检索结果-南通市图书馆

作者：周晴晴桂林电子科技大学

学位级别：硕士

随着Web2.0时代的到来,互联网技术的不断发展,通过线上购物进行消费的行为逐渐成为一种社会潮流。各大电商平台涌现大量的评论信息,这些评论信息为其他消费者提供了重要的参考价值,逐渐成为消费者的购买决策的主要依据。然而某些不法商... 详细信息

随着Web2.0时代的到来,互联网技术的不断发展,通过线上购物进行消费的行为逐渐成为一种社会潮流。各大电商平台涌现大量的评论信息,这些评论信息为其他消费者提供了重要的参考价值,逐渐成为消费者的购买决策的主要依据。然而某些不法商家发现“商机”,会雇佣用户虚构消费过程发布垃圾评论,对商品进行不真实的描述,误导消费者做出错误购买决定,严重影响了电子商务市场的健康发展,破坏了其原有的竞争规则。由于垃圾评论有很强的迷惑性,通过人工识别的方式对海量的商品评论进行鉴别是不现实的,因此如何有效地对垃圾评论进行检测识别成为电子市场发展过程中亟需解决的问题之一。本文综合考虑了传统机器学习和深度学习方法的优势,对垃圾评论进行检测识别。本文主要进行了以下两方面的工作:（1）提出了一种融合卷积神经网络（Convolutional Neural Network,CNN）、门控循环单元网络（Gate Recurrent Unit,GRU）的注意力机制垃圾评论检测识别模型。为了有效地对垃圾评论进行识别,利用深度学习算法在文本特征学习上的优势,文本首先设计了混合CNN与GRU网络的注意力机制模型。本模型包括三个组成部分,分别为词组级特征学习的CNN网络层、句子级特征学习的GRU网络层,利用注意力机制在GRU网络层进行特征整合,可以从语义层面对评论语义进行解析,识别出其中的垃圾评论。为验证本模型的有效性,在Yelp公开数据集上进行测试并分析了不同模型设置下的识别效果。实验结果表明,本模型可以有效的对垃圾评论进行检测识别。（2）构建了基于多特征融合的垃圾评论检测识别模型。首先对数据集进行统计分析,提取了词汇特征、N-gram特征、心理学特征以及用户行为特征四种特征指标。然后利用CNN对提取的特征指标进行处理,获得离散特征向量。其次使用CNN学习词向量的句子表示,使用双向GRU和注意力机制对句子表示向量进行编码、加权处理,从而提取出评论文本深度语义特征。最后将离散特征与语义特征相结合,进行垃圾评论的识别检测。实验证明,本模型能更有效地对垃圾评论进行检测识别,为消费者提供更加准确的指导信息。

关键词：垃圾评论卷积神经网络多维特征注意力机制门控循环单元网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间序列的连栋温室温湿度预测方法研究

基于时间序列的连栋温室温湿度预测方法研究

作者：张芯铜天津财经大学

学位级别：硕士

随着我国农业设施的大力发展,越来越多的连栋温室采用“物联网+农业技术”的设计理念,预测温室内的环境情况来采取适当的调控措施,以促进农作物品质的提升和产量的增加。然而,目前的预测方法难以处理多变量之间高度复杂且非线性的关系,... 详细信息

随着我国农业设施的大力发展,越来越多的连栋温室采用“物联网+农业技术”的设计理念,预测温室内的环境情况来采取适当的调控措施,以促进农作物品质的提升和产量的增加。然而,目前的预测方法难以处理多变量之间高度复杂且非线性的关系,也不易捕获气象数据在时间上的依赖关系。且在实际应用中,由于温室小气候自动站在观测数据时也常会出现噪声问题,造成预测误差大。因此,本文在充分考虑温室内温湿度特征的基础上提出了基于时间序列的连栋温室内温湿度的预测算法。本文围绕温室内温湿度的门控循环单元网络预测任务展开研究,主要的贡献可以概括为以下两点:1.提出了基于滤波除噪的门控循环单元网络预测算法,以实现温室内温湿度的单步预测。首先,该算法通过滤波操作对温室系统获取的数据进行去噪处理避免数据失真;其次,使用重置门和更新门选择性地保留当前时刻数据以及历史数据并学习其特征,实现单步预测。利用天津市宁河区玉米厂连栋温室内外气象数据于现有相关算法进行对比,实验结果表明本文算法可以有效处理观测数据中的噪声问题,且预测结果优于现有的预测方法。2.提出了基于变量相关性分析的卷积门控循环网络多步预测算法,预测温室内温湿度在未来一段时间的变化趋势。首先,引入更为全面的环境要素,并利用多元线性回归分析法剔除相关性较弱的因子;其次,为了能够较好的捕获气象数据在时间上的依赖关系,引入卷积神经网络的卷积操作提取局部特征,并与门控循环单元网络的隐藏层得到的全局特征融合。实验结果表明本文提出的算法实现了温室内温湿度的多步预测,且预测的有效长度及预测精度优于其他模型。

