检索结果-南通市图书馆

Missing Value Imputation and Prediction of River Water Quality Based on gru–Autoencoder with Input-decay

在线全文

学校读者我要写书评

暂无评论

Missing Value Imputation and Prediction of River Water Quali...

gru-BP在数字化车间关键部件寿命预测中的研究

第40届中国控制会议

作者： Wenjie Shu Jun Li Zixuan Lan Gaowu Xu Jun Nie Shengqiang Liu Department of Automation University of Science and Technology of China Institute of Advanced Technology University of Science and Technology of China

With the development of human beings, the pollution of freshwater resources occurs very frequently, which directly leads to the reduction of available water sources and the increase of maintenance costs. In order to manage and protect water resources better, a large number of sensors are used to monitor water quality. However, the problem of missing data has a negative impact on our data analysis work. In this paper, we propose a new missing value imputation model which based on gru autoencoder with input-decay（gruD-AE）. The prediction module is added to the output of the autoencoder to realize the short-term prediction. The model is trained with datasets which contain missing value. The input-decay module is applied to learning the time correlation of sequences which could help improve imputation accuracy. Experiments show that our model performs better than the traditional missing value imputation and prediction methods.

关键词： Missing value imputation water quality prediction gru deep learning

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

小型微型计算机系统 2020年第3期41卷 637-642页

作者：郝俊虎胡毅崔宁宁韩丰羽徐崇良中国科学院沈阳计算技术研究所沈阳110168 中国科学院大学计算机与控制学院北京101408 沈阳高精数控智能技术股份有限公司沈阳110168

准确的剩余使用寿命预测在数字化车间的预测和健康管理中起着至关重要的作用.如数字化车间安全保证中最重要的环节是故障的排查和维修,但是目前故障的排查和维修都是需要在停机的状态下完成,这不仅可能会影响生产加工的进度,还可能会增... 详细信息

准确的剩余使用寿命预测在数字化车间的预测和健康管理中起着至关重要的作用.如数字化车间安全保证中最重要的环节是故障的排查和维修,但是目前故障的排查和维修都是需要在停机的状态下完成,这不仅可能会影响生产加工的进度,还可能会增加人工干预的风险,剩余使用寿命预测则可以很好的解决这个问题.本文针对传统的剩余使用寿命预测方法缺乏输入时序的考虑,提出了一种基于gru-BP的多对一双gru层神经网络剩余使用寿命预测方法.并使用数控车间的铣削刀和轴承数据进行实验,验证了该方法在剩余使用寿命预测中可行,且精度优于输入时序无关的梯度增强方法 XGBoost和传统的BP神经网络.

关键词： RUL预测数字化车间 gru 神经网络工业大数据

基于gru-UKF的锂离子电池SOC估计方法研究

在线全文

学校读者我要写书评

暂无评论

电子测量与仪器学报 2022年第11期36卷 160-169页

作者：高峰贾建芳元淑芳李孟威中北大学电气控制工程学院太原030051 高能电池材料与器件山西省重点实验室太原030051

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全性。锂离子电池特性复杂,其SOC无法直接测量,且受电流、温度等因素的影响较大。为此,提出了一种基于门控循环单元(gru)神经网络... 详细信息

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全性。锂离子电池特性复杂,其SOC无法直接测量,且受电流、温度等因素的影响较大。为此,提出了一种基于门控循环单元(gru)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。该方法利用gru网络获得可测量的电流、电压、温度与锂电池SOC之间的非线性关系,并以此作为UKF的观测方程。然后,通过UKF估计SOC值以提高算法的估计精度。实验结果表明,在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于0.51%和0.46%,均能提高SOC的估计精度。

