检索结果-内蒙古大学图书馆

作者：赫明辉哈尔滨工业大学

学位级别：硕士

近年来数字化进程发展迅猛,将各类信息数据化,能更好的发现其本质特点和变化规律。时间序列数据便是一类具有代表性的数据,对于大部分实际数据来说,由于所受影响因素众多,其往往是非线性的时间序列数据,所以对于非线性时间序列的预测问... 详细信息

近年来数字化进程发展迅猛,将各类信息数据化,能更好的发现其本质特点和变化规律。时间序列数据便是一类具有代表性的数据,对于大部分实际数据来说,由于所受影响因素众多,其往往是非线性的时间序列数据,所以对于非线性时间序列的预测问题的分析和研究是十分重要的。本文对Monte Carlo方法和长短期记忆算法进行了探讨和分析,对实验数据进行清理,并根据长短期记忆算法建立了一种预测非线性时间序列数据的模型,依据Monte Carlo方法的原理设置了预测效果的度量标准。首先,对Monte Carlo方法和长短期记忆算法的原理和优缺点进行探究,并对有监督机器学习中的过拟合问题产生的原因和相应解决办法通过结合实例的方式进行总结和分析。其次,对收集到的人口数据和股票数据进行预处理(异常数据的删除和填补、归一化),并结合平安银行股票数据的实例来展示数据清理过程中异常数据的处理方式,初步确定预测算法的Keras框架结构,并依据Monte Carlo方法的原理设定预测准确率的计算方式。最后,以一组随机生成的服从正弦分布的数据点来测试算法框架的实际预测效果。并对清理后的哈尔滨市历年人口数据应用不同结构的算法进行预测,通过对比不同结构的算法框架的预测效果来确定最终长短期记忆算法的框架结构,并对东风汽车股票和平安银行股票的5个特征数据进行预测分析和准确率的计算。本文的实证分析选取了2002年到2018年平安银行股票和东风汽车股票的每日数据,实证结果表明:结合了长短期记忆算法和Monte Carlo方法的预测框架,对于非线性的时间序列数据的预测有较好的效果,能够很好的学习数据的整体变化趋势和细节特征;通过Monte Carlo方法的原理来设置并计算的准确率,更加贴近数据的实际预测效果,有利于对算法框架内部参数进行调节。

关键词：长短期记忆算法 Monte Carlo方法数据清理时间序列预测

来源：评论

学校读者我要写书评

暂无评论

基于机器学习的简支梁式渡槽结构地震响应与易损性分析

引用

河海大学学报(自然科学版) 2025年第3期53卷 101-108页

作者：韦芳芳林澳庆赵有正王永泉陈卓然河海大学土木与交通学院江苏南京210098 南京工程学院建筑工程学院江苏南京211167

为提高渡槽结构地震响应预测的速度和精度,以界河渡槽为研究对象,采用Midas Civil-2021构建有限元模型,在验证有限元模型可靠性的基础上,基于该模型获取样本数据,利用长短期记忆(LSTM)算法和时序转换(TSTF)算法构建机器学习模型来预测... 详细信息

为提高渡槽结构地震响应预测的速度和精度,以界河渡槽为研究对象,采用Midas Civil-2021构建有限元模型,在验证有限元模型可靠性的基础上,基于该模型获取样本数据,利用长短期记忆(LSTM)算法和时序转换(TSTF)算法构建机器学习模型来预测渡槽非线性地震响应,并通过调整时间窗口大小和采样周期使预测结果达到最佳。对槽墩顶点位移响应的预测结果表明,LSTM模型和TSTF模型平均准确率分别为76.22%和88.30%;与有限元模型的预测速度相比,LSTM模型和TSTF模型分别提升了128.54%和47.90%。对渡槽结构易损性分析结果表明,槽墩的损伤超越概率随着水位上升而逐渐增大。