关键词：时间序列滤波除噪相关性分析门控循环单元网络多步预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的直线电机进给系统健康诊断

基于深度学习的直线电机进给系统健康诊断

作者：李月河北工业大学

学位级别：硕士

复杂机械装备故障预测与健康诊断是保障装备安全可靠运行的重要核心技术,对装备的全生命周期管理具有重要作用。直线电机进给系统作为高速高精密数控机床的关键部件,长期在复杂工况环境下服役,其性能随着时间的推移而逐渐衰退,性能衰退... 详细信息

复杂机械装备故障预测与健康诊断是保障装备安全可靠运行的重要核心技术,对装备的全生命周期管理具有重要作用。直线电机进给系统作为高速高精密数控机床的关键部件,长期在复杂工况环境下服役,其性能随着时间的推移而逐渐衰退,性能衰退直接影响进给系统的健康程度,严重时可能会引发故障,影响正常作业。本文以直线电机进给系统为研究对象,应用深度学习理论对其不同工况下的运行状态进行健康诊断,取得如下成果:(1)在对直线电机进给系统结构及工作原理分析的基础上,研究了影响其健康状况的关键因素,确定了采用不同工况下工作台加速度、电机电流来作为健康状况评估的主要依据;并参照相关文献及国家标准明确了直线电机进给系统健康状况的划分;(2)针对直线电机进给系统健康诊断中缺乏故障负样本的问题及运行数据时序性强的特点,提出一种新的基于GANomaly-GRU的直线电机进给系统健康诊断方法,该方法在GANomaly网络框架基础上引入GRU网络。最后,通过异常样本概率模型和异常评分,在无负样本的情况下,得到系统运行状态的健康诊断结果;(3)为了验证所提方法的有效性,设计了相关实验方案,通过加速度传感器与电流传感器采集进给平台的加速度信号与直线电机的驱动信号,为健康诊断提供数据来源。同时基于WPF框架设计并研发了直线电机进给系统健康诊断软件,实现了不同工况下工作台相关信号的采集、实时显示、数据处理、健康阈值的输入及不同工况下健康状况的输出等功能;(4)根据实验方案,在实验平台上测试和验证本文所提的GANomaly-GRU直线电机进给系统健康诊断方法的准确性和快速性,并与经典的诊断方法Ano GAN、EGBAD、DCGAN进行对比,发现本文所提方法诊断精度分别提高了15.9%、17.2%、19.0%,诊断时间分别缩短了37 ms、26 ms、13 ms。实验结果表明本文所提方法较好地解决了直线电机进给系统故障样本数据不足和样本标记困难等问题,对难以获取足量有效故障样本数据的复杂机械装备健康诊断具有一定的参考价值。

关键词：直线电机进给系统健康诊断半监督异常检测生成式对抗网络门控循环单元网络深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于智能手机超声信号和深度学习的手势识别

基于智能手机超声信号和深度学习的手势识别

作者：侯玉珊山东科技大学

学位级别：硕士

手势识别技术在普适计算领域引起了研究人员的广泛关注。它不仅可以为人们提供多种方便简单的控制手势,还给人们带来了一种更加符合日常生活习惯的人机交互模式。随着智能手机的普及和其内置传感器性能的提升,利用手机内置的扬声器和麦... 详细信息

