您现在的位置: 首页> 研究主题> LSTM神经网络

LSTM神经网络

LSTM神经网络的相关文献在2016年到2023年内共计443篇,主要集中在自动化技术、计算机技术、电工技术、无线电电子学、电信技术 等领域,其中期刊论文216篇、专利文献367543篇;相关期刊165种,包括人天科学研究、旅游研究、中国电化教育等; LSTM神经网络的相关文献由1620位作者贡献,包括陈云霁、万定生、刘勇等。

LSTM神经网络—发文量

期刊论文>

论文:216 占比:0.06%

专利文献>

论文:367543 占比:99.94%

总计:367759篇

LSTM神经网络—发文趋势图

LSTM神经网络

-研究学者

  • 陈云霁
  • 万定生
  • 刘勇
  • 刘少礼
  • 张东冉
  • 方涛
  • 施佺
  • 曹阳
  • 温惠英
  • 王磊
  • 期刊论文
  • 专利文献

搜索

排序:

年份

    • 刘刚; 韦向忠; 金心竹
    • 摘要: 提出了将LSTM神经网络作为基础的光伏发电功率预测方法,在天气类型为晴朗天气的时候具有良好的预测结果,和传统方法对比精度提升13%左右。
    • 李红霞; 吴雪菲; 谢谦
    • 摘要: 针对瓦斯涌出预测及风险评估过程时使用方法单一的问题,文章提出一种基于LSTM的综采工作面瓦斯涌出预测及风险评估方法。首先采用拉依达准则和拉格朗日插值法对原始的瓦斯浓度数据进行异常值和缺失值处理,其次选取均方误差作为模型的评价指标,利用适应性矩估计优化算法通过一阶偏差、二阶偏差校正对模型中的参数进行优化,最终通过训练建立LSTM的煤矿工作面瓦斯浓度预测模型。结果表明:以某矿综采工作面监测数据为例,利用“3σ”准则实现瓦斯爆炸风险等级划分,分别采用SVM支持向量机、BP神经网络和LSTM神经网络对瓦斯爆炸风险等级进行评估,通过对比3种模型的训练误差和预测值发现LSTM神经网络的风险评估误差较小,预测值准确度更高,具有更好的实用价值。
    • 韩中美; 田甜; 何涛; 黄昌勤
    • 摘要: 同伴互动是在线学习环境下学习者知识构建的关键,也是提升在线学习效果的重要途径之一。自我调节学习可以影响学习者的学习行为,而同伴互动作为学习行为的一种,同样可以被其影响,由于当前缺乏对在线学习过程数据的全面挖掘并量化自我调节学习和同伴互动,导致两者之间具体关系仍然有待深入探究。该文通过采集学习者的日志数据和讨论文本数据,首先采用两阶段聚类法量化自我调节学习水平,然后通过社会网络分析、社会认知网络分析和LSTM方法全方位挖掘和量化同伴互动水平的行为水平、认知水平和情感状态三个维度,最后进一步分析自我调节学习水平和同伴互动水平不同维度之间的关联关系。结果显示,在线学习过程中大多数学习者还不具备高水平自我调节学习能力,而且同伴互动也更多停留在浅层的行为层面;在线学习过程中学习者互动时的认知结构会受到教师发布学习主题的影响;在线学习过程中学习者的自我调节学习水平对同伴互动水平有显著正向影响。
    • 陈秋阳; 郭树行
    • 摘要: 文章使用层次结构模型,以利润质量为目标层提出三级指标体系,构建对利润质量各项具体能力要求都能做出解释的指标库。除常规报表数据比率外,同比环比等派生指标也被纳入指标库,实现对当期报表、往期报表、行业公开数据的充分利用,得到一种结果可靠、有针对性、便于改进的指标分析模型。文章同时描述了指标体系模型的具体应用流程,采用深度学习长短期记忆(LSTM)神经网络算法进行指标权重的确定,降低主观性影响,得到能够解决现实问题、可持续演化的利润质量指标评价预测模型。
