检索结果-南通市图书馆

维普期刊数据库博看期刊

基于BPNN和rnn模型的烧结矿质量预测方法对比及分析

在线全文

学校读者我要写书评

暂无评论

冶金自动化 2020年第5期44卷 20-26页

作者：刘加达于帆温治张辉张四宗韩俊涛北京科技大学能源与环境工程学院

针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神... 详细信息

针对钢铁烧结配料工序完成后烧结矿质量难以及时准确判断的问题,提出通过稳定焦炭配比,进而对全铁品位和碱度指标预测实现烧结矿质量控制。依据烧结生产特性,分别建立静态的BP神经网络(BP neural network,简称BPNN)和动态的Elman递归神经网络(recurrent neural network,简称rnn)模型应用于烧结矿质量预测。仿真试验表明,应用工业数据训练建立的静态BPNN预测模型预测精度高于Elman rnn模型。最终,采用BPNN建立的烧结焦炭配比、全铁品位、烧结矿碱度的预测模型预测精度分别达到77.5%、90.0%和82.5%。计算结果对烧结生产具有重要的指导意义。

关键词：烧结 BPNN模型 rnn模型质量预测对比分析

基于ARIMA-rnn组合模型的云服务器老化预测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

通信学报 2021年第1期42卷 163-171页

作者：孟海宁童新宇石月开朱磊冯锴黑新宏西安理工大学计算机科学与工程学院陕西西安710048 陕西省网络计算与安全技术重点实验室陕西西安710048

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-rnn)的软件老化预测方法。首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法... 详细信息

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-rnn)的软件老化预测方法。首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定rnn模型的输入维度;最后,将ARIMA模型预测值和历史数据作为rnn模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的时间序列数据预测精度较低的局限性。实验结果表明,ARIMA-rnn组合模型比ARIMA模型及rnn模型的预测精度高,且比rnn模型预测收敛速度快。

关键词：软件老化云服务器预测方法 ARIMA模型 rnn模型

基于PyTorch+ARIMA/rnn的时序数据预测方法比较研究

在线全文

学校读者我要写书评

暂无评论

电脑编程技巧与维护 2024年第4期 71-73页

作者：邓抒江绵阳城市学院四川绵阳622650

随着深度学习的发展,PyTorch作为一个灵活的深度学习框架,被广泛应用于时序预测任务中。研究阐明了PyTorch框架及其在时序预测任务中的应用优势,介绍了基于PyTorch实现ARIMA和循环神经网络(rnn)两种典型时序预测模型的技术路线,从精度... 详细信息

随着深度学习的发展,PyTorch作为一个灵活的深度学习框架,被广泛应用于时序预测任务中。研究阐明了PyTorch框架及其在时序预测任务中的应用优势,介绍了基于PyTorch实现ARIMA和循环神经网络(rnn)两种典型时序预测模型的技术路线,从精度、效率方面对两种模型进行比较,给出了各自的应用场景及优化方向,为时序预测任务提供了算法选型和实现参考与建议。

关键词：时序预测 PyTorch框架 ARIMA模型 rnn模型

基于深度学习的110kV电网监控信号语义解析及态势感知模型

在线全文

学校读者我要写书评

暂无评论

电力系统保护与控制 2023年第2期51卷 160-168页

作者：王洪彬周念成黄睿灵范炳昕王强钢输配电装备及系统安全与新技术国家重点实验室(重庆大学) 重庆400044 国网重庆市电力公司电力科学研究院重庆401123

新型电力系统的大力建设对电网监控信号的高效准确识别技术提出了更高的要求。首先分析了Soft-Masked BERT语言模型的基本原理,建立了基于Soft-Masked BERT的信号文本纠错模型。根据国家电网典型事件表梳理了包含常规与故障情况下的“... 详细信息

新型电力系统的大力建设对电网监控信号的高效准确识别技术提出了更高的要求。首先分析了Soft-Masked BERT语言模型的基本原理,建立了基于Soft-Masked BERT的信号文本纠错模型。根据国家电网典型事件表梳理了包含常规与故障情况下的“信号语义—电网事件”规则字典。综合上述模型建立了基于rnn的电网态势感知模型,提出了基于深度学习的电网监控信号语义解析及态势感知求解流程。最后,以某地110kV变电站实际监控信号为测试数据,利用所提rnn模型并结合Pycorrector工具包及Pytorch软件对该地区电网监控信号进行语义解析及态势感知仿真分析,验证了模型的有效性及正确性。

关键词：深度学习电网监控信号语义解析态势感知 rnn模型

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

光伏电站短期发电功率预测方法研究

光伏电站短期发电功率预测方法研究

作者：朱东垣沈阳农业大学

学位级别：硕士

随着社会工业化进程的加快,社会财富与日俱增,人们对于各类能源的需求有增无减,但同时也增加了生态环境的负担。基于这种情况,我国的能源结构正在发生改变,为尽早达到碳中和,实现国家对环境友好的期望,光伏发电作为零排放的清洁能源而... 详细信息