关键词：简支梁式渡槽地震响应预测机器学习长短期记忆算法时序转换算法

来源：评论

学校读者我要写书评

暂无评论

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

引用

济南大学学报（自然科学版） 2024年第2期38卷 250-256页

作者：陈德余张玮王辉齐鲁工业大学(山东省科学院)信息与自动化学院山东济南250353 山东大学电气工程学院山东济南250061

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限... 详细信息

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

关键词：光伏发电功率预测自适应权重误差修正极限梯度提升算法长短期记忆算法

来源：评论

学校读者我要写书评

暂无评论

基于双源传感与LSTM的运动步态相位识别研究

引用

传感器与微系统 2025年第4期44卷 13-16,20页

作者：李鑫徐赵洁柳金康梁旭北方工业大学机械与材料工程学院北京100144

为了实现人体下肢不同运动模式步态相位更精确的识别,提出一种基于双源传感与长短期记忆(LSTM)的辨识方法。首先,对跑步、平地行走、上坡及上楼4种运动模式下运动学与生物学信息采集,并对4种步态进行了相位的划分。其次,采用经验公式对... 详细信息

为了实现人体下肢不同运动模式步态相位更精确的识别,提出一种基于双源传感与长短期记忆(LSTM)的辨识方法。首先,对跑步、平地行走、上坡及上楼4种运动模式下运动学与生物学信息采集,并对4种步态进行了相位的划分。其次,采用经验公式对多运动模式进行特征提取,并利用LSTM算法实现对不同运动模式下的相位辨识,得到4种运动模式步态相位辨识平均准确率为95.76%。通过与K最近邻(KNN)、决策树(DT)算法对比,分别高出2.25%与1.66%。同时,与肌电、惯性测量单元(IMU)单源传感器辨识平均准确率对比,分别高出2.82%与2.70%。验证了在不同运动模式步态相位划分的基础上,双源传感与LSTM算法辨识的有效性。

关键词：运动模式步态相位肌电传感器惯性测量单元长短期记忆算法

来源：评论

学校读者我要写书评

暂无评论

基于RF-SSA-LSTM的南昌市PM2.5预测研究

基于RF-SSA-LSTM的南昌市PM2.5预测研究

引用

作者：祝超楠南昌工程学院

学位级别：硕士

在全球工业化和城市化快速发展的背景下,能源消耗及工业排放量不断攀升,空气污染日益加重,对人民健康和社会经济造成了严重影响。PM2.5作为空气污染中的重要组成部分,是当前最受关注的空气污染物之一。因此,本研究在分析南昌市PM2.5浓... 详细信息

在全球工业化和城市化快速发展的背景下,能源消耗及工业排放量不断攀升,空气污染日益加重,对人民健康和社会经济造成了严重影响。PM2.5作为空气污染中的重要组成部分,是当前最受关注的空气污染物之一。因此,本研究在分析南昌市PM2.5浓度时空变化与气象等相关数据的相关性基础上,采用机器学习算法模拟和预测PM2.5污染特征具有较大的优势。基于多类型PM2.5污染的影响因子,利用随机森林（RF）算法对逐日空气质量监测站数据和ECWMF气象观测数据进行分析与特征筛选,创新地耦合麻雀算法（SSA）与长短时记忆模型（LSTM）,构建新型PM2.5污染物浓度预测模型RF-SSA-LSTM。本研究的主要内容和结论概述如下: （1）从时间序列分析其变化特征,南昌市PM2.5的小时浓度波动呈“W”状,分别在上午9时、下午17时达到日峰值和最低点。而日均变化相对温和,全年日均降幅6.2%,月平均含量则呈现出"V"型趋势。季节性分析表明,南昌市在冬季PM2.5浓度高,夏季则相对低。总体上,南昌在这两年主要维持了"优"和"良"的空气质量级别,并且空气质量逐年得到改善,达到"优"比例明显增加。PM2.5的浓度与其他污染物如PM10、SO2、CO、NO2正相关,特别是与PM10和NO2的相关性最为显著。PM2.5与O3有一个弱的负相关。其与气象条件的关系,发现PM2.5浓度与相对湿度、降水量和温度成反比,而与风速为弱的正相关。（2）针对PM2.5污染非线性特征捕捉困难的问题,结合其他污染物变化特征因子(PM10、SO2、CO、NO2、O3)、气象因子（降水量、风速、气温、温度）,创新性的融合随机森林（RF）与长短时记忆网络（LSTM）模块,以加强对复杂输入特征关系的捕捉能力。并引入了寻优能力强,收敛速率快的麻雀算法（SSA）以提高算法的预测性能,从而构建了一种综合多元影响因素的新型PM2.5浓度变化预测模型RF-SSA-LSTM,实现了逐日PM2.5浓度预测。结果表明RF-SSA-LSTM的RMSE为4.7956,MAE为2.6756,R2为0.969。与单一机器学习算法比较,LSTM算法确实更适用于城市PM2.5浓度预测方向,与RF-LSTM,RF-BP神经网络比较,引入了SSA算法的RF-LSTM性能更好,并且RF-SSA-LSTM模型的MAE、RMSE、R2,比RF-LSTM预测模型分别降低16%、9%和升高5.5%。因此,提出的RF-SSA-LSTM模型能够以更高的精确度模拟及预测PM2.5的浓度波动,对目前的空气质量预测模型提供了有价值的增补,展现出在不同空气污染物含量预测研究中的应用潜力。

