长短期记忆神经网络
长短期记忆神经网络的相关文献在2016年到2022年内共计436篇,主要集中在自动化技术、计算机技术、电工技术、石油、天然气工业
等领域,其中期刊论文335篇、会议论文6篇、专利文献388498篇;相关期刊230种,包括科学技术与工程、中国石油大学学报(自然科学版)、石油勘探与开发等;
相关会议6种,包括信息系统协会中国分会第七届学术年会、2019电力行业信息化年会 、中国环境科学学会2020科学技术年会等;长短期记忆神经网络的相关文献由1548位作者贡献,包括李静、周长星、尹玲等。
长短期记忆神经网络—发文量
专利文献>
论文:388498篇
占比:99.91%
总计:388839篇
长短期记忆神经网络
-研究学者
- 李静
- 周长星
- 尹玲
- 李增良
- 沈澄泓
- 丁恩松
- 刘国静
- 刘思含
- 史永胜
- 史静
- 周鹏
- 施梦琢
- 李冰洁
- 李琥
- 欧阳
- 洪元涛
- 王兴
- 谈健
- 马千里
- 万忠赫
- 严珂
- 乔俊飞
- 乔雪婧
- 于伟强
- 于浩
- 付保川
- 何刚
- 何家峰
- 余运俊
- 僧德文
- 党池恒
- 刘侃
- 刘凯
- 刘巍
- 刘志君
- 刘恩彤
- 刘文正
- 刘旭丽
- 刘明哲
- 刘月田
- 刘秀磊
- 刘艳
- 卢星星
- 卫星辰
- 史健婷
- 史殿习
- 吴丽君
- 吴丽平
- 吴哲
- 吴广宁
-
-
姜雄;
黄文培
-
-
摘要:
分析了目前对域名系统(Domain Name System,DNS)隐蔽信道的各种检测方法和DNS隐蔽信道报文与DNS常规报文之间的区别,针对目前的检测方法需要手动设定大量特征和需要区分查询与应答报文的不足,提出了基于卷积神经网络和基于长短期记忆神经网络的两种检测方法。通过对真实校园网DNS流量与黑客工具产生的DNS隐蔽信道流量进行实验,结果表明,两种神经网络方法都能自动对DNS隐蔽信道数据进行提取特征并判别,且检测性能的全面性和准确率相比传统方法有所提升。
-
-
吴晗;
黄玲;
刘立龙;
黄良珂;
章红平
-
-
摘要:
针对电离层总电子含量(TEC)时间序列具有高噪声、非线性和非平稳的特性,在奇异谱分析基础上,融合长短期记忆神经网络模型构建短期电离层组合预报改进模型,并对磁暴期、磁平静期的电离层TEC预报精度进行分析。结果表明,在磁暴期和磁平静期,该模型预报3 d的TEC相对精度分别为91.17%和95.46%,比单一LSTM模型分别提高4.92百分点和3.17百分点。
-
-
周泓岑;
白恒;
才振功;
蔡亮;
顾静;
汤志敏
-
-
摘要:
为了实现容器配额设置自动化和集群资源利用最大化,本文设计了一种容器配额优化算法.本文在长短期记忆(Long Short-Term Memory,LSTM)神经网络和广义回归神经网络(Generalized Regression Neural Network,GRNN)的基础上设计了深度神经网络(Long short-term memory and GRNN Network,LGN),并使用改进量子粒子群算法优选网络结构超参数,以实现自动调参和更快的收敛速度.容器配额优化算法步骤如下:首先根据历史数据使用LGN训练资源容量模型,然后使用改进的量子粒子群算法优化模型参数,最后使用资源容量模型计算容器配额.通过与谷歌容器垂直自动扩展器(Vertical Pod Autoscaler,VPA)和水平自动扩展器(Horizontal Pod Autoscaler,HPA)生成的配额进行对比发现,本文提出的优化算法较VPA和HPA降低了至少10%的资源分配总量,同时提升了至少6%的资源利用率.
