长短期记忆

摘要： 随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。

摘要： 社交媒体作为人们表达情感提供了一种简单的方式,人们利用这些平台来展示他们对某事的喜欢或不喜欢和他们对情况的感受等等。在自然语言处理中,情感识别和分类是一个常见的研究任务,其中一个模型可以检测这些类型的情感。由于缺乏数据,对于印度语言来说是相当具有挑战性的,而且作为一个多语言社会,人们往往在社交媒体上使用代码混合模式。在文章中,为分析这些数据,创建一个12000条来自不同来源的印地语-英语代码混合文本的数据集,并用快乐、悲伤和愤怒的情绪对其进行注释。使用预先训练的双语模型来生成特征向量,并使用深度神经网络作为分类模型。CNN-BiLSTM的分类准确率为83.21%,优于其他实验模型。

摘要： 当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题。针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测。文中采用西安交通大学的轴承数据集进行实验对比,结果表明,相比共振解调法,采用本方法在单一故障数据的健康度评估中,健康度曲线的单调性、鲁棒性和趋势性综合评价指标分别提升了12%、24.8%和5%;在复合故障数据的健康度评估中,综合评价指标提升了15.1%;并根据健康度评估曲线实现了剩余使用寿命预测,证明了该方法在健康度评估和剩余寿命预测方面的有效性。

摘要： 大量非线性负荷接入配电网导致电能质量问题日益严重,非线性负荷建模的精确性在一定程度上影响配电网谐波潮流计算和电能质量分析。考虑到非线性负荷在复杂运行条件下难以采用机理动态模型描述,以及基于预测方法的建模难以避免误差,构建双层循环神经网络模型,包含循环神经网络的初步功率预测层和误差修正层,初步功率预测层根据负荷功率和电压等训练样本,预测得到下一时刻的负荷功率;误差修正层根据前一层初步预测功率与量测功率的偏差,对下一时刻预测功率进行反馈修正。电压波动在一定程度上影响负荷功率变化,采用STL算法对电压进行时序分解,通过设置残差分量阈值来判断是否激活误差修正层。算例验证表明,所提建模方法较好地实现非线性负荷的拟合,同时能够避免电压波动较大时的建模精度下降。

摘要： 结合自动编码器的特征提取能力与长短期记忆(LSTM)良好的时序预测优势,提出一种基于LSTM自编码的短期负荷预测模型。首先,基于深度模型学习能力优势,构建自动编码器的工业园区负荷数据特征提取模型。其次,给出基于格布拉斯准则的异常值判断方法和拉格朗日样条插值的缺失值补全法。最后,利用Tensorflow架构调用Keras库搭建实验平台,对轻工业负荷、重工业负荷和光伏发电工业用户负荷分别展开预测实验,实验结果验证LSTM自编码模型预测短期工业负荷的有效性。

摘要： 在复杂电磁环境背景下,针对非合作无线网络的频谱态势预测问题展开研究。借助机器学习理论,提取已侦测到频谱态势数据的时、空、频三维特性,并充分挖掘其三维特征内在的相关性,构建有针对性的频谱预测框架,从而有效预判非合作方通信节点的频率调整行为。相关研究结果表明,当非合作无线网络通信过程中存在频率调整行为时,只要能够截获足够的频谱数据,利用开发的频谱预测框架对未来时刻的频率调整行为有效地进行单步或多步预测,就可实现对目标系统未来可能使用的工作频率的精准锁定。精确地瞄准锁定目标系统未来可能使用的工作频率,可为后续通信跟踪及干扰等任务提供关键的技术支持。

摘要： 计算机视觉技术使得人类手势识别在工业应用中发挥了重要作用,如人机交互等.该方法提出了一种基于手工提取特征的动态手势分割和分类方法,这些特征是从Kinetic传感器提供的骨架数据中提取出来的.其中,手势检测模块依赖于前馈神经网络,该神经网络执行逐帧的二分类.手势识别方法采用滑动窗口的方式从空间和时间维度提取信息.然后,本文组合不同持续时间的窗口,以获得多时间尺度方法所带来的性能增益.受递归神经网络最近在时间序列领域验证成功的启发,该方法还提出了一种基于双向长短期记忆单元来同时进行手势分割和分类的方法,该方法具有在长时间尺度上学习时间关系的能力.所提方法评估了2014年ChaLearn Looking at People挑战赛数据集,并与其他不同方法进行对比,该方法的性能几乎与最先进的技术相匹配.最后,该方法识别出的手势可以应用于与协作机器人进行交互.