手势识别技术在普适计算领域引起了研究人员的广泛关注。它不仅可以为人们提供多种方便简单的控制手势,还给人们带来了一种更加符合日常生活习惯的人机交互模式。随着智能手机的普及和其内置传感器性能的提升,利用手机内置的扬声器和麦克风实现基于超声波的手势识别逐渐成为研究的热点。本文研究使用智能手机内置的扬声器和麦克风实现基于超声信号的手势识别方案。该方案利用手机内置的扬声器发射超声波信号,内置的麦克风接收由于手部运动引起变化的信号,然后通过分析信号的变化,从而实现对靠近、远离、英文字母、顺时针旋转等八种手势的识别分类。本文分别在嘈杂的环境下和安静的环境下对设计的系统进行了测试,实验的结果显示本文所设计的系统能够达到99%的识别精度。本文的主要研究内容与创新如下:（1）总结了目前手势识别常用的技术,并针对基于智能手机超声波信号的手势识别技术进行了研究。介绍了现有的基于智能手机超声波信号的手势识别方案,并对其涉及的算法和相关知识原理进行了总结,同时阐述了本系统所用的算法和相关知识。（2）基于现有的智能手机超声波信号的手势识别方案,设计并实现了一种基于智能手机超声波信号的手势识别系统。该系统将智能手机转变成主动声呐,并利用超声波信号的多普勒频移现象实现了对用户不同手势的识别。（3）提出了利用卷积神经网络进行手势识别的方法以及利用门控循环单元网络进行手势识别的方法。通过构建神经网络并在两种环境下进行测试,其测试结果显示两种方法的识别精度分别达到99%、98%以上。

关键词：多普勒效应手势识别智能手机超声信号卷积神经网络门控循环单元网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于循环神经网络的模温预测模型研究

基于循环神经网络的模温预测模型研究

作者：栗子豪燕山大学

学位级别：硕士

低压铸造生产过程中数据存在时延性、不确定性和非线性等特性,目前的研究方法无法解决时延问题,导致难以建立精准的低压铸造生产模具温度预测模型。低压铸造生产过程模具温度的精准预测为低压铸造自动控制提供基础,因此,低压铸造生产过... 详细信息

低压铸造生产过程中数据存在时延性、不确定性和非线性等特性,目前的研究方法无法解决时延问题,导致难以建立精准的低压铸造生产模具温度预测模型。低压铸造生产过程模具温度的精准预测为低压铸造自动控制提供基础,因此,低压铸造生产过程模具温度预测具有重要意义。针对低压铸造生产过程中时延性问题,提出了多变量时延长短时记忆网络模温预测模型（Multivariable Time Long And Short Term Memory Network,MT-LSTM）和多变量门控循环单元网络模温预测模型（Multivariable Time Gated Recurrent Unit Network,MT-GRU）,并用烟花算法（Fireworks Algorithm,FWA）分别对MT-LSTM和MT-GRU预测模型参数进行优化,实现了低压铸造生产过程模温的精准预测和模型参数的自动寻优。具体研究工作如下:首先,通过研究低压铸造生产过程的工艺,分析影响模具温度的候选影响变量。搭建信息采集系统平台,对模具温度数据和影响模具温度的候选影响变量进行数据采集并存储在数据库中,采用灰度关联分析的方法分析各个变量之间的关联程度,将模具温度的输入变量与模温的相关性分析转为研究变量之间的灰关联度。从而得到了影响模具温度的关键变量,为低压铸造生产中模具温度的预测模型的建立奠定了基础。其次,利用滑窗的方法将包含时延的时间序列数据映射到循环神经网络模型（Recurrent Neural Network,RNN）的输入层中,建立了MT-LSTM和MT-GRU。通过模型对时延规律的学习,解决了时延无法确定的问题,消除了时延对模温预测的影响,提高了模型的预测精度。最后,针对深度学习模型最优参数难以选取的问题,采用FWA分别对MT-LSTM和MT-GRU进行参数优化,摆脱了人工经验对模型参数选取的干预。实验中采用低压铸造生产过程中的实际数据进行验证与分析,结果表明本文所提方法精确度高,泛化能力强,实现了低压铸造生产过程模温准确预测和模型参数的自动寻优。

关键词：模温预测长短时记忆网络门控循环单元网络时间序列预测烟花算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度神经网络的负荷监测方法研究

基于深度神经网络的负荷监测方法研究

作者：孙本亮河北工业大学

学位级别：硕士

电力作为一种便捷、可再生的终端能源,与人们的日常联系最为密切。为科学、节约地使用电力,非侵入式负荷监测技术被广泛应用于智能电网系统中。该技术能够智能获取用户的用电信息,进而引导用户合理用电和优化供电配给结构,对智能电网系... 详细信息

