(Intrinsic Mode Function, IMF),对高频IMF分量进行小波阈值去噪,以分离并保留这些分量中的有效信息,同时保持低频IMF分量不变;对模拟数据和实际冲击信号进行去噪处理,结果表明,基于EMD的小波阈值去噪方法的去噪效果优于单纯的EMD去噪方法和小波阈值去噪方法。     

基于EMD-PSO-Bi LSTM组合模型的短期风电功率预测

风电功率预测对风电并网的稳定运行具有重要意义。为了解决风电功率预测中的精度和模型稳定性问题,引入了EMD-PSO-BiLSTM模型。通过经验模态分解技术将原始风电功率序列分解为一系列固有模态函数,以有效捕捉数据中的多尺度特征,并为每个模态序列建立了各自的预测模型。鉴于双向长短时记忆神经网络良好的泛化能力,建立了基于BiLSTM的各模态预测模型。进一步采用粒子群算法优化了BiLSTM参数,解决了模型非线性、高维、多模态等问题,获得了各模态分量的最优模型,并通过汇总各模态分量的结果得到了风电功率预测值。最后,以湖南省某风电场的实际运行数据为例,验证了EMD-PSO-BiLSTM模型可以有效提高风电功率短期预测精度。     

基于AEEMD与IWT的电磁辐射信号去噪研究

为在复合煤岩受载破裂电磁辐射(EME)特性研究中更加精准地采集电磁辐射信号,提出了自适应集合经验模态分解(AEEMD)与改进小波阈值(IWT)相结合的电磁辐射信号去噪算法,弥补了传统小波去噪对小波基存在选择性的不足.分别采用IWT算法、EMD结合改进小波阈值(EMD-IWT)算法及自适应EEMD结合改进小波阈值(AEEMD-IWT)算法对Bumps和Quadchirp两种加噪信号进行去噪仿真;将三种去噪算法嵌入自主研发新型煤岩电磁辐射采集系统中,采集复合煤岩受载破裂电磁辐射信号并去噪,仿真与实验结果证明:AEEMD-IWT电磁辐射去噪算法去噪性能优越、使用范围广、实用性强.     

基于经验模态分解和长短期记忆神经网络的短期交通流量预测

交通流量预测作为智能交通的重要一环,所要处理的交通数据具有非线性、周期性和随机性的特点,导致在数据预测时,不稳定的交通流量数据依赖于长期数据范围,且由于一些外部因素使得原始数常包含一些噪声,可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先,通过经验模态分解（EMD）算法将交通时序数据中的不同尺度分量逐级分解出来,生成一系列具有相同特征尺度的本征模函数,从而去除一定的噪声影响;然后,借助长短期记忆（LSTM）神经网络解决数据的长期依赖问题,从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明,EMD-LSTM的平均绝对误差（MAE）比LSTM低了1.916 32,平均绝对百分误差（MAPE）比LSTM降低了4.645 45个百分点,可见所提出的混合模型使预测准确性得到显著提高,能够有效解决交通数据的问题。     

一种随机平均分布的集成学习方法

像传统机器学习一样,样本的不平衡分布会影响深度学习分类器的预测能力,在语音情感识别环境下,情感数据的不平衡分布是一种常态。基于卷积循环神经网络和注意力模型,提出一种随机平均分布的集成学习方法(Redagging),用来消除样本的不平衡分布。Redagging按照机会均等原则,等概率地把训练样例随机放入子训练样本,通过降低样例重复率提升基分类器的性能,进而增强综合分类器的预测能力。在IEMOCAP和EMODB情感数据库的实验表明,从未加权平均召回率和F1值两个方面,Redagging都优于Bagging和其他不平衡学习方法,验证了其有效性。     

提高BP神经网络学习速度的算法研究

本文在深入分析ＢＰ人工神经网络学习算法的基础上，研究了采用增加动量项，成批训练及综合法来提高ＢＰ网络的学习速度，取得了显著效果。     

基于神经网络集成的手写识别系统

在研究基于隐马尔可夫模型的识别器和基于距离分类器的识别器的识别结果基础上,提出两种基于集成神经网络的手写识别系统:比较神经网络识别系统和全排列神经网络识别系统.实验分析表明,该系统对西文手写体的识别率最高可达到99%,比单独使用原始识别器的识别率提高10个百分点,达到了良好的识别效果.     