随着社会工业化进程的加快,社会财富与日俱增,人们对于各类能源的需求有增无减,但同时也增加了生态环境的负担。基于这种情况,我国的能源结构正在发生改变,为尽早达到碳中和,实现国家对环境友好的期望,光伏发电作为零排放的清洁能源而被广泛开发利用。但是,在温度与辐照度等环境因素的作用下,光伏电站的发电往往出现间歇性,这对于电网的安全性构成了较大的威胁。通过短期预测编制负荷调度计划,可减弱光伏输出功率变化对电网的冲击。因此光伏功率的短期预测对保证电网的安全运行具有重要的意义。(1)本文围绕多种环境因素和光伏输出功率的关系进行分析,通过Pearson相关系数算法对各项因素进行分析并且选择。最终确定把温度和辐照度作为光伏功率短期预测模型的输入变量。(2)通过循环神经网络(rnn)模型初步进行光伏功率短期预测,得出指标量化预测误差结果:MAE评价指标为2.536%,MSE评价指标为24.975%,RMSE评价指标为4.998%。通过构建长短期记忆网络(LSTM)模型进行短期预测,得出的指标量化预测误差结果:MAE评价指标为2.321%,MSE评价指标为20.734%,RMSE评价指标为4.554%。相比之下LSTM模型性能更优,精度更高。(3)构建支持向量回归的长短期记忆混合网络(LSTM-SVR)光伏功率短期预测模型与LSTM模型一同预测并进行对比,得出指标量化预测误差结果:MAE评价指标为1.511%,MSE评价指标为9.055%,RMSE评价指标为3.009%。试验表明了LSTM-SVR神经网络,拥有较好的泛化能力,能克服出现局部优化问题。相比之下,光伏发电短期预测LSTM-SVR模型精度优于rnn模型与LSTM模型;(4)根据季节差异,以春夏秋冬四季每三个月为一组季节数据,将数据输入到LSTM-SVR模型与LSTM模型进行对比预测。经过四组短期预测的数据对比,LSTMSVR模型的误差数值MAE、MSE、RMSE均小于LSTM模型。证明了LSTM-SVR模型应用于季节差异明显的东北地区相比于单一的LSTM模型拥有更高的短期预测精度。

关键词：光伏发电短期功率预测 rnn模型 LSTM预测模型 LSTM-SVR预测模型

基于小波去噪和循环神经网络-k重-整合移动平均自回归模型的转炉煤气柜位预测

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

冶金自动化 2023年第3期47卷 24-34页

作者：钱金花郑文娟吴文彬徐晨东北大学理学院抚顺新钢铁有限责任公司智造中心

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average... 详细信息

在钢铁企业的生产过程中，实时预测钢铁企业的转炉煤气柜位对转炉煤气系统的优化调度至关重要。本文提出基于小波去噪和循环神经网络-k重-整合移动平均自回归模型(recurrent neural network-k-autoregressive integrated moving average model, rnn-k-ARIMA)混合预测模型，并用该模型预测转炉煤气柜位。其主要研究思路为：首先，利用小波阈值去噪方法去除柜位数据中的干扰噪声；其次，运用rnn模型训练去噪后的柜位数据，计算rnn模型预测结果与实际值的残差；再次，使用k-ARIMA模型对残差进行修正；最后，将修正后的残差与rnn模型预测的初值求和得到最终的预测结果。通过测试两个数据集，得到均方根误差ERMS(root mean square error, RMSE)分别为0.206 142和0.146 249,平均绝对百分比误差EMAP(mean absolute percentage error, MAPE)分别为0.941 101和0.720 312,方向精度AD(directional accuracy, DA)均为0.833 333。综合对比发现，相比于单独应用rnn模型与ARIMA模型，使用rnn-k-ARIMA混合模型预测转炉煤气柜位的精度更高、性能更好，弥补了传统时间序列模型和单一网络预测模型的不足。该混合预测模型可以为钢铁企业转炉系统的管理与调度提供科学的理论依据。

关键词：小波去噪 rnn模型 k-ARIMA模型混合预测模型转炉煤气

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于灰色预测和神经网络的人口预测

经济地理 2004年第2期24卷 197-201页

作者：赖红松祝国瑞董品杰温州市国土资源局中国浙江温州325027 武汉大学资源与环境科学学院中国湖北武汉430079

人口预测是土地利用总体规划的重要基础工作。未来人口规模是土地利用总体规划中确定各类土地需求量控制性指标,调整土地利用结构,实现土地供需平衡,解决人地矛盾的重要依据。人口预测是否科学准确,直接关系到总体规划方案是否合理和实... 详细信息