关键词： PM2.5预测麻雀算法随机森林长短期记忆算法机器学习

来源：评论

学校读者我要写书评

暂无评论

数字孪生技术在移动通信中的应用技术研究

引用

电气自动化 2024年第3期46卷 108-112页

作者：南作用钟志刚陈任翔王亚中讯邮电咨询设计院有限公司中国联通河南郑州450000

针对我国移动通信互联终端用户越来越多,造成通信网络故障率较高,且检测难度大的问题,设计了一个基于数字孪生技术在移动通信中的故障检测系统。利用数字孪生技术实现对移动通信的各应用层创建数字世界;通过持续监控真实物理系统并使用... 详细信息

针对我国移动通信互联终端用户越来越多,造成通信网络故障率较高,且检测难度大的问题,设计了一个基于数字孪生技术在移动通信中的故障检测系统。利用数字孪生技术实现对移动通信的各应用层创建数字世界;通过持续监控真实物理系统并使用大数据分析和机器学习来预测现实世界中发生的故障问题;利用生成对抗网络算法对转化到数字孪生技术内的移动通信数据进行计算检测,从而改善持续运营的问题。另外通过长短期记忆网络算法对整个故障识别模块进行改进,利用长短期记忆网络算法对历史数据智能存储的特点,达到对整个通信网络故障特征的提取,提高故障检测的效率和准确度。试验结果表明,系统技术核算的数据、误差率在可接受范围内,为其他技术研究奠定基础。

关键词：数字孪生技术生成对抗网络算法长短期记忆算法故障识别故障检测

来源：评论

学校读者我要写书评

暂无评论

基于RF-SSA-LSTM的尾矿坝变形预测模型与应用研究

基于RF-SSA-LSTM的尾矿坝变形预测模型与应用研究

引用

作者：王佳贺山东工商学院

学位级别：硕士

尾矿坝变形预测是矿山企业安全管理与维护的重要内容之一,准确预测并及时采取维护措施对防止灾难性溃坝事故的发生至关重要。尾矿坝是一个受众多因素影响、动态变化的复杂系统,各因素的相互作用导致尾矿坝发生严重变形,进而引发溃坝事... 详细信息

尾矿坝变形预测是矿山企业安全管理与维护的重要内容之一,准确预测并及时采取维护措施对防止灾难性溃坝事故的发生至关重要。尾矿坝是一个受众多因素影响、动态变化的复杂系统,各因素的相互作用导致尾矿坝发生严重变形,进而引发溃坝事故。但现有预测方法主要考虑单因素对尾矿坝变形的影响,缺乏从系统视角考虑多因素的协同作用,导致尾矿坝变形预测精度低,应用于实际工程效果一般。在进行尾矿坝变形预测时,既要以系统角度建立完善的变形预测指标体系,也需确定适用性与准确性高的预测模型。因此,从系统视角建立智能预测模型对尾矿坝变形进行精准预测有重要的理论与现实意义。为建立有效的尾矿坝变形预测模型,本文首先对尾矿坝变形特性进行分析,探究不同影响因素的作用机理,分析影响尾矿坝变形的主要内部因素和环境因素;构建融合环境影响因素的尾矿坝变形预测指标体系;其次,通过分析传统模型的优势与不足,提出融合随机森林（RF）特征筛选算法、麻雀搜索优化算法（SSA）和长短期记忆（LSTM）神经网络预测方法,构建出基于RF-SSA-LSTM的尾矿坝变形预测模型;最后,利用四分位算法和缺失森林算法处理清洗输入数据,以RMSE、MAE和R2为评价指标,通过采用腊子沟尾矿坝工程变形监测数据和气象变化数据对模型训练,对比RF-SSA-LSTM预测模型与众多预测模型的预测准确性。结果表明RF-SSA-LSTM的RMSE为0.0129,MAE为0.008,R2为0.980,优于SSA-LSTM和LSTM预测模型,预测值与真实值曲线拟合更好。使用SSA优化算法的LSTM模型比单一深度学习模型LSTM模型给出了更好的预测结果,同时比LR、Xgboost、MLP和Bayesian四种模型更适合对尾矿坝变形数据的预测。RF-SSA-LSTM预测模型采用随机森林优化模型输入特征维度,降低深度学习模型构建的复杂度;SSA算法优化了LSTM的不同参数,进而提高了模型的预测准确性与鲁棒性。并且,所建立的基于RF-SSA-LSTM预测模型在尾矿坝复杂影响因素共同作用下,充分挖掘不同时间序列数据之间的关系,学习了时间序列数据的长期依赖性,并实现良好的预测效果,对掌握尾矿坝健康状况、支撑尾矿坝安全稳定运行具有重要的意义。

