检索结果-内蒙古大学图书馆

环境科学 2025年第2期46卷 715-726页

作者：李明明王小兰岳江陈玲汪文雅杨爱琴山西省气象科学研究所太原030002

利用2016~2020年太原市地面气象资料和环境空气质量资料,分析了太原市PM_(2.5)浓度的时间和空间的变化特征,运用EOF分解诊断分析方法,对太原市PM_(2.5)浓度时空变化特征进行了研究,同时利用随机森林模型分析了气象因子的重要性,建立基于... 详细信息

利用2016~2020年太原市地面气象资料和环境空气质量资料,分析了太原市PM_(2.5)浓度的时间和空间的变化特征,运用EOF分解诊断分析方法,对太原市PM_(2.5)浓度时空变化特征进行了研究,同时利用随机森林模型分析了气象因子的重要性,建立基于CNN-lstm神经网络的PM_(2.5)浓度预报模型.结果表明,2016~2020年太原市区PM_(2.5)浓度年均值总体上呈现出逐年减少的趋势,高值主要出现在11月、12月、1月和2月,18:00至翌日的02:00易出现PM_(2.5)浓度峰值,PM_(2.5)浓度年均值呈现自西北向东南逐渐增加的趋势.PM_(2.5)浓度的EOF分解:模态1特征向量的方差贡献率为49.4%,模态2特征向量的方差贡献率为30.8%,以晋源-巨轮-南寨为界,负值区主要在东南,中心位于东南部的小店,正值区则主要位于西北,其中心位于金胜.PM_(2.5)浓度与相对湿度、露点温度之间显著正相关;与风速、降水量和混合层高度主要表现为负相关,与通风量和自净能力也主要呈现一般负相关,与气温相关性不明显.相对湿度、露点温气压、度和混合层高度在四个季节特征排序中均占较为重要的地位,其次是风速、风向、通风量和自净能力重要程度相对一般.采用CNN-lstm模型建模,PM_(2.5)浓度预测的R^(2)在春、夏、秋和冬这4个季节分别为0.805、0.826、0.897和0.901,4个季节R^(2)均在0.8以上,在4个季节CNN-lstm模型的预测残差值均近似于正态分布,模型的绝对误差控制在10μg·m^(-3)以下的预测结果夏季最高达到81.2%,秋季和春季次之,分别为75.9%和62.9%,冬季表现一般,有51.5%预测结果的绝对误差低于10μg·m^(-3).

关键词：气象特征 EOF分解 PM_(2.5)浓度 CNN神经网络 lstm神经网络预测

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的核电厂瞬态参数预测与故障诊断研究

引用

核动力工程 2025年第2期46卷 230-238页

作者：刘涛谢金森南华大学资源环境与安全工程学院湖南衡阳421001 南华大学核能与核技术工程虚拟仿真实验教学中心湖南衡阳421001 南华大学核科学技术学院湖南衡阳421001

为提高核电厂瞬态工况下参数预测和故障诊断的准确性和实时性,本研究采用长短期记忆(lstm)神经网络模型进行预测和诊断。通过生成并随机化故障情景,减少预测模型对特定模式的依赖,提高其在未知故障情景下的泛化能力。研究结合沙普利加... 详细信息

为提高核电厂瞬态工况下参数预测和故障诊断的准确性和实时性,本研究采用长短期记忆(lstm)神经网络模型进行预测和诊断。通过生成并随机化故障情景,减少预测模型对特定模式的依赖,提高其在未知故障情景下的泛化能力。研究结合沙普利加性解释性(SHAP)方法,对预测模型的参数预测结果进行解释性分析,评估不同输入特征对模型预测性能的影响,并验证该预测模型在传感器故障和数据传输错误情况下的预测准确性。此外,针对含有不同噪声水平的瞬态参数进行故障诊断,验证故障诊断模型的鲁棒性。结果表明,lstm神经网络模型在预测和诊断方面具有较高的精度,即使在传感器故障、数据传输有误以及数据含有噪声情况下仍表现出色。本研究提出的方法能够提升核电厂运行安全和稳定性,为事故工况下的安全性提供有效技术支持。

关键词：核电厂瞬态参数预测故障诊断 lstm神经网络沙普利加性解释性(SHAP)方法

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的南加州中期地震预测

引用

中国科学院大学学报(中英文) 2025年第2期42卷 199-208页

作者：王艺璇张怀石耀霖程术中国科学院大学地球与行星科学学院中国科学院计算地球动力学重点实验室北京100049 复旦大学代谢与整合生物学研究院上海200433

以神经网络预测地震为主题,采用长短时记忆(lstm)神经网络构建地震预测模型。基于1932—2021年的南加州地震目录资料,数据按照0.8∶0.2的比例划分,训练集的时间窗口为1932年1月至2002年3月,测试集为2002年3月至2021年9月。模型以lstm神... 详细信息