-
-
吕忻;
丁骏
-
-
摘要:
引入长短期记忆神经网络(LSTM)深度学习先进算法,通过3折滑动时间序列交叉验证结合网格搜索方法确定最佳参数,构建了吴淞口潮位预报订正深度学习模型。结合风、压气象参数,对调和分析的预报潮位进行订正,得到更为准确的订正潮位,并与非线性自回归动态神经网络(NARX)浅层学习预报订正结果对比。结果表明:120 h预报潮位经LSTM模型订正后的均方根误差为0.102 m,平均绝对误差为0.084 m,订正后误差降低了52.8%;前72 h预报潮位经LSTM模型订正后误差降低了57.3%。对比发现,LSTM模型在短期和中长期潮位预报订正中均有较好表现,NARX模型在短期预报订正中表现出色。“海神”台风风暴潮过程期间,120 h、前72 h和“主振”48 h特征时段预报潮位经LSTM模型订正后,均方根误差为0.114~0.119 m,平均绝对误差为0.100~0.102 m。
-
-
刘旭丽;
莫毓昌;
吴哲;
严珂
-
-
摘要:
太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定。准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性。提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional neural network,CNN)和长短期记忆神经网络(long short-term memory,LSTM)的新型域融合深度模型(DWT-CNN-LSTM),以准确地完成预测。提出的模型具有两个通道:原始通道和DWT通道。CNN分别从原始通道和DWT通道提取时域和频域特征,LSTM则用以挖掘具有长期依赖性的特征,从而形成具有长期依赖性的时域和频域的融合特征,可用于功率预测。
-
-
彭涛;
郑传锟;
张自力;
刘军平;
胡新荣;
何儒汉
-
-
摘要:
语音情感识别在人机交互中有重要的作用。在语音情感识别领域中,通常使用迁移学习解决语音情感数据难获取的问题,但忽略了语音数据的时序信息和空间信息。考虑到AlexNet网络中的参数来自图像数据集,不能完全表现语音数据的空间信息,并且不包含时序信息,因此提出通过膨胀卷积网络提取语音频谱图的空间信息,添加双向长短期记忆神经网络提取时序信息,并进行时空特征融合;针对语音中含有大量与情感无关的特征,通过将对数梅尔频谱图的三个通道作为输入,减少情感无关因素的影响,并添加注意力机制,选取情感权重大的时域信号。用公开数据集实验证明了方法的有效性,在WAR和UAR上都有提升。
-
-
-
陈良;
毕晓英;
周新志
-
-
摘要:
准确可靠的径流预报在水资源的优化管理中发挥着越来越重要的作用。为了提高预测精度,提出了一种神经网络模型,来进行日径流预报。此模型将经验模态分解(EMD)方法、注意力机制、BiLSTM神经网络相结合,并且对输入数据采用了插值方法来提升精确度。EMD方法能够将非稳态非线性的径流时间序列分解成多组本征模态分量和趋势项,实现输入时间序列的稳态化,再经过注意力机制赋予时间序列不同关注度,然后通过BiLSTM分别预测再重构。将该模型应用于四川省宣汉县的清溪河站点的每日径流数据上,与另外三种神经网络模型即LSTM、ATT-LSTM和ATT-BiLSTM模型进行对比,其结果证实了该模型的优越性。结果表明,提出的组合模型具有更好的性能,其纳什效率系数为0.957,平均绝对误差为1.73,均方根误差为2.88。因此,EMD-ATT-BiLSTM模型是一种可行的日径流预报方法。
-
-
张心宇;
刘源;
宋佳凝
-
-
摘要:
针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题,提出一种基于误差数据驱动的神经网络轨道预报方法。该方法在解析法动力学模型的基础上,使用长短期记忆神经网络对历史轨道预报的误差进行学习,预测未来短期动力学模型的预报误差,以此对预报结果进行修正。选用Ajisai卫星轨道数据和SGP4(simplified general perturbations)动力学模型对所提模型的有效性和性能进行仿真验证。实验结果表明,所提方法对地心惯性坐标系下3个轴一天的预报误差分别下降到原来的16.87%、17.66%、19.58%,显著提升了轨道预报精度。
-
-
金宇悦;
康健;
陈永杰
-
-
摘要:
风力发电的随机性和不可控性,给发电控制环节造成控制负担,利用不同高度的风速、风向等气候因素对风力发电数据进行准确预测,有利于制定合理的调度计划。本文使用LSTM循环神经网络算法,实现了单变量预测未来一个时间点、多变量预测未来一个时间点的风电预测实例验证,实验结果发现算法在两种情况下均保持着高的预测精度。且由于单变量和多变量两种情况下预测误差相差不大,表明在实际风电预测中在多变量数据里风速本身仍起决定性作用。
-
-
梁泽华;
刘亚平;
胡宏昌
- 《中国环境科学学会2020科学技术年会》
| 2020年
-
摘要:
本研究旨在通过长短期记忆神经网络(LSTM)对地下水位进行模拟和预测.使用了气温、降水量、蒸发量作为变量,采用了保定市境内21个测站逐月的地下水位数据进行建模.此外,对于每一个测站,把邻近测站的地下水位也作为变量输入,以体现空间上的相互影响.结果表明,一半以上测站的R2都达到了0.8以上,并且R2值的大小与测站的分布相关.并且所有数据的R2值达到了0.988.这表明LSTM网络可以准确地模拟出地下水位的时间分布,并且可以表达出其在空间上的相互影响.
-
-
刘月灿;
孙建刚;
周逸;
张晓亮;
丁雪伟;
李伟良
- 《2019电力行业信息化年会》
| 2019年
-
摘要:
为适应泛在电力物联网建设的需要,数据的深度感知成为当前亟需解决的问题.负荷预测作为电网企业的基础问题,对负荷进行精准预测成为建设泛在电力物联网的依托.随着现代电力设备的普及和深度学习算法的研究深入,电网对于负荷相关数据的获取和掌握更加方便,可借助深度学习算法进行更加准确的预测.提出采用经验模态分解算法对负荷数据进行分解,随后基于长短期记忆神经网络对分解后的各分量进行预测并加和,最后对提出的模型进行了实验验证.
-
-
Zhang Weiwei;
张威威;
Li Ruimin;
李瑞敏;
Xie Zhongjiao;
谢中教
- 《2017中国仿真大会》
| 2017年
-
摘要:
城市道路旅行时间预测是城市智能交通系统的重要支撑.选择深度学习中的四种长短期记忆神经网络(Long Short-Term Memory,LSTM)架构进行道路旅行时间的预测.固定LSTM隐藏层的节点数以确定模型的最佳输入长度;固定模型的输入长度,分别测试在不同的隐藏层节点数和考虑空间相关性的条件下四种LSTM模型的预测性能;将空间LSTM模型与传统BP(Back Propagation)神经网络等四种模型进行了对比和分析.结果表明相对于其他四种模型,考虑空间相关性的LSTM模型具有更好的拟合和训练能力.
-
-
-
-
-
-
-