关键词：尾矿坝变形预测麻雀搜索优化算法随机森林算法长短期记忆算法

来源：评论

学校读者我要写书评

暂无评论

基于聚类-LSTM算法的低风速区风速预测

引用

计算机与数字工程 2023年第7期51卷 1480-1483,1499页

作者：陈志昊贵州大学机械工程学院贵阳550000

为了解决由于低风速区风速变化频繁且波动较大,传统实时控制策略不能有效适用于低风速区风机的问题,提出一种改进的风速预测方法。先使用聚类算法对风速原数据进行分类,再对分类后的数据使用LSTM进行训练。并提出两种不同训练模型,对比... 详细信息

为了解决由于低风速区风速变化频繁且波动较大,传统实时控制策略不能有效适用于低风速区风机的问题,提出一种改进的风速预测方法。先使用聚类算法对风速原数据进行分类,再对分类后的数据使用LSTM进行训练。并提出两种不同训练模型,对比两种模型与传统LSTM预测算法,结果表明精度均有提升,且当基础数据量较小时可以选择同一模型进行训练,而数据量较大时则应选择分类模型。

关键词：风速预测长短期记忆算法聚类算法

来源：评论

学校读者我要写书评

暂无评论

基于历史数据的主汽温控制系统建模研究

基于历史数据的主汽温控制系统建模研究

引用

作者：张凤南华北电力大学

学位级别：硕士

火电机组主汽温对象是一类大惯性、大迟延、非线性时变热工对象。作为机组安全运行控制环节的重要参数之一,为提高其控制品质保证经济效益,首先要了解主汽温系统的热工特性并建立准确的模型。与传统的建模方法相比,基于历史数据的热工... 详细信息

火电机组主汽温对象是一类大惯性、大迟延、非线性时变热工对象。作为机组安全运行控制环节的重要参数之一,为提高其控制品质保证经济效益,首先要了解主汽温系统的热工特性并建立准确的模型。与传统的建模方法相比,基于历史数据的热工建模方法占据了很大的优势,但大部分数据建模结果并不能与现场控制器参数相匹配,仅停留在仿真阶段。因此,将主汽温控制系统建模分为执行机构与主汽温被控对象两部分,提供一种主汽温系统建模的新思路。本文将粒子群算法和长短期记忆算法应用于主汽温控制系统建模研究中,对某330MW机组建立基于历史数据的主汽温控制系统模型。通过对主汽温影响因素的深入分析,针对历史数据信息量大、变量冗余等特点,引入主成分分析法用于辅助变量选择,优化了模型的输入变量,保证建模结果的有效性和准确性。基于粒子群算法建立了执行机构的数学模型,并将主汽温对象模型分为导前区与惰性区两部分完成。长短期记忆算法建模中对比了单变量输入与多变量输入的预测结果。结果表明,粒子群算法运算速度快,能获得直观的传递函数模型但模型精度较低;长短期记忆算法精度高、算法稳定且能准确的反应被控对象的特性;同时长短期记忆算法对大样本数据建模更具有优势,长短期记忆算法为基于数据的热工建模提供了新思路。

关键词：主汽温对象执行机构粒子群算法长短期记忆算法主成分分析建模研究

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：