关键词：锂离子电池荷电状态 gru UKF

基于gru和LightGBM特征选择的水位时间序列预测模型

在线全文

学校读者我要写书评

暂无评论

计算机应用与软件 2020年第2期37卷 25-31,53页

作者：许国艳周星熠司存友胡文斌刘凡河海大学计算机与信息学院江苏南京211100 江苏省水文水资源勘测局信息应用科江苏南京210000

水位时间序列受降雨量影响,在变化规律上呈现出季节性和复杂性。传统模型结构简单且很少考虑季节性因素的影响,对于汛期复杂的水位时间序列预测精度欠佳。提出一种基于gru和LightGBM水位时间序列预测模型。利用gru提取水位数据建立水位... 详细信息

水位时间序列受降雨量影响,在变化规律上呈现出季节性和复杂性。传统模型结构简单且很少考虑季节性因素的影响,对于汛期复杂的水位时间序列预测精度欠佳。提出一种基于gru和LightGBM水位时间序列预测模型。利用gru提取水位数据建立水位数据预测的基础模型,将预测结果分为非汛期与汛期两个阶段分别与LightGBM特征选择后的环境因素结合建立最终模型,解决了模型对于不同季节预测值简单叠加导致的精度丢失的情况。预测模型以射阳河流域站点为例,对水位时间序列进行预测。实验结果表明,该模型能更有效处理水文数据复杂的季节性变化,提高了预测的精确度。

关键词：时间序列预测组合模型 gru LightGBM 特征选择

基于注意力的R-GCN-gru的在线学生绩效预测

在线全文

学校读者我要写书评

暂无评论

电子测量技术 2021年第19期44卷 69-75页

作者：崔立志何泽彬李璇河南理工大学电气工程与自动化学院焦作454000 河南理工大学河南省智能装备直驱技术与控制国际联合实验室焦作454000

针对传统的绩效预测方法没有区别性地对待各属性特征对学生成绩的重要程度、学生在线学习的低完成率的问题,提出了一种融入注意力机制的关系图卷积神经网络和门控循环单元(AR-GCN-gru)的学生绩效预测方法。其融入的注意力机制用于捕获... 详细信息

针对传统的绩效预测方法没有区别性地对待各属性特征对学生成绩的重要程度、学生在线学习的低完成率的问题,提出了一种融入注意力机制的关系图卷积神经网络和门控循环单元(AR-GCN-gru)的学生绩效预测方法。其融入的注意力机制用于捕获学生之间的关系属性特征,同时提取学生重要属性特征并进行可视化,且该方法综合了关系图卷积神经网络(R-GCN)和门控循环单元(gru)的优点,既能捕捉节点之间的内部关联、又能很好地抽取最具代表性的学生行为属性特征信息。在公开数据集上对模型进行了对比验证和消融实验,模型F值和精确率分别达到了99.00%和99.73%,实验结果表明所提方法较其他算法有明显提升,验证了注意力机制的有效性。

关键词：绩效预测注意力机制属性特征 R-GCN gru

基于gru神经网络的燃煤电站NO_x排放预测模型

在线全文

学校读者我要写书评

暂无评论

华北电力大学学报（自然科学版） 2020年第1期47卷 96-103页

作者：王文广赵文杰华北电力大学控制与计算机工程学院

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(gru)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息... 详细信息

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(gru)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息,降低了建模过程的难度,并具有较好的精确度和泛化能力。通过使用某燃煤机组实际运行数据中与氮氧化物(NO_x)排放相关的数据作为模型输入,建立了基于gru神经网络的燃煤锅炉NO_x排放预测模型。并分别与传统循环神经网络(RNN)和长短期记忆(LSTM)神经网络模型比较,验证了gru神经网络模型在工业过程动力学建模中的优良性能。

关键词： gru 循环神经网络预测建模燃煤电站 NO_x排放

在线全文

学校读者我要写书评

暂无评论

基于改进gru模型算法的锂电池SOC估计

电子测量技术 2023年第11期46卷 57-65页

作者：张心成李翔晟李藏龙曾军秦祥中南林业科技大学机电工程学院长沙410004

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进gru模型算法对SOC进行估计。首先将1DCNN和Bi-gru相结合并添加注意力机... 详细信息

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进gru模型算法对SOC进行估计。首先将1DCNN和Bi-gru相结合并添加注意力机制,构建1DCNN-Bi-gru-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。

