检索结果-南通市图书馆

基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研究

在线全文

学校读者我要写书评

暂无评论

基于长短期记忆循环神经网络及其结构约减变体的中长期径流预报研...

作者：顾逸华中科技大学

学位级别：硕士

径流过程受地理环境、气候变化、人类活动等多方面综合影响,具有随机性、模糊性、灰色、混沌等特性。开展流域未来径流预报研究对获得诸如防洪、发电、农业灌溉、工业居民用水、河道通航、景观旅游等经济和社会效益具有重大意义。因此,... 详细信息

径流过程受地理环境、气候变化、人类活动等多方面综合影响,具有随机性、模糊性、灰色、混沌等特性。开展流域未来径流预报研究对获得诸如防洪、发电、农业灌溉、工业居民用水、河道通航、景观旅游等经济和社会效益具有重大意义。因此,为了更好地统筹规划水资源,提高中长期径流预报的精度显得尤为重要。本文以长江上游宜昌站为研究对象,使用宜昌站年径流和月径流数据,研究并设计有效的人工神经网络预报中长期径流。研究工作重点围绕传统人工神经网络预报模型无法记忆过往时刻数据、易收敛于局部最优和梯度下降等问题展开,引入循环神经网络中的长短期记忆循环神经网络(LSTM)和门结构循环单元(GRU)变体,建立年、月径流预报模型,并提出一种更简单、计算效率更高的门结构-Simple-LSTM作为预报网络。实例研究表明,Simple-LSTM网络在训练和测试中都表现出良好的性能。与BP神经网络和支持向量回归机(SVR)两种方式预报结果相比,Simple-LSTM模型具有更高的预报合格率和计算效率。基于以上研究,设计了一套三峡流域中长期径流预报系统。研究工作取得的主要成果如下:(1)为了克服传统人工神经网络收敛慢、震荡波动大、收敛于局部最优点、梯度衰减等问题,本文引入LSTM和GRU网络,构建了基于LSTM和GRU的中长期径流预报模型,通过简化LSTM结构,得到一种效率更高、结构更精简的预报网络-Simple-LSTM,在此基础上建立了年径流、月径流预报体系,获得较好的预报效果。(2)使用Tensor Flow框架搭建LSTM、GRU、Simple-LSTM训练预报模型,研究分析不同时间步长对GRU径流预报精度和计算效率的影响,并将LSTM预报体系预报结果与BP神经网络、SVR预报结果对比。在年径流预报方面,在测试集上,LSTM系列模型预报合格率优于BP神经网络和SVR,以相对误差小于20%计算合格率,GRU合格率最高,分别比BP网络、SVR高9.01%和6.79%,Simple-LSTM拥有较高的计算效率,分别比LSTM、GRU提高24.5%、16.9%,在预报合格率方面接近GRU;在月径流预报方面,LSTM预报精度最佳,分别比GRU、Simple-LSTM高0.5%、0.65%,与SVR、BP网络相比,合格率分别提高2.34%和6.17%,Simple-LSTM计算效率较高,分别比LSTM、GRU提升38.85%、25.84%,仍有接近LSTM的预报合格率。(3)设计并实现了一套三峡流域中长期径流预报示范系统,完善了现有三峡流域中长期径流预报体系,为径流预报方法提供了新的思路。

关键词：中长期径流预报模型长短期记忆循环神经网络门结构循环单元结构约减变体 Simple-LSTM

基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

综合智慧能源 2022年第12期44卷 11-17页

作者：付豪邹花蕾张腾飞国电南京自动化股份有限公司南京210032 南京邮电大学自动化学院南京210023

针对变电站故障推理和分析应用存在人工总结的规则不全面、总结难度大、干扰信号多、故障推理配置可重用性低,以及故障推理往往需要考虑输入信号的时序性等问题,而采用传统机器学习算法无法有效解决此问题,提出一种基于长短期记忆循环... 详细信息

针对变电站故障推理和分析应用存在人工总结的规则不全面、总结难度大、干扰信号多、故障推理配置可重用性低,以及故障推理往往需要考虑输入信号的时序性等问题,而采用传统机器学习算法无法有效解决此问题,提出一种基于长短期记忆循环神经网络(LSTM-RNN)、自然语言处理技术的变电站智能故障推理方法。分析了故障推理的应用场景,介绍了智能故障推理方法的整体架构、关键技术,并通过实际数据的应用试验进行了测试,验证了不依赖人工规则的智能故障推理方法的可行性,在信号时序可以记忆的场景中LSTM-RNN比其他机器学习算法有更好的适用性。

关键词：变电站智能化故障推理长短期记忆循环神经网络自然语言处理

基于长短期记忆循环神经网络的伊拉克H油田碳酸盐岩储层渗透率测井评价

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

大庆石油地质与开发 2022年第1期41卷 126-133页

作者：杨旺旺张冲杨梦琼张亚男汪明锐孙康油气资源与勘探技术教育部重点实验室(长江大学) 湖北武汉430100 长江大学地球物理与石油资源学院湖北武汉430100

伊拉克H油田碳酸盐岩储层孔隙结构复杂,孔隙类型多样,给渗透率测井评价工作带来了极大困难。针对这一问题,建立了基于测井序列信息的长短期记忆(LSTM)循环神经网络渗透率预测模型。从测井响应差异以及测井序列信息出发,优选敏感测井曲线... 详细信息