电力作为一种便捷、可再生的终端能源,与人们的日常联系最为密切。为科学、节约地使用电力,非侵入式负荷监测技术被广泛应用于智能电网系统中。该技术能够智能获取用户的用电信息,进而引导用户合理用电和优化供电配给结构,对智能电网系统的部署和运用具有显著意义。负荷分解算法是非侵入式负荷监测技术的核心内容,可将总负荷时间序列分解为各个用电设备的运行负荷,然而已有算法存在分解精度低、网络训练时间长、网络参数冗余的问题。针对这些问题,本文围绕深度神经网络在负荷分解中的应用展开研究。主要工作如下:(1)针对现有负荷分解算法中网络提取的特征类型单一而导致信息丢失、影响分解精度的问题,本文提出了一种基于GRU-CNN混合神经网络的负荷分解算法。该改进算法采用门控循环单元(Gated Recurrent Unit,GRU)网络和卷积神经网络(Convolution Neural Networks,CNN)分别提取输入序列的不同类型特征,而后引入批标准化层和连结层分别在一维和二维两个维度上将不同类型的特征进行融合,设计了两种不同的GRU-CNN混合神经网络结构:GRU-CNN和GRU-CNN-Attention。在UK＿DALE数据集上的实验结果表明,所提的两种网络模型均能有效提高负荷分解的精度,较提取单一特征类型的现有负荷分解模型Window GRU和Short-Seq2p,GRU-CNN在平均F1得分上分别提高了20.01%和30.24%,GRU-CNN-Attention在平均F1得分上分别提高了21.80%和32.14%。(2)针对一般负荷分解算法在分解精度和分解速度上难以兼顾的问题,在已有的CNN网络Short-Seq2p的基础上,本文提出了一种基于扩展型轻量级卷积神经网络的负荷分解算法。该改进算法将残差单元变形为扩展单元,以此构建序列扩展模块,扩展了输入序列的特征。同时,结合卷积核并行合并、逐点卷积和扩张卷积的特点设计轻量级模块去替换正常卷积层,用以减少网络的训练时间和参数量。以该算法为基础搭建的网络模型Ex1-LCNN＿1较Short-Seq2p和所提GRU-CNN-Attention在平均F1得分上分别提高了32.29%和0.12%。Ex1-LCNN＿1分解单个样本消耗的时间为89μs,只有GRU-CNN-Attention耗时的8.74%,充分说明Ex1-LCNN＿1在保障高分解精度的同时也具有较快的分解速度,对促进非侵入式负荷监测在实际应用中的实时性上有积极意义。

关键词：负荷分解门控循环单元网络卷积神经网络轻量级模块

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

风光储制氢下多台制氢机组优化调度研究

风光储制氢下多台制氢机组优化调度研究

作者：卢禹河北工业大学

学位级别：硕士

新能源替代传统化石能源是人类社会发展和经济发展的大趋势。风电、光伏、储能电池及制氢系统组成的微电网具备很好的风、光发电消纳能力,研究储能电池和制氢机组的调度问题也很有意义。本文首先对制氢机组机理建模,获得制氢机组的功率... 详细信息

新能源替代传统化石能源是人类社会发展和经济发展的大趋势。风电、光伏、储能电池及制氢系统组成的微电网具备很好的风、光发电消纳能力,研究储能电池和制氢机组的调度问题也很有意义。本文首先对制氢机组机理建模,获得制氢机组的功率-效率关系曲线,以此为基础研究多台制氢机组及储能电池的日前调度问题。考虑到日前风光预测功率存在误差,进而研究风光储制氢系统的日内调度,实现对储能电池实时调节。论文的主要内容如下:风光储制氢系统的组成包括风电机组、光伏发电系统、储能电池和电解制氢系统,其中制氢系统是由多台同型号制氢机组组成。风电机组和光伏发电系统能将风能和太阳能转化为电能,为电解制氢提供能源,储能电池起调节作用,弥补风光出力与电解系统出力匹配上的不足。本文首先介绍风光储制氢系统的结构,对其建模分析,以在后续调度研究中合理的使用。其次研究调度多台制氢机组消纳风力发电问题,依据高温固体氧化物电解系统的功率-效率关系模型,以经济收益最高为目标函数,对多台制氢机组进行经济调度。采用改进的分布估计算法求解。通过算例分析,表明改进后的算法具有寻优能力更强,稳定性更高和鲁棒性更好的优势。使用改进的分布估计算法调度多台电解机组协同工作不仅能增加消纳区间,而且有更好的经济性。随后研究风光储制氢系统中多台制氢机组和储能电池的优化调度问题,目标是最大化制氢的经济收益。同时考虑调度对象的特征和目标函数的特点,采用改进时序差分算法调度多台制氢机组,多目标粒子群优化算法调度储能电池,其中调度储能电池的目的是使风光出力曲线匹配制氢出力曲线。算例分析表明改进时序差分算法在解决多台制氢机组调度的问题上有更好的效果,对于时段扩大后的出力匹配问题,储能电池参与后也能很好地解决。最后,为减小风、光预测功率误差对调度的影响,提出了一种日内实时滚动调节储能电池的方法。首先,对风光预测功率增加扰动生成训练数据,并对训练数据预处理以保持时序序列的自相关性。然后训练门控循环单元网络,用其在日内调度阶段调节储能电池,算例分析验证所选门控循环单元网络在执行实时调度阶段具备更好的性能,同时通过日前、日内和日后调度的对比验证日内调度的必要性。

