检索结果-内蒙古大学图书馆

湖泊科学 2021年第3期33卷 866-878页

作者：范宏翔何菡丹徐力刚张明睿姜加虎中国科学院南京地理与湖泊研究所中国科学院流域地理学重点实验室南京210008 中国科学院大学北京100049 江苏省水资源服务中心南京210029 中国长江三峡集团有限公司长江生态环境工程研究中心北京100038 安徽工业大学马鞍山243002

气候变化和人类活动直接或间接的影响着全球和区域水文循环过程,是导致水文水资源时空分布的主要因素,同时也是流域-湖泊水文情势变化的根本原因.本文基于长短记忆模型构建了鄱阳湖气象-径流模型,同时引入了基准期的概念,定量区分了导... 详细信息

气候变化和人类活动直接或间接的影响着全球和区域水文循环过程,是导致水文水资源时空分布的主要因素,同时也是流域-湖泊水文情势变化的根本原因.本文基于长短记忆模型构建了鄱阳湖气象-径流模型,同时引入了基准期的概念,定量区分了导致鄱阳湖流域径流变化的主要影响因素.研究结果表明:在同时考虑计算效率和模拟效果的前提下,采用10 d预测窗口大小来构建鄱阳湖气象-径流模型能够很好地捕捉径流的极值,并且对径流的短期波动也能有很好的体现.训练期模型在各个子流域的纳什效率系数均高于0.94,而在验证期,模型在各个子流域的纳什效率系数均高于0.90.基于径流模拟结果,定量区分了人类活动和气候变化对鄱阳湖径流的影响,研究结果显示:人类活动对径流的影响主要发生在春、秋季,其中,人类活动在春季主要会造成径流的增加,平均增加幅度约为139.47 m^(3)/s,而在秋、冬季,人类活动则会导致径流平均减少约34.37 m^(3)/s.对比二者的相对贡献率,可以发现,春季人类活动对径流造成的影响较大,平均相对贡献率为77.26%.而在其余季节,鄱阳湖流域径流过程的改变主要是由于气候变化,平均相对贡献率约75.84%.研究结果能够为鄱阳湖流域水资源管理提供科学依据和理论指导.

关键词：长短记忆模型气候变化人类活动鄱阳湖径流变化

来源：评论

学校读者我要写书评

暂无评论

一种基于长短记忆模型的交通轨迹异常挖掘模型

引用

广西科技大学学报 2021年第2期32卷 58-64页

作者：秦胜君李婷广西科技大学经济与管理学院广西柳州545006

针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征,不能有效识别业务异常和新型异常等问题,提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测,然后基于进化理论将预测轨迹转化为异常轨迹,从而构建了基... 详细信息

针对现有异常轨迹检测方法没有捕捉轨迹数据时序特征,不能有效识别业务异常和新型异常等问题,提出基于长短记忆模型的异常轨迹挖掘模型.首先通过优化长短记忆模型进行轨迹预测,然后基于进化理论将预测轨迹转化为异常轨迹,从而构建了基于长短记忆模型的异常判别模型.该模型可以有效地识别业务异常和新型异常,提高了异常检测的精准度和可扩展性,同时适用于无标签数据,解决了传统神经网络必须应用于有监督学习的问题.最后通过与改进的密度聚类算法和马尔科夫过程的对比实验验证了该模型在交通轨迹异常检测的优越性.

关键词：长短记忆模型异常轨迹交通大数据深度学习

来源：评论

学校读者我要写书评

暂无评论

基于施工天窗日的重载铁路货运量预测

引用

铁路通信信号工程技术 2025年第1期22卷 28-34,83页

作者：周瑾刘子扬刘永壮马锐北京全路通信信号研究设计院集团有限公司北京100070 列车自主运行智能控制铁路行业工程研究中心北京100070

货运量是重载铁路运输日常管理最重要的指标之一,基于重载铁路运输大数据分析平台,针对重载铁路货运生产调度中每日货运量预测的问题,考虑不同线路施工天窗对货运量的影响,构建基于LSTM的货运量预测模型。建立某厂矿铁路集团、子公司货... 详细信息