伊拉克H油田碳酸盐岩储层孔隙结构复杂,孔隙类型多样,给渗透率测井评价工作带来了极大困难。针对这一问题,建立了基于测井序列信息的长短期记忆(LSTM)循环神经网络渗透率预测模型。从测井响应差异以及测井序列信息出发,优选敏感测井曲线,搭建LSTM循环神经网络,训练网络并优化网络参数,建立了基于LSTM循环神经网络的伊拉克H油田碳酸盐岩储层渗透率预测模型。应用该模型对伊拉克H油田进行渗透率测井评价,并将预测结果与灰色系统预测模型GM(0,N)进行对比。结果表明:相对于灰色系统预测模型的结果,基于LSTM循环神经网络的渗透率预测模型的均方根误差降低了29.47%,皮尔逊(Pearson)相关系数提高了6.59%,取得了较好的应用效果。该模型能够充分挖掘测井曲线与渗透率之间关系的信息,提升了储层渗透率评价精度。

关键词：长短期记忆循环神经网络伊拉克H油田碳酸盐岩储层渗透率测井评价

维普期刊数据库博看期刊

基于长短期记忆模型循环神经网络的风力发电机故障诊断

在线全文

学校读者我要写书评

暂无评论

基于长短期记忆模型循环神经网络的风力发电机故障诊断

作者：杨韬燃华北电力大学(北京)

学位级别：硕士

当今世界能源供应越来越依赖于可再生能源,风能因其资源丰富、成本低廉而被广泛应用。在各类可再生能源开发中,风力发电技术因其技术相对成熟、性价比高且具有大规模开发的条件成为了最有潜力的发电方式之一。随着风力发电机规模日益扩... 详细信息

当今世界能源供应越来越依赖于可再生能源,风能因其资源丰富、成本低廉而被广泛应用。在各类可再生能源开发中,风力发电技术因其技术相对成熟、性价比高且具有大规模开发的条件成为了最有潜力的发电方式之一。随着风力发电机规模日益扩大,维护费用不断提高,风力发电机组维护需求受到广泛关注,需要通过对风力发电机及时进行故障诊断,发现机组运行过程中存在的故障隐患。这对于提高风力发电机组运行可靠性,减少因风机故障停机造成的资源浪费及人力物力成本,促进风力发电行业健康发展具有重大的现实意义。风力发电机的故障诊断技术可以归类为基于模型的方法和基于数据的方法。基于模型的故障诊断方法需要对风力机有充分的了解和准确的数学建模,其精度较高,但是搭建时需要耗费大量人力物力,且鲁棒性较差。基于数据的方法通常从监控和数据采集系统获取数据,由于不需要额外的传感器,因此相对经济。借助风力发电机积累大量数据,并在此基础上使用机器学习的方法来分析风机故障更适合现代社会的应用。本论文选择研究基于长短期记忆循环神经网络(LSTM)的故障诊断方法,且最终目标是设计一种具有鲁棒性且有较高精度的风力机故障诊断方法。为完成上述目标,本论文做了以下工作:1.在Matlab/Simulink环境下构建风机基准模型用于模拟风机在正常情况以及发生各类故障情况下的运行情况,该模型将风机分为变桨系统、传动系统、发电机&变频器系统、以及控制器并分别建模,同时全面考虑了风机运行过程中可能产生的传感器故障以及系统故障。为了及时判断故障是否产生及故障位置,需要采取有效的故障诊断方案,以便迅速采取对策使风机稳定运行,节约维护成本。为得到风机发生故障时的特征信号,研究者可以在该模型内修改关键参数以模拟风机发生故障的部位,时间段,故障类型及程度。2.在得到风机基准模型的各类数据后,根据其数据特性设计两种基于LSTM的风机故障诊断方法,方法一是利用LSTM预测未来风机运行情况,根据残差判断故障是否发生并诊断故障类型;方法二使用LSTM进行机器学习训练,将训练好的模型用于故障分类并与基于支持向量机的风机故障诊断方法进行对比。在完成本论文相关实验后,能得出以下两点结论:1.基于分类的诸多故障诊断算法具有的共同特性是需要故障数据和无故障数据进行模型训练,而在实际应用中有限的故障数据样本会导致数据信息缺乏,而本论文采用的基于LSTM的预测方法实际上是通过训练正常数据来预测未来风机运行情况,在发生与实际运行情况不同的故障时可以及时检测到。2.本论文设计的LSTM分类的风机故障检测方法相较于SVM,准确度有所提升。

关键词：风力发电机故障诊断风机基准模型支持向量机长短期记忆循环神经网络

基于LSTM循环神经网络的船舶运动极短期预报

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

船舶工程 2024年第5期46卷 33-40,55页

作者：张怡孟帅刘震封培元上海交通大学海洋工程国家重点实验室上海200240 中国船舶及海洋工程设计研究院上海200011

长短期记忆(LSTM)循环神经网络对于预报非线性时间序列有优势,尝试将LSTM网络应用于船舶运动极短期预报。利用某破冰船在北冰洋航行时两段典型海况下的横摇和纵摇运动实测数据,探究LSTM神经网络模型的预报精度和有效时长。研究发现,LST... 详细信息