关键词：调度制氢改进分布估计算法改进时序差分算法门控循环单元网络

基于MEEMD和深度学习的多支路串联故障电弧检测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于MEEMD和深度学习的多支路串联故障电弧检测研究

作者：路文浩河南理工大学

学位级别：硕士

由故障电弧引起的电气火灾是火灾发生的首要原因,在低压配电系统中,实际配电网负载端的负载连接具有复杂性和多样性等特点,发生串联故障时电弧特征具有隐蔽性,给串联故障电弧检测带来了极大的困难。现有的串联故障电弧检测技术主要是针... 详细信息

由故障电弧引起的电气火灾是火灾发生的首要原因,在低压配电系统中,实际配电网负载端的负载连接具有复杂性和多样性等特点,发生串联故障时电弧特征具有隐蔽性,给串联故障电弧检测带来了极大的困难。现有的串联故障电弧检测技术主要是针对单支路下的电弧故障进行检测识别,然而多支路负载连接下的故障电弧具有隐蔽性强的特点,因此本文提出了基于MEEMD和深度学习相结合的多支路串联故障电弧检测方法,主要研究工作如下:(1)参照电弧故障检测标准搭建了低压交流多支路串联故障电弧实验平台,采集阻性负载、感性负载和非线性负载组合连接下的的正常工作与发生串联故障电弧时的干路电流波形数据,并分析不同负载情况下的电流波形特点。(2)通过对神经网络理论的研究,构建LSTM网络用于实现多支路负载下的串联故障电弧检测,为了提高模型检测率分别从网络结构、时间步数、学习率、隐藏层节点数、批次大小等方面对模型进行优化,最后对优化过得模型进行验证,得到合适的用于实现多支路负载下的串联故障电弧检测的网络模型。(3)对EMD算法和MEEMD算法进行研究,使用两种算法分别对电流信号进行分解,选取IMF分量与剩余趋势项分量组成特征矩阵,将矩阵做成新的训练集和测试集输入LSTM神经网络实现串联故障电弧的检测。实验结果表明,将MEEMD与LSTM网络结合能够有效的提高模型检测准确率。(4)为了实现多支路负载下的串联故障电弧的多分类研究,对电流数据重新标记,为了提高模型分类准确率,利用MEEMD-GRU网络模型替换MEEMD-LSTM模型,实现多支路负载下的电流多分类研究,同时在GRU网络中添加了全连接层、dropout层,进一步提高了模型分类准确率。图39幅,表14个,参考文献74篇。

关键词：多支路负载串联故障电弧经验模态分解长短时记忆网络门控循环单元网络

基于EEMD-GRU的大气污染情况预测方法研究及应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于EEMD-GRU的大气污染情况预测方法研究及应用

作者：季恩泽重庆大学

学位级别：硕士

近年来,环境问题日益严重,雾霾污染问题对环境、人类健康和社会经济都有严重的不利影响,国家和政府为了治理雾霾污染,已经采取了很多具体措施并取得一定成效,但是雾霾污染问题依然严重,传统的治理措施已经无法起到良好的效果。而面对雾... 详细信息