货运量是重载铁路运输日常管理最重要的指标之一,基于重载铁路运输大数据分析平台,针对重载铁路货运生产调度中每日货运量预测的问题,考虑不同线路施工天窗对货运量的影响,构建基于LSTM的货运量预测模型。建立某厂矿铁路集团、子公司货运量预测数据集,基于施工天窗信息特点对LSTM模型进行改造,通过训练与调参,算法在真实数据集上比ARIMA、原生LSTM、GRU等模型效果提升明显,能较好解决日货运量数据波动大和非平稳性突出的问题。模型效果验证后在综合调度信息系统上线,根据新增数据每日进行推算和展示,减轻了货运统计分析人员的工作负担。

关键词：重载铁路货运量长短记忆模型施工天窗

来源：评论

学校读者我要写书评

暂无评论

基于时序模型的高炉煤气发生量多步预测对比

引用

钢铁 2022年第9期57卷 166-172页

作者：包向军翁思浩陈光汪晶陈谞谢竟成安徽工业大学能源与环境学院安徽马鞍山243000 上海宝信软件股份有限公司上海201203

为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步... 详细信息

为准确预测高炉正常工况及变工况(如休风、减产、停产等)条件下的煤气发生量,采用长短记忆模型(LSTM)和季节性差分自回归模型(SARIMA)预测了不同工况下的高炉煤气发生量。对比了正常工况下两模型不同预测步数的预测效果,发现随着预测步数的增加,两模型预测精度总体呈减小趋势,并且LSTM模型的预测精度普遍高于SARIMA模型;为提高模型精度,还对比了30步预测条件下不同输入样本量对模型的预测影响,结果表明,SARIMA模型最佳输入样本量为200个左右,对应平均相对误差为0.0570,LSTM模型最佳输入样本量为100个左右,对应平均相对误差为0.0428,因此,正常工况下LSTM模型预测效果更好;而变工况条件下SARIMA模型效果更好,SARIMA模型的平均相对误差为0.0694,LSTM模型为0.0940。结合两模型的优势,建立了梯度驱动时序预测复合模型,该模型在复合工况下30步预测平均相对误差为0.0601,均低于两模型单独使用时的误差,因此在现场运行时,建议使用梯度驱动时序预测复合模型进行预测,这为高炉煤气调控提供了更好的数据支持,合理分配煤气提高煤气利用率,减小煤气放散。

关键词：高炉煤气预测时序预测长短记忆模型季节性差分自回归移动平均多步预测

来源：评论

学校读者我要写书评

暂无评论

基于长短时记忆网络(LSTM)的地下水埋深模拟预测——以关中平原为例的实例分析

引用

中国农村水利水电 2020年第9期 127-131,137页

作者：张朝逢陈皓锐岳中奇陕西省地下水管理监测局西安710000 中国水利水电科学研究院北京100048

地下水资源对区域经济社会发展至关重要,而准确预测地下水埋深是合理利用地下水资源的重要依据。以陕西关中平原33眼地下水埋深观测井的实测数据为输入,探讨长短时记忆网络模型(LSTM)在地下水埋深模拟预测当中的应用。结果表明:整体上,L... 详细信息

地下水资源对区域经济社会发展至关重要,而准确预测地下水埋深是合理利用地下水资源的重要依据。以陕西关中平原33眼地下水埋深观测井的实测数据为输入,探讨长短时记忆网络模型(LSTM)在地下水埋深模拟预测当中的应用。结果表明:整体上,LSTM模型可以很好模拟关中地下水埋深的变化,但是模型在训练阶段的模拟精度要高于验证阶段的。具体而言,对33眼观测井同时模拟时,无论训练次数多少,其决定系数(R2)均大于0.98,而均方根误差(RMSE)和相对均方根误差(RRMSE)分别小于5 m和14%;而在验证阶段,尽管模拟值与观测值的R2仍然大于0.98,但是RMSE和RRMSE的最大值分别增加至7 m和27%。与此同时,模型的训练次数会影响模拟精度,模型训练次数需要与样本进行匹配,本研究适宜的训练次数为40次。此外,样本集的数据也是影响模型模拟准确度的关键因素,将33眼井的观测数据作为一个样本集的模拟精度要高于单眼井单独作为样本集的模拟精度,表明样本容量越大,LSTM的模拟精度越高。