以神经网络预测地震为主题,采用长短时记忆(lstm)神经网络构建地震预测模型。基于1932—2021年的南加州地震目录资料,数据按照0.8∶0.2的比例划分,训练集的时间窗口为1932年1月至2002年3月,测试集为2002年3月至2021年9月。模型以lstm神经网络为核心,综合训练集地震时间序列数据中计算出的11个反映地震时空强度分布特征的地震活动性指标,以及与之对应的最大震级构建标签,对测试集进行回溯性预测检验。利用混淆矩阵中的准确率、精确度、R评分等指标评估模型预测效果。结果显示,该模型在地震预测方面有一定的成效,成功预测出2010年4月的7.2级大地震,并且部分模型的R评分高于我国目前的中期预测水平。然而仍有部分指标未达到理想状态,还需深入探讨。

关键词： lstm神经网络南加州地区地震中期预测地震活动性指标 R评分

来源：评论

学校读者我要写书评

暂无评论

基于SAE和lstm神经网络的深部未钻地层可钻性预测方法

引用

西安石油大学学报(自然科学版) 2025年第1期40卷 39-46,64页

作者：朱亮李晓明纪慧楼一珊油气钻完井技术国家工程研究中心(长江大学) 湖北武汉430100 油气钻采工程湖北省重点实验室(长江大学) 湖北武汉430100 中国石油川庆钻探工程有限公司四川成都610051

在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和lstm神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-lstm... 详细信息

在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和lstm神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-lstm组合模型的训练时间和预测结果与BP神经网络、支持向量机、随机森林和单一的lstm模型进行了对比分析。结果表明:所构建的SAE-lstm组合模型预测地层可钻性训练用时最短,预测值与实际测量值误差最小,拟合结果的均方根误差RMSE仅为0.081,平均绝对百分比误差MAPE为1.189,决定系数R^(2)为0.966,其RMSE和MAPE最小,R 2最大,较其他模型预测精度更高。该方法为地层参数预测提供了新的途径,能改善以往预测方法在处理复杂地层问题时预测效率低、预测精度不高等问题。

关键词：深部地层钻探岩石可钻性预测模型栈式自动编码器 lstm神经网络深度学习

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的锂离子电池健康状态估计

引用

汽车实用技术 2025年第1期50卷 1-6页

作者：张小帆陈逸龙李盛前曾祥坤连欣黄成广东技术师范大学广东广州510000 广东机电职业技术学院广东广州510440 河源理工学校广东广州517000

电池健康状态(SOH)是表征电池性能的重要参数,准确的SOH估计对电池管理和维护具有重要意义。文章旨在采用长短时记忆模型(lstm)神经网络搭建电池SOH估计模型,在不同迭代次数条件下得到最佳模型精度。文章首先收集电池实时运行数据并进... 详细信息

电池健康状态(SOH)是表征电池性能的重要参数,准确的SOH估计对电池管理和维护具有重要意义。文章旨在采用长短时记忆模型(lstm)神经网络搭建电池SOH估计模型,在不同迭代次数条件下得到最佳模型精度。文章首先收集电池实时运行数据并进行清洗和过滤。然后,选择恒流充电时间、恒压充电时间和平均放电电压等作为特征指标,以预测电池健康状态。通过对比分析三个电池的真实值与预测值,及平均绝对百分比误差(MAPE)、均方根差(RMSE)、平均绝对误差(MAE)和相对误差(RE)评价指标的数值,得到三个电池模型精度均在98%以上。实验结果表明,基于lstm的SOH估计算法具备准确性和可行性。

关键词：锂离子电池 Spearman秩相关系数电池健康状态 lstm神经网络

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的智能电网故障检测技术研究

引用

电力系统装备 2025年第1期 137-139页

作者：孙伟国网冀北电力有限公司玉田县供电分公司河北唐山064100

智能电网故障中,互感器故障最为常见,也是影响智能电网稳定运行的直接因素.常用互感器故障检测方法主要是提取特征和应用分类器评估其运行状态,这种检测方法缺乏自适应能力,无法动态准确地判别其运行状态.基于此,文章以±500 kV张... 详细信息

智能电网故障中,互感器故障最为常见,也是影响智能电网稳定运行的直接因素.常用互感器故障检测方法主要是提取特征和应用分类器评估其运行状态,这种检测方法缺乏自适应能力,无法动态准确地判别其运行状态.基于此,文章以±500 kV张北柔直工程为例,详细分析了lstm神经网络的智能电网故障检测技术,旨在提高故障检测的准确度和效率.通过构建lstm模型,对智能电网中的海量数据进行处理和分析,实现对设备故障的精准预测和快速定位.试验结果表明,该方法在故障检测方面远高于其他检测方法,在智能电网故障检测中具有应用价值.