人口预测是土地利用总体规划的重要基础工作。未来人口规模是土地利用总体规划中确定各类土地需求量控制性指标,调整土地利用结构,实现土地供需平衡,解决人地矛盾的重要依据。人口预测是否科学准确,直接关系到总体规划方案是否合理和实用。利用灰色预测建模所需信息少、方法简单的特点和神经网络具有较强的非线性映射能力的特性,提出一种基于灰色预测和神经网络的人口预测方法。首先对人口规模的NARMA(p,q)的递归网络模型进行一步预测及其灰色预测GM(1,1)等维新息模型预测,然后再用前馈神经网络对GM(1,1)模型和递归网络模型的预测值进行组合预测以作为其最终的预测值。以温州市为例,对其总人口进行了试验预测。结果表明:NARMA(p,q)递归网络模型比GM(1,1)模型具有更高的预测精度,而FNN模型的组合预测效果优于其它单一预测模型。

关键词：人口预测灰色预测GM(1,1)模型人口规模前馈神经网络模型 FNN模型递归网络模型 rnn模型

在线全文

学校读者我要写书评

暂无评论

基于动-静态模型的渗压值预测与分析

人民长江 2021年第5期52卷 174-179页

作者：陈守开蒋海峰史海波张俊峰华北水利水电大学水利学院河南郑州450046 河南省水环境模拟与治理重点实验室河南郑州450045 河南省水环境治理与生态修复院士工作站河南郑州450002 水资源高效利用与保障工程河南省协同创新中心河南郑州450045

针对堤坝渗压值的动态变化特征与静态神经网络模型的不足,建立了基于时序数据的循环神经网络模型(recurrent neural network,rnn)。该模型考虑水位、降雨与温度在孔隙水压力变化中的滞后作用并将其纳入模型的训练过程,实现了渗压值的动... 详细信息

针对堤坝渗压值的动态变化特征与静态神经网络模型的不足,建立了基于时序数据的循环神经网络模型(recurrent neural network,rnn)。该模型考虑水位、降雨与温度在孔隙水压力变化中的滞后作用并将其纳入模型的训练过程,实现了渗压值的动态预测。以面板堆石坝渗流监测数据为例进行验证分析,通过灰色关联法可确定影响渗压值的主要因素,并进行了rnn模型与遗传算法优化的支持向量机模型(GA-SVM)的对比分析。结果表明:两种模型的预测精度均在允许范围内,表明渗压值数据之间具备可预测性;rnn模型的平均相对误差仅为11.343%,相比于GA-SVM模型,rnn模型预测精度更高,由此表明渗压值的动态变化特征对渗压值预测影响较大,在建立预测模型时需协同考虑。

关键词：渗压值动态模型静态模型动态变化特征 rnn模型 GA-SVM模型

在线全文

学校读者我要写书评

暂无评论

基于深度学习的情感分析与个性化推荐研究

基于深度学习的情感分析与个性化推荐研究

作者：郗晓琴山西大学

学位级别：硕士

随着移动互联网平台的蓬勃发展,越来越多的人们倾向于对已有的消费做出客观地评论,表达自身观点,在此背景下,产生了大量的文本评论数据,其包含了消费者对产品真实感受的数据。挖掘这些文本数据所蕴含的情感体验并进行个性化推荐分析,不... 详细信息

随着移动互联网平台的蓬勃发展,越来越多的人们倾向于对已有的消费做出客观地评论,表达自身观点,在此背景下,产生了大量的文本评论数据,其包含了消费者对产品真实感受的数据。挖掘这些文本数据所蕴含的情感体验并进行个性化推荐分析,不仅为消费者快速抉择带来了很大的便利,而且也为商家进一步制定未来发展战略提供了有效的参考。在目前的情感分析研究中,往往倾向于关注文本语料的领域特征,而忽略了文本自身的特点,尤其是对于长短文本相结合的语料的研究更是缺乏。同时,由于情感分析的结果具有多样性,导致了将个性化推荐引入情感分析领域的相关研究存在着很大的不足。以此为出发点,本文主要进行了两方面的研究。一方面,对长短文本相结合的评论语料进行了基于深度学习的情感分析,并通过对比实验选取了该语料特征下的最优模型;另一方面,在情感分析的基础上,运用关键词技术和词移距离相似度进行个性化推荐研究。具体地,运用爬虫技术获取长短文本相结合的酒店评论语料,进行了语料清洗、文本分词、去停用词、文本向量化以及语料token化的语料预处理工作,在此基础上,对其实现了基于传统rnn模型、rnn变体(LSTM、GRU)模型以及双向rnn(Bi-LSTM、Bi-GRU)模型的情感分析研究,实验结果显示,Bi-GRU模型在该语料特征下的情感分析效果最好,测试集准确率达到了97.64%。在情感分析的基础上,本文运用TextRank技术分别提取了正负两类顾客评论的关注特征,并计算了顾客关注特征与正类评论文本的词移距离相似度,以此为依据进行对不同顾客需求得相关推荐,实验结果显示排名前三的推荐文本与顾客需求的相似度均达到99%以上。本文的主要贡献为对长短文本相结合的评论语料搭建了5种不同的rnn模型,并通过对比实验确定了针对该语料特征的最优模型。同时,在情感分析的基础上进行了个性化推荐研究,使得文本情感分析的结果更具应用价值。

关键词：情感分析 rnn模型 rnn变体模型双向rnn模型个性化推荐研究