关键词：长短记忆模型地下水埋深模拟训练次数

来源：评论

学校读者我要写书评

暂无评论

基于样本的纹理合成算法及其应用研究

基于样本的纹理合成算法及其应用研究

引用

作者：蔡秀霞西安电子科技大学

学位级别：博士

纹理是数字图像基本特征,也是图像处理研究的主要类别之一,纹理合成技术在图像处理、计算机图形学、计算机视觉方面有广泛的应用,是计算机图形学中在做纹理映射前经常需要的处理技术。近年来,虚拟现实、数字动画、电子游戏等技术的快速... 详细信息

纹理是数字图像基本特征,也是图像处理研究的主要类别之一,纹理合成技术在图像处理、计算机图形学、计算机视觉方面有广泛的应用,是计算机图形学中在做纹理映射前经常需要的处理技术。近年来,虚拟现实、数字动画、电子游戏等技术的快速发展也得益于优异纹理合成及映射技术的发展。纹理合成技术作为计算机图形和图像领域的基础技术一直有存在和被研究的价值。为了研究基于样本的纹理合成方法,本论文在综述国内外纹理合成方法研究现状及理论基础之上,总结概括出目前纹理合成方法存在的问题:首先是纹理合成对各种类型的样本纹理合成的普适性问题;其次是,传统算法局部最优无法抓取全局特征问题;再者如何提取图像中深层次特征并生成高质量合成纹理的问题。在对这些纹理合成方法问题研究基础上,进一步将我们提出的纹理合成方法应用于大面积信息缺失情况下的背景修复工作和铅笔及彩色素描画的生成中。具体来说,本文主要研究内容及创新点包括:第一,为了能够在统一的框架内实现各类纹理的合成的优化工作,尤其是大尺度纹理的优化合成和规则纹理的合成,提出了一种新的纹理合成框架。首先根据尺度不变特征(Scale-invariant feature transform,SIFT)将重复大尺度规则纹理合成问题与其他类型的纹理区分开来,对于重复大尺度规则纹理的合成,我们将重复单元作为基本纹理合成单元;对于其他类型纹理我们则提出基于曲率优化的相似度函数进行最优匹配搜索,优先考虑局部纹理丰富的块,并提出了交替迭代更新最邻近域场与生成像素的方式生成纹理。通过这样的框架及优化算法,可以较好的纠正输入纹理不存在大尺度纹理结构,而输出纹理存在大尺度纹理结构的错误,同时也可以解决在合成大尺度规则样本纹理时出现纹理混乱的问题。第二,提出了基于卷积神经网络(Convolutional Neural Network,CNN)合成渐变纹理的方法。鉴于传统纹理合成的特征量设计与参数调整比较复杂,且渐变纹理合成存在人为错误及模糊等问题,本文在学习样本纹理的CNN特征图的基础上生成纹理,并利用提取的特征图提出了基于误差平方和(Sum of Square Error,SSE)和基于格拉姆矩阵(Gram matrix)的两类相似度函数,通过优化两个失真函数的权重组合来生成渐变纹理。这种分析生成式的纹理合成方法,一方面可以充分利用样本纹理的全局特征进行纹理合成,另外一方面可以很好的克服传统纹理合成方法存在的输出模糊、错乱大尺度纹理的问题,此外,该方法生成的渐变纹理在无参考质量评估效果上要优于传统渐变纹理生成方法。第三,针对输入为重复大尺度规则纹理结构的样本纹理,提出了基于长短记忆网络(Long Short-Term Memory,LSTM)的纹理合成方法。在没有预检测纹理规则性的前提下,传统的纹理合成方法和基于卷积神经网络的纹理合成方法都无法很好的合成重复大尺度规则纹理。LSTM纹理合成方法一方面可以克服传统的纹理合成方法存在局部最优的问题而导致的规则样本纹理合成失败的问题;另一方面具有优异的规则记忆性,可以克服基于卷积神经网络的纹理合成方法无法很好的学习纹理的规则性这一缺点。这种基于LSTM纹理合成方法的无参考质量评估效果上优于传统纹理合成算法和基于卷积神经网络的纹理合成方法。第四,提出将基于卷积神经网络的纹理合成方法理论应用于目标移除后的背景修复、图像风格化等。基于卷积神经网络特征图的背景修复可以有效的修复大面积缺失的背景图像,而且相比于传统算法在主观视觉和客观衡量指标方面都有较大的提高;此外我们在学习艺术家风格化的基础上可以将自然图像风格化到目标艺术风格,在素描化效果上相比于传统的素描画效果更加多样化且主观素描效果更清晰。