    • 孙景钌; 胡长洪; 项烨鋆; 赵碚; 刘津源; 陈梦翔; 蔡昌春
    • 摘要: 精准、高效的短期负荷预测是电力系统运行与调度的基础,负荷-气象因素的强耦合关系使得负荷预测过程中必须考虑气象因素。首先从影响电力负荷波动的气象因素出发,分析负荷样本数据的气象因素相关性,通过构造多核模糊C均值聚类函数实现负荷、气象数据的低维非线性至高维线性空间映射,完成基于负荷影响因素的聚类划分,获得强相关气象因素。接着,在传统LSTM(长短期记忆)神经网络中引入反馈环节,融合前向和反向计算机制消除LSTM训练过程的累计误差,构建基于深度学习的多层堆叠模式并应用于负荷预测中。然后,以历史负荷数据的聚类结果为训练样本,深度挖掘负荷-气象因素的耦合特征,从而提高负荷预测精度。最后,通过实际运行数据验证提出方法的合理性和准确性。
    • 郭家
    • 摘要: 机械钻速(ROP)是反映钻井效率和工程风险的一个重要参数,对于高度非线性的钻井系统,传统的钻速方程和全连接神经网络计算的方法无法全面考虑影响ROP的工程因素,应用时间序列技术的LSTM神经网络方法构建机械钻速预测模型,通过优化LSTM网络结构和预测长度提高模型预测精确度,研究发现ROP预测范围在10m以内较为准确,以模型误差的高斯分布为参考提出机械钻速异常值检测的方法。
    • 崔玉洁; 杨友德; 郑婉婷; 成再强; 陈天生; 林晓芳
    • 摘要: 水华的暴发是浮游植物在适宜的水文、气象及营养盐条件下大量增殖并聚集的过程,深入探索水华暴发与相应环境因子关系可为水华风险预警提供依据。以福建省龙岩市棉花滩水库连续两年的水文、气象和水质水生态监测数据为基础,分析该水库浮游植物群落演替规律,并建立了LSTM人工神经网络模型开展水华风险预警。结果表明:棉花滩浮游植物样品中共发现6门63属,主要优势藻种为小环藻、针杆藻、小球藻、衣藻;当以日均气温、水温、风向、入库流量作为输入变量时,监测方式最为简便且输出结果最优,预测值与实测值拟合度为0.76,水华高风险时段,相对误差在0.02~0.73范围内,且模型稳定性较好。该模型有望用于棉花滩水库水华预警,为优化当地水资源管理提供手段。
    • 尹春杰; 肖发达; 李鹏飞; 赵钦
    • 摘要: 针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。
    • 李奂其; 王天龙; 罗婷
    • 摘要: 海上风电作为一种重要的新能源,准确的海上风电机组功率预测有利于电力系统的安全稳定运行。本文从数值天气预报(NWP)获得风速、风向、温度等自然条件的数据,使用Mean Shift聚类法和LSTM神经网络模型进行瞬时风功率的预测,通过该方法能有效地减少数据的处理量,精确地预测海上风电机组功率。
    • 次必聪; 张品一
    • 摘要: 对金融时间序列的精准预测是经济政策制定者以及投资者关注的重点。文章选用道琼斯工业指数、上海证券综合指数以及伦敦金价格指数作为金融时间序列的代表,以非线性组合的方式,构造了一种新的ARIMA-LSTM组合模型,对三种金融时间序列进行预测,并将ARIMA模型、LSTM模型和线性组合模型作为对照模型,比较不同模型预测的准确性。实证结果表明,所构建的非线性组合预测模型较对照组的单一预测模型和线性组合预测模型均存在普遍的优势。在短期、中期和长期三个预测区间内,非线性组合模型相较于对照组模型的优势随着预测区间的变长而扩大。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号