一种选择性神经网络集成构造方法

提出了一种选择性神经网络集成构造方法,在训练出个体神经网络之后,使用遗传算法部分网络来组成神经网络集成。理论分析和实验结果表明,与传统的使用所有体网络的方法相比,该方法能够取得更好的效果。     

基于神经网络集成的多视角人脸识别

人脸在图像深度方向上发生偏转时,即使同一对象的人脸图像也会发生极大的变化。在此,将神经网络集成应用于多视角人脸识别,所用的人脸特征通过多视角特征脸分析获得。为每一视角的特征空间各训练一个神经网络,并利用另一个神经网络对其进行结合。利用训练好的神经网络集成进行识别时不仅不需进行偏转角度估计预处理,而且还可以在给出识别结果的同时给出角度估计信息。实验结果表明,该方法的识别精度高于根据精确的偏转角度估计信息挑选最佳单一神经网络所能达到的效果。     

基于最优权值的选择性神经网络集成方法

本文提出一种基于最优权值的选择性神经网络集成构造方法,在训练出个体神经网络之后,使用遗传算法计算出这些网络在加权平均方法中对应的最优权值,然后选择权值大于一定阈值的部分网络使用简单平均方法组成神经网络集成.理论分析和实验结果表明,与传统方法相比,本文方法使用部分网络能够取得更好的效果.     

基于布谷鸟算法优化BP神经网络模型的股价预测

针对当前智能算法对股票市场预测精度不高的问题,提出使用布谷鸟算法优化神经网络(CS-BP)的方法,对股票市场进行预测。并与粒子群算法优化神经网络模型(PSO-BP)和遗传算法优化神经网络模型(GA-BP)的测试结果进行比较。通过对SZ300091(金通灵)日线的收盘价数据回测分析看出,布谷鸟算法优化神经网络模型明显优于这两种算法,能有效对股票市场进行预测,对于30天的预测精度约为98.633%。     

基于BP-GA混合学习算法的神经网络短期负荷预测

本文提出了修正的遗传算法和BP算法相结合的短期负荷预测方法，与传统神经网络方 法相比，该方法可以加快网络学习速度和提高学习精度．我们用遗传算法来训练网络参数， 直到误差趋于一稳定值，然后用优化的权值进行BP算法，实现短期负荷预测．在构建网络模 型时，我们考虑了气候因素的影响，并把它作为网络的一组输入点．实验结果表明基于这一 方法的负荷预测系统较高的精度和实时性．     

基于选择性神经网络集成的地基云状识别算法

针对传统地基云图云状识别模型精度较低的问题,提出一种基于K均值算法的选择性神经网络集成的方法。该方法以BP神经网络集成模型为基础,采用K均值聚类算法选择部分有差异性的个体神经网络进行集成,建立了云状分类模型。通过对云图样本进行仿真实验,结果表明所提出的算法相对于单个BP神经网络及传统的BP_AdaBoost集成算法用于云图的分类,能有效地提高云图识别分类的精度。     

一种数据缺失下贝叶斯网络增量学习的有效方法

提出一种在数据缺失下增量学习贝叶斯网络的有效算法IBN—M。IBN—M用结构化的EM算法来补全数据集中缺失的数据,并且能在并行和启发式搜索策略提供的较大的搜索空间里搜索,有效地避免了采用结构化EM算法而导致的局部极值。同时采用增量学习的方法,解决了大规模数据学习存在的内存空间不足的问题。实验结果表明IBN-M算法在数据缺失下贝叶斯网络的增量学习中确实能够学出相对精确的网络模型。