长短期记忆(LSTM)循环神经网络对于预报非线性时间序列有优势,尝试将LSTM网络应用于船舶运动极短期预报。利用某破冰船在北冰洋航行时两段典型海况下的横摇和纵摇运动实测数据,探究LSTM神经网络模型的预报精度和有效时长。研究发现,LSTM神经网络模型在海况良好、船舶的运动周期性强且主导频率突出时可以取得满意预报效果。但随着时长的增加,误差会不断累积,精确度逐步降低。在编码器-解码器逐步迭代框架基础上利用多层感知机提出直接多步预报改进模型。研究发现,改进模型可以有效减少误差积累、提高预报精度和延长有效时间,尤其在恶劣海况下预报结果改善更为显著。研究成果可以为基于神经网络开发高效准确的船舶运动极短期预报方法提供参考。

关键词：极短期预报长短期记忆循环神经网络直接多步预报误差积累

基于改进LSTM-SVM的多传感器船舶旋转机械快速故障诊断方法

在线全文

学校读者我要写书评

暂无评论

船舶力学 2021年第9期25卷 1239-1250页

作者：宫文峰陈辉 WANG Dan-wei 武汉理工大学航海与能源动力工程学院/高性能舰船技术教育部重点实验室武汉430063 新加坡南洋理工大学电子与电气工程学院新加坡639798

微小故障的快速诊断是预防和减少重大显著性故障发生的关键。近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点。本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测... 详细信息

微小故障的快速诊断是预防和减少重大显著性故障发生的关键。近年来,基于深度学习的智能故障诊断方法已成为船舶旋转机械领域研究的热点。本文提出了一种基于改进的LSTM-SVM的循环神经网络深度学习算法,解决船舶旋转机械在多传感器监测环境下的快速故障诊断问题。该算法首先采用多层堆叠的LSTM网络作为特征提取器捕获多通道时间序列原始数据中的故障微弱特征,然后在网络末端采用非线性支持向量机(SVM)代替传统的Softmax函数作为分类判别器,进一步提升诊断准确率。实验结果表明,提出的方法具有更高的诊断准确率和更快的诊断速度,更适用于多传感器监测环境下微小故障的快速诊断和实时检测。

关键词：故障诊断船舶旋转机械深度学习长短期记忆循环神经网络多传感器

一种基于LSTM-RNN的脉冲大倍率工况下锂离子电池仿真建模方法

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2020年第9期40卷 3031-3041页

作者：李超然肖飞樊亚翔张振宇杨国润舰船综合电力技术国防科技重点实验室(海军工程大学) 湖北省武汉市430033

锂离子电池是电力系统中不可或缺的重要储能元件,脉冲大倍率工况下运行的锂离子电池具有单次放电时间短、放电循环多、状态变化频繁、非线性极化现象明显等特点。该文以脉冲大倍率工况下锂离子电池模型为研究对象,针对电化学模型和等效... 详细信息

锂离子电池是电力系统中不可或缺的重要储能元件,脉冲大倍率工况下运行的锂离子电池具有单次放电时间短、放电循环多、状态变化频繁、非线性极化现象明显等特点。该文以脉冲大倍率工况下锂离子电池模型为研究对象,针对电化学模型和等效电路模型对模型依赖度高、模型参数难以获取以及脉冲大倍率工况下非线性极化现象导致拟合精度不足等问题,提出基于长短期记忆循环神经网络(long short term memory recurrent neural network,LSTM-RNN)以实现准确的锂离子电池建模。该方法利用LSTM-RNN的动态逼近和长时记忆能力,以获取脉冲大倍率工况下锂离子电池性能参数和电池端电压、荷电状态、电流、温度之间的非线性关系。在6种脉冲大倍率放电工况下对磷酸铁锂电池进行建模,实验结果表明,所提出的基于长短期记忆循环神经网络的锂离子电池模型均能够准确表征磷酸铁锂电池工作特性。

关键词：锂离子电池电池模型脉冲大倍率工况长短期记忆循环神经网络

一种基于单通道sEMG分解与LSTM神经网络相结合的手势识别方法

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2021年第4期42卷 228-235页

作者：张松李江涛别东洋韩建达南开大学人工智能学院天津300350 南开大学天津市智能机器人技术重点实验室天津300350

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,... 详细信息

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。

关键词：单通道表面肌电信号分解长短期记忆循环神经网络手势识别

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

在线全文

学校读者我要写书评

暂无评论

北京邮电大学学报 2020年第5期43卷 9-14页

作者：蒲悦逸王文涵朱强陈朋朋中国矿业大学计算机科学与技术学院徐州221116 中国矿业大学矿山数字化教育部工程研究中心徐州221116

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(Res Net)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经... 详细信息

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(Res Net)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.

关键词：短时交通流量预测深度学习长短期记忆循环神经网络卷积神经网络