关键词：纹理合成卷积神经网络递归神经网络深度学习长短记忆模型

来源：评论

学校读者我要写书评

暂无评论

多交互车辆轨迹预测研究

引用

计算机工程与应用 2021年第11期57卷 232-238页

作者：秦胜君李婷广西科技大学经济与管理学院广西柳州545006

现有的车辆轨迹预测大多是单目标轨迹预测,无双向交互和关系推理,不能实现混合实体的交互建模。针对上述问题,结合强化学习的Q-learning算法和深度学习的LSTM网络,设计一个完全可扩展的轨迹预测模型Q-LSTM。该模型中,LSTM网络捕获了车... 详细信息

现有的车辆轨迹预测大多是单目标轨迹预测,无双向交互和关系推理,不能实现混合实体的交互建模。针对上述问题,结合强化学习的Q-learning算法和深度学习的LSTM网络,设计一个完全可扩展的轨迹预测模型Q-LSTM。该模型中,LSTM网络捕获了车辆轨迹的时间特性,而Q-learning算法则表示了多车辆的交互过程,因此Q-LSTM模型可以实现随机数量车辆多交互建模,并且在长期交互车辆轨迹预测中保证精确度。另外模型中考虑了车辆长宽与坐标之间的关系,避免出现异常的碰撞现象,适合用于多类型车辆轨迹预测的场景。在公开数据集HighD上进行了模型的性能分析实验,实验结果证明Q-LSTM模型在较长期交互车辆轨迹预测精度和减少碰撞现象等方面具有一定优势。

关键词：智慧交通轨迹预测长短记忆模型强化学习

来源：评论

学校读者我要写书评

暂无评论

基于时空特征深度网络的电力变压器在线故障诊断

引用

制造业自动化 2023年第9期45卷 31-35页

作者：杨威吴明孝王黎炜周少珍付刚国网河南省电力公司电力科学研究院郑州450000 河南九域恩湃电力技术有限公司郑州450000

为了解决基于溶解气体分析的传统变压器故障诊断在特征提取和在线建模方面的问题,提出了一种基于时空特征的电力变压器在线检测方法。该方法将卷积神经网络与长短期记忆相结合,由卷积层和池化层提取出空间域相关特征,引入一种具有门控... 详细信息

为了解决基于溶解气体分析的传统变压器故障诊断在特征提取和在线建模方面的问题,提出了一种基于时空特征的电力变压器在线检测方法。该方法将卷积神经网络与长短期记忆相结合,由卷积层和池化层提取出空间域相关特征,引入一种具有门控结构的递归神经网络以获取时间特征。因此,这种在线端到端的深度网络是由一个连接时间和空间特征的顺序层所构成。通过在溶解气体数据分析中与现有模型进行的比较实验,证明了该方法的优秀性能。结果表明,所提出的方法对于时间步长的选取不敏感,且预测精度比动态支持向量机和卷积神经网络高10%~30%。

关键词：油中溶解气体分析卷积神经网络长短记忆模型在线故障诊断

来源：评论

学校读者我要写书评

暂无评论

一种电力图谱问答系统设计与实现

一种电力图谱问答系统设计与实现

引用

作者：覃祥坤中国科学院大学(中国科学院大学人工智能学院)

学位级别：硕士

随着我国经济快速增长,电力企业的业务数据的增长也更加迅猛,企业为客户服务内容的广度和深度逐渐繁杂,企业对客户的服务方式,无论是传统服务还是远程服务,都需要消耗大量的服务资源来与客户解答问题、办理业务。因此,在大数据背景下,... 详细信息