摘要： 针对短期电力负荷数据的复杂性和多样性,提出一种含Attention的双向LSTM预测方法,简称Bi-LSTM-AT。该方法将电力负荷历史数据作为输入且考虑温度、湿度和日期类型因素的影响。通过建模学习构建网络模型,挖掘网络特征内部变化规律,通过映射加权和学习参数矩阵赋予Bi-LSTM-AT网络隐含状态相应的权重。同时,针对该模型超参数选择困难的问题,提出利用改进麻雀算法实现该模型超参数的优化选择,使得全年最后两天预测值的MAPE为0.42%、RMSE为0.29%和MAE为0.21%,验证了模型线性回归拟合能力的准确性和稳定性。

摘要： 针对老年人跌倒后不能得到及时救助带来的伤害,研究跌倒检测算法和及时告警,可以减轻跌倒给老年人带来的严重危害和后果。为了提高跌倒检测精确度和实时性,本文提出基于双向长短期记忆神经网络的可穿戴跌倒检测算法,该算法可以对输入的数据(取自惯性传感器)自动提取跌倒行为内部更深层的数据特征,实现数据从预处理到检测结果的过程处理。算法模型通过神经网络提取加速度传感器的特征向量,并利用双向长短期记忆神经网络进行跌倒检测。通过跌倒公开数据集SisFall验证算法模型,结果表明该算法在SisFall实验数据集上具备较高的检测精度,满足准实时检测要求,具有较好的实用性和较强的泛化能力。

摘要： 循环神经网络(Recurrent Neural Network,RNN)具有记忆特性,在自然语言处理领域中具有很广阔的应用。RNN及其变体网络已经被成功地应用于许多任务,特别是当数据中具有某些时间依赖性的时候。但是,由于RNN往往无法训练,多次循环以后,多数情况下梯度基本接近于消失,仅较少概率会发生梯度爆炸。针对RNN在实践中遇到的困难,出现了长短期记忆(Long Short-Term Memory,LSTM)网络,它因为可以保持信息的持久保存而受到广泛重视,针对LSTM结构的改造工作也相继发生,于是产生门控循环单元(Gated Recurrent Unit,GRU)。对RNN常见变体作了介绍,并以机器翻译为例,采用seq2seq模型,分别来验证RNN、GRU和它们加注意力机制后的性能,在Multi30k数据集上的实验结果证明,GRU性能优于RNN,加入注意力机制后的RNN模型和GRU模型在性能上优于原始RNN模型和GRU模型。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于长短期记忆网络的风电功率短期预测方法，包括长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计。本发明从深度学习网络出发，建立基于长短期记忆网络算法(LSTM)风电功率预测模型，以高斯混合模型(GMM)分析短期风电功率预测的误差分布特点。本发明通过GMM模型可以得到二台机组不同的置信区间。证明了LSTM方法具有更高的精确度和更快的收敛速度，GMM方法对于风电调度具有实际应用价值。

摘要： 本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法，根据历史数据生成输入变量，以所对应的风功率历史数据作为输出，得到训练样本；采用小波分析方法对训练样本进行三级小波分解，得到四个小波样本，利用长短期记忆网络模型对四个小波样本分别进行训练，得到训练后的小波长短期记忆网络预测模型；根据四个小波样本的待预测时刻的实际数据生成测试输入数据，并输入到预测模型，其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合，可以同时实现数据的平稳化处理与深度学习，提高了预测的精度，增强了模型的泛化能力。

摘要： 本发明提供一种基于长短期记忆神经网络(Long Short‑TermMemory，LSTM)的规模风电超短期功率预测误差修正方法，包括：首先利用改进的核密度估计得出误差的概率密度曲线；其次，采用LSTM对预测误差数据进行深度学习，以风电的预测误差为输入，以下一时刻的误差为输出，得到误差的预测值；最后，根据粒子群算法得到合适的置信区间对误差进行合理分层，根据分层区间和误差预测值，结合风电预测误差的时序特征，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明公开了一种基于改进长短期记忆神经网络的短期光伏发电预测方法，该方法对短期光伏发电预测需要数据进行数据分析得到训练数据集；构建长短期记忆神经网络，并将训练数据集输入长短期记忆神经网络进行训练；采用麻雀算法优化长短期记忆神经网络参数，得到优化后的长短期记忆神经网络，优化后的长短期记忆神经网络输出短期光伏发电功率预测值。即通过历史多维度、多时间尺度、高关联的数据进行短期光伏发电功率预测，从而缓解配电网中光伏发电的不确定性；采用麻雀算法优化长短期记忆神经网络参数，进一步提高预测效果。通过本发明的实施，能够较好的利用气象数据并提高短期光伏功率的预测精度，实现电网的经济和稳定运行。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

摘要： 本发明涉及一种基于长短期记忆网络的光伏发电功率短期预测方法，包括:使用Pearson相关系数确定与发电功率高度相关的天气数据特征，使用LSTM网络模型建立了输入天气数据特征与输出发电功率之间的非线性关系，并捕捉了时间序列的相关性，针对季节和天气类型划分原始输入数据集，提高模型预测精度，对基于季节和天气类型的LSTM模型预测结果进行线性拟合处理，进一步提高模型预测的准确度。