关键词： lstm神经网络智能电网故障检测互感器

来源：评论

学校读者我要写书评

暂无评论

基于遗传算法优化lstm神经网络的基坑变形预测分析

引用

安徽建筑 2025年第4期32卷 116-118+176页

作者：杨桂伦叶挺王耿鑫宁波轨道交通集团有限公司建设分公司浙江工业大学土木学院

基坑沉降是基坑在各种内外因素影响下产生，对工程施工质量和安全有着重要影响。文章针对传统预测模型的使用弊端，以杭州市某基坑工程共139组基坑沉降数据为例，建立了lstm神经网络(Long Short Term Memory)预测模型，并采用遗传优化算... 详细信息

基坑沉降是基坑在各种内外因素影响下产生，对工程施工质量和安全有着重要影响。文章针对传统预测模型的使用弊端，以杭州市某基坑工程共139组基坑沉降数据为例，建立了lstm神经网络(Long Short Term Memory)预测模型，并采用遗传优化算法(Genetic Algorithm)调优模型超参数，对基坑变形预测进行分析。结果表明：lstm神经网络模型适用于预测基坑沉降，经过GA调优的模型预测精度较高，MAE和MSE分别为0.41和0.28，相较于手动调参分别降低了22%和30%,R2提高了0.06，达到了0.92。

关键词：基坑沉降 lstm神经网络遗传算法超参数

来源：评论

学校读者我要写书评

暂无评论

lstm神经网络在太阳F10.7射电流量中期预报中的应用

引用

空间科学学报 2020年第2期40卷 176-185页

作者：杨旭朱亚光杨升高王西京钟秋珍西安卫星测控中心宇航动力学国家重点实验室西安710043 中国科学院国家空间科学中心北京100190

F10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元(Long Short-term Me... 详细信息

F10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元(Long Short-term Memory,lstm)递归神经网络方法进行F10.7指数未来27天的中期预报.利用一个连续长时段F10.7数据作为训练数据,构建lstm神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F10.7指数.结果表明,太阳活动高年的第27天F10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.

关键词： F10.7 lstm神经网络中期预报

来源：评论

学校读者我要写书评

暂无评论

lstm神经网络拾取地震P波到时

引用

地震 2023年第4期43卷 67-75页

作者：吴为治汪小厉何泽平安徽省勘查技术院安徽合肥230041 安徽省地震局安徽合肥230031

震相到时拾取是地震学的一个基础问题,本文针对该问题发展了地震P波到时自动拾取的lstm神经网络方法。该方法将到时问题转化成到时标签化后的概率问题,建立了一个4层网络模型,利用朝鲜核爆地震垂向数据进行了模型的训练,成功对后续核爆... 详细信息

震相到时拾取是地震学的一个基础问题,本文针对该问题发展了地震P波到时自动拾取的lstm神经网络方法。该方法将到时问题转化成到时标签化后的概率问题,建立了一个4层网络模型,利用朝鲜核爆地震垂向数据进行了模型的训练,成功对后续核爆地震P波到时做出准确的拾取,且该方法对一定信噪比的数据仍具有一定适应性。通过对添加不同程度噪声的随机截取的输入数据进行可靠性分析,结果表明需要输入P波之后10s以上的波形才能有稳定的拾取结果。该方法作为一种人工智能的方法,为波形到时自动拾取提供了新的方法。

关键词： lstm神经网络震相到时拾取核爆地震

来源：评论

学校读者我要写书评

暂无评论

基于lstm神经网络的行业资产配置模型

引用

系统工程理论与实践 2021年第8期41卷 2045-2055页

作者：李宗铭房勇中国科学院数学与系统科学研究院北京100190 中国科学院大学经济与管理学院北京100190

近年来我国金融市场的迅猛发展,为投资者提供便利的同时也带来了挑战,如何有效地进行资产配置是投资者需要解决的难题之一.Black-Litterman模型不仅解决了传统均值方差模型对参数敏感的问题,而且允许投资者在模型中加入投资观点,是备受... 详细信息

近年来我国金融市场的迅猛发展,为投资者提供便利的同时也带来了挑战,如何有效地进行资产配置是投资者需要解决的难题之一.Black-Litterman模型不仅解决了传统均值方差模型对参数敏感的问题,而且允许投资者在模型中加入投资观点,是备受关注的资产配置模型.然而,投资者可能会因为自身经验不足而无法给出合适的投资观点,无法发挥模型的应用价值.本文采用基于长短期记忆(lstm)神经网络表达量化观点的方式为投资者提供了一种解决方案.作为数值算例,本文以申万一级行业指数作为资产池构建投资组合,算例结果表明,与其他参照模型的表现相比,本文构建的资产配置模型有更高的夏普比率和年化收益率.

关键词：行业资产配置 lstm神经网络 Black-Litterman模型

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：