随着我国经济快速增长,电力企业的业务数据的增长也更加迅猛,企业为客户服务内容的广度和深度逐渐繁杂,企业对客户的服务方式,无论是传统服务还是远程服务,都需要消耗大量的服务资源来与客户解答问题、办理业务。因此,在大数据背景下,有必要改变现有的经营模式,运用人工智能技术为客户提供全面、多样化的服务,提高服务质量,及时更新业务服务模式。本文基于电力业务知识库实现了一种问答系统平台。首先,本文以电力领域数据为基础,通过人工建模设计了知识库,通过python程序从非结构化数据中提取业务类的实体,构建了检索系统的电力知识库。然后,本系统基于Tensorflow框架,构建实体识别模型来识别业务实体。该模型包括:嵌入层、编码层以及解码层。编码层使用了 2种神经网络,分别是双向长短记忆模型和膨胀的卷积神经网络。解码层使用了条件随机场算法,保证了标签位置的有效性。再次,本系统基于sk-learn库的机器学习分类算法,对预测实体之间的关系进行分类。基于监督型训练数据,本文先后训练了贝叶斯分类器、岭回归分类器、多层感知机分类器、随机森林分类器,通过分析比较每个分类器对各个标签的表现,选择最优分类器作为本系统对实体识别模型预测的实体的分类。最后,本系统前端的开发是在Django框架下完成前端页面的绘制和接口的调用,又基于Flask框架完成后台开发,实现实体识别模型和分类模型的调用。本系统实体识别模型和分类器模型的评估基于混淆矩阵,分析各个分类标签在各自的准确率、精确率、召回率和F1值的表现,将最优的模型进行组合,经实验证明系统性能良好。

关键词：机器学习深度学习知识图谱卷积神经网络长短记忆模型条件随机场

来源：评论

学校读者我要写书评

暂无评论

基于LSTM/SARIMA时序模型的煤气产供量预测研究

基于LSTM/SARIMA时序模型的煤气产供量预测研究

引用

作者：翁思浩安徽工业大学

学位级别：硕士

钢铁行业一直是一个高能耗、高排放的产业,近年来,各企业为响应国家节能减排、“双碳”政策,高效利用各种能源资源,减少环境污,提出了各种应对措施。以高炉煤气、焦炉煤气、转炉煤气为主的副产煤气是冶金生产过程中产出的重要二次能源,... 详细信息

钢铁行业一直是一个高能耗、高排放的产业,近年来,各企业为响应国家节能减排、“双碳”政策,高效利用各种能源资源,减少环境污,提出了各种应对措施。以高炉煤气、焦炉煤气、转炉煤气为主的副产煤气是冶金生产过程中产出的重要二次能源,对它们的合理利用既可以提高整体能源的二次利用效率,达到节能效果,另一方面,由于副产煤气的成分大多是环境污染源,因此减少副产煤气的放散,一定程度上可以减少对环境的危害。而高效合理利用这些副产煤气的前提不仅是要有合理的煤气调度规则,准确预测未来一段时间煤气的产用量情况也很重要。针对煤气产用量,本文讨论了国内外相关学者对副产煤气的预测模型存在的不足,主要包括以下几点:(1)时间粒度过大,样本少,预测步数及次数也偏少,无法全面考察模型预测能力;(2)模型缺少特殊工况(如设备故障、减产、停产等)下的预测结果对比,或模型难适应于特殊工况。针对以上问题,本文选取了小粒度数据进行大样本的多步预测,使用深度学习中的长短记忆模型(LSTM)以及线性回归中的季节性差分自回归移动平均模型(SARIMA)进行预测,对比分析不同时序模型预测效果。针对特殊工况问题,本文提出了一种梯度驱动时序预测复合模型,根据输入数据的梯度变化,选取最适宜的模型进行预测,大大增加了预测精度。通过煤气流量预测值与实际采集到的煤气流量值进行对比,以平均相对误差(MAPE)作为评判依据,结果表明:正常工况下,LSTM的精度高于SARIMA,在30步预测的时候,LSTM的平均相对误差为0.0428,而SARIMA模型为0.0648;LSTM模型在输入样本为100时误差最小,平均相对误差为0.0428,SARIMA模型在输入样本为200时误差最小,平均相对误差为0.0570;LSTM模型在自更新时,选取700 min数据量作为每次训练样本最为适宜,既保证了模型精度(平均相对误差为0.0448),又可以节省计算资源;变工况下,SARIMA模型比LSTM模型精度更高,SARIMA平均相对误差为0.0694,LSTM平均相对误差为0.094,因此在现场运行工况下,建议使用梯度驱动时序预测复合模型进行预·测,复合模型在一段混合工况下预测的平均相对误差为0.0601,具有更高的预测精度。最后,建立了各煤气产用量预测模型,并将建立的预测模型通过SOCKET通讯技术部署至某钢厂能源管控中心,通过实时的数据预测为煤气调控模型提供强有力的支撑,为钢铁企业能源管理调度提供了较为有效的方法。

关键词：煤气预测长短记忆模型季节性差分自回归移动平均模型多步预测

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：