关键词：锂电池荷电状态注意力机制 gru PReLU Huber-Loss Nadam

基于gru和XGBoost的矿压显现规律预测

在线全文

学校读者我要写书评

暂无评论

工矿自动化 2022年第1期48卷 91-97页

作者：柴敬刘义龙王安义屈世甲欧阳一博西安科技大学能源学院陕西西安710054 西安科技大学西部矿井开采及灾害防治教育部重点实验室陕西西安710054 西安科技大学通信与信息工程学院陕西西安710054 天地(常州)自动化股份有限公司江苏常州213015

采用光纤传感器监测的光纤频移值对矿压显现规律进行表征的过程中,传感器采集的数据存在缺失现象,无法准确预测矿压显现规律。针对该问题,以千秋煤矿为工程背景,在假设光纤下半部分数据丢失的前提下,引入gru(门控循环单元)和LSTM(长短... 详细信息

采用光纤传感器监测的光纤频移值对矿压显现规律进行表征的过程中,传感器采集的数据存在缺失现象,无法准确预测矿压显现规律。针对该问题,以千秋煤矿为工程背景,在假设光纤下半部分数据丢失的前提下,引入gru(门控循环单元)和LSTM(长短期记忆网络)2种预测模型,对缺失的光纤频移值进行对比预测,得出gru模型的收敛速度优于LSTM模型的收敛速度,说明基于gru模型的缺失值处理方法较优。将原始完整的光纤频移值转换为可表征矿压显现位置的光纤平均频移变化度,引入XGBoost(极端梯度提升)模型和BP神经网络模型进行对比预测,XGBoost模型能准确预测出测试集中所有出现“尖峰”的位置,而BP神经网络模型只预测出2处“尖峰”位置,说明XGBoost模型的预测效果优于BP神经网络模型的预测效果。将预测出的光纤频移缺失值替换至缺失位置,形成“完整”光纤频移值数据,将该数据转换为光纤平均频移变化度后,采用XGBoost模型进行预测。验证结果表明:LSTM模型及gru模型均可准确预测出光纤下半部分的数据,且gru模型准确性较LSTM模型准确性高;使用XGBoost可准确预测出测试集中出现的周期来压;通过gru模型预测出的缺失数据经整合至缺失位置后,使用XGBoost模型仍可进行有效的矿压预测。

关键词：矿压显现规律极端梯度提升算法 XGBoost gru 光纤频移值光纤平均频移变化度

维普期刊数据库博看期刊

基于LSTM和gru网络融合的印刷车间温湿度预测模型研究

在线全文

学校读者我要写书评

暂无评论

数字印刷 2022年第3期 34-41页

作者：马延强肖军杰邵丽蓉马英哲左晓军张皓北京印刷学院机电工程学院北京102600 北京印刷学院智能制造实验室北京102600 北京印刷学院数字化印刷装备北京市重点实验室北京102600 北京印刷学院印刷装备北京市高等学校工程研究中心北京102600

为了预测印刷车间的温湿度,本研究提出了基于长短时记忆网络(LSTM)和门控循环单元(gru)网络融合的印刷车间温湿度预测模型。首先,通过数据插值和归一化对数据采集系统获得的温湿度数据进行预处理;然后,基于LSTM预测精度高和gru网络训练... 详细信息

为了预测印刷车间的温湿度,本研究提出了基于长短时记忆网络(LSTM)和门控循环单元(gru)网络融合的印刷车间温湿度预测模型。首先,通过数据插值和归一化对数据采集系统获得的温湿度数据进行预处理;然后,基于LSTM预测精度高和gru网络训练速度快的优点,综合考虑印刷行业对车间恒温恒湿的要求,提出了一层LSTM和两层gru网络融合的温湿度预测模型;最后,与单一的LSTM和gru网络预测模型相比,本研究预测模型的温度和湿度的MSE分别为0.0108和0.0065,预测精度更高。

关键词：印刷车间温湿度预测 LSTM gru