近年来,环境问题日益严重,雾霾污染问题对环境、人类健康和社会经济都有严重的不利影响,国家和政府为了治理雾霾污染,已经采取了很多具体措施并取得一定成效,但是雾霾污染问题依然严重,传统的治理措施已经无法起到良好的效果。而面对雾霾问题,希望通过高效的算法模型,在提前对气候质量进行检测,及时预测并了解空气污染情况,了解通过提供预警和指导来保护公众健康,是处理雾霾问题的一项重要手段。环境保护工作中发展更敏捷、更智能的监测手段也变得越来越有必要。本文将以北京市为例,采取北京市5年的气象数据以及大气污染数据,目的为预测大气污染PM2.5含量,提出了一种基于时序信号数据处理与深度学习神经网络算法相结合的混合模型,应用于本课题中的PM2.5预测与应用中。主要从雾霾大数据分解为多模态时序数据再进行深度学习,将其结果集成并进行预测,提高了模型预测精度。本文主要研究工作如下所示:(1)介绍了本课题的研究背景和研究现状,根据国内外等时序数据预测的研究现状,归纳了现有的预测方法,总结出现有预测方法的不足和进步空间,并提出本文的主要研究和创新之处。(2)根据本研究课题特性,对时序模型做了分类概述,提出一种基于集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与门控循环单元神经网络(Gated Recurrent Unit,GRU)相结合的(EEMD-GRU)混合算法模型,算法将序列分为两部分来处理,其中EEMD算法来进行序列分解,由单模态分解为多模态,挖掘数据内在特征使得模型进行多模态特征学习,再用训练数据集建立GRU神经网络,对PM2.5序列分解的子模式以及气象数据长期依赖特征来建模学习,最后采用逆EEMD运算对各子模式预测值进行集成得到最终输出值。(3)所提算法应用到本文研究对象,北京市气象数据及大气污染数据中去,通过设立五个对比实验,分别做实验分析,来对比评估不同模型的学习情况。(4)根据本文提出的预测算法,设计并实现了PM2.5预测系统,并对系统做了需求分析和数据库设计,详细描述了系统框架结构,最后设计并实现了系统主要功能模块。

关键词： PM2.5预测多模态特征学习集成经验模态分解门控循环单元网络

基于深度混合模型的时序预测算法设计及工业应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度混合模型的时序预测算法设计及工业应用

作者：雷艳莹湖南大学

学位级别：硕士

工业时序建模与预测是系统优化控制与智能调度的基础,对于水泥、钢铁、化工等企业降低碳排放和能源消耗,提高产品质量和生产效率具有重要意义。本文结合工业时序建模与深度学习基础理论,针对生产过程的多变量、大滞后、非线性、强耦合... 详细信息

工业时序建模与预测是系统优化控制与智能调度的基础,对于水泥、钢铁、化工等企业降低碳排放和能源消耗,提高产品质量和生产效率具有重要意义。本文结合工业时序建模与深度学习基础理论,针对生产过程的多变量、大滞后、非线性、强耦合等特性,从模型输入选择,深度网络架构,与传统模型融合等几个方面开展工业时序预测算法研究,主要工作如下:（1）针对生产过程中多变量、大滞后等问题,本文提出了一种主成分分析（PCA）与滑动灰色关联分析（MGRA）相结合的模型输入优化方法（PCA-MGRA）。PCA从多元变量中选择出关键变量作为建模的输入,更加出色的保留了建模所需时序信息。另一方面,通过MGRA分析各变量的时滞动态变化,优化模型输入信息。应用于实际工业数据,实验结果表明,PCA-MGRA的方法有效的解决数据冗余和时序不匹配问题,提高了后续时序建模和预测的精度。（2）针对连续式生产过程的强耦合、非线性动态特性,本文提出了一种利用深度卷积网络（Deep CNN）与门控循环单元网络（GRU）构成串-并联结构的深度混合网络预测模型（DCGNet）。该模型由三个模块组成,旨在共同解决多变量非线性动态耦合的建模问题。首先,多层CNN与GRU串联关注于提取多元变量的强耦合特征。其次,并联的GRU网络用于精确捕捉待测信号的长期动态依赖关系。最后,利用全连接层（FC）连接两个并行模块,通过加权融合特征实现单步预测。实验结果表明,该方法优于传统建模预测算法且具有鲁棒性。这种结合相关特征选择构建模型的方法为其他时序建模提供了借鉴。（3）针对间歇式生产过程中信号存在阶段性拟线性变化趋势,且局部不平稳波动的特点,本文提出了一种深度卷积-循环网络（CNN-GRU）与自回归统计模型（AR）相结合的混合模型（CG-AR）。该模型考虑了待测信号线性和非线性的特点,以及受相关变量的影响。传统AR模型模拟待测信号变化的线性趋势,鉴于生产过程中强耦合性会导致非线性波动,CNN-GRU被用于表征多元变量的非线性动态耦合关系。理论联系实际,所提方法应用于实际工业数据集,实验结果表明该方法具有较好的预测效果。

关键词：工业时序预测混合模型多元时序数据卷积神经网络门控循环单元网络