基于多传感器-深度长短时记忆网络融合的瓦斯浓度预测研究

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM(long short-term memory,长短时记忆)网络的多传感器瓦斯浓度预测模型,首先利用Pearson(皮尔逊)相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其...     

基于SSA-LSTM的瓦斯浓度预测模型

为了更好地捕捉瓦斯浓度的时变规律及有效信息,实现对采煤工作面瓦斯浓度的精准预测,采用麻雀搜索算法（SSA）优化长短期记忆(LSTM)网络,提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理,再进行归一化和小波阈值降噪;对比测试了SSA与灰狼优化(GWO)算法、粒子群优化（PSO）算法的性能差异,验证了SSA在寻优精度、收敛速度和适应能力等方面的优势;利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优,以此来提高全局寻优能力,避免预测模型陷入局部最优;将得到的最佳超参数组合代入LSTM网络模型中,输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较,实验结果表明：基于SSA-LSTM的瓦斯浓度预测模型的均方根误差（RMSE）较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%;平均绝对误差（MAE）分别减少了83.9%,37.8%,70%,采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高...     

基于深度LSTM网络的多传感器瓦斯浓度预测模型研究

为充分利用井下多传感器数据源中的有效信息进一步提升井下瓦斯浓度预测模型的预测性能,提出建立一种基于深度LSTM（long short-term memory,长短时记忆）网络的多传感器瓦斯浓度预测模型。首先利用Pearson相关系数法筛选出与瓦斯浓度强关联变量作为模型输入参数,降低输入数据规模与复杂度,并对其进行多变量相空间重构,利用随机搜索算法对LSTM网络超参数进行自动寻优,建立参数最优的多传感器时间序列动态时序预测模型。算例研究表明,相较于常用的时序建模预测算法,所提方法能够更好的追踪瓦斯浓度变化趋势并在单步及多步滚动预测方面,依然具有较好的预测性能。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能，提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先，利用Halton序列建立初始种群，保证种群在初始阶段具有均匀分布和较高多样性；然后，通过差分变异算子引导种群变异，促进种群向优势个体移动同时进行更大范围寻优；最后，利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力，提高优化效率及解集质量。选取7个典型函数进行实验测试，并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明，该算法避免了其他四种算法的局部最优问题，明显提高了解集分布均匀性和分布广度，具有更好的收敛精度和稳定性。     

基于多策略融合的混合多目标蝗虫优化算法

为提高蝗虫优化算法（GOA）求解多目标问题的性能,提出一种基于多策略融合的混合多目标蝗虫优化算法（HMOGOA）。首先,利用Halton序列建立初始种群,保证种群在初始阶段具有均匀分布和较高多样性;然后,通过差分变异算子引导种群变异,促进种群向优势个体移动同时进行更大范围寻优;最后,利用自适应权重因子根据种群优化情况动态调整算法全局搜索和局部寻优能力,提高优化效率及解集质量。选取7个典型函数进行实验测试,并将HMOGOA与多目标蝗虫优化、多目标粒子群（MOPSO）、基于分解的多目标进化（MOEA/D）及非支配排序遗传算法（NSGA Ⅱ）对比分析。实验结果表明,该算法避免了其他四种算法的局部最优问题,明显提高了解集分布均匀性和分布广度,具有更好的收敛精度和稳定性。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

基于多目标蝗虫优化算法的移动机器人路径规划

在静态多障碍物环境下的移动机器人路径规划问题中，粒子群算法存在容易产生早熟收敛和局部寻优能力较差等缺点，导致机器人路径规划精度低。为此，提出一种多目标蝗虫优化算法（MOGOA）来解决这一问题。根据移动机器人路径规划要求将路径长度、平滑度和安全性作为路径优化的目标，建立相应的多目标优化问题的数学模型。在种群的搜索过程中，引入曲线自适应策略以提高算法收敛速度，并使用Pareto最优准则来解决三个目标之间的共存问题。实验结果表明：所提出的算法在解决上述问题中寻找到的路径更短，表现出更好的收敛性。该算法与多目标粒子群（MOPSO）算法相比路径长度减少了约2.01%，搜索到最小路径的迭代次数减少了约19.34%。     

基于改进的蝗虫优化算法的红细胞供应预测方法

当前国内"血荒"问题比较严峻,血站与用血单位之间存在着血液供不应求的现象。针对这个问题,提出了一种基于改进的蝗虫优化算法的LSTM预测方法,用于对未来的红细胞供应情况进行预测,为血站工作人员在制定采血计划以及制备计划时提供有效的指导。该预测模型通过使用长短期记忆网络(Long-Short Term Memory Network,LSTM)来捕捉历史红细胞库存数据之间的潜在规律,以达到对未来的供应情况进行预测的效果。首先,针对蝗虫优化算法容易陷入局部最优、收敛速度较慢的问题,通过加入基于折射原理的反向学习机制与混沌映射,加快蝗虫优化算法的收敛速度,使其具备更强的搜索能力。其次,为提高LSTM的预测性能,将改进的蝗虫优化算法与LSTM相结合,并使用某地区的红细胞库存真实数据作为实验数据,用于验证改进的LSTM预测模型的性能。与标准LSTM相比,所提方法的MAE,MAPE,RMSE分别降低了39.827 8,1.10%,55.819 1。实验结果证明,提出的方法具有较高的可靠性。     

基于LSTM神经网络的声发射信号识别研究

声发射检测不需要进入被检对象中进行检测,与其他无损检测技术相比具有实时性、整体性和高灵敏度等独特优势.早期参数分析、小波分析等方法在声发射信号特征提取上缺乏理论指导,具有一定主观性,BP神经网络应用于声发射信号识别中时网络训练容易陷入局部极值,LSTM神经网络可以对输入序列数据进行逐层学习并自适应提取特征,避免了特征的人工选择和提取,较好地解决了存在的问题.文中提出一种基于LSTM的声发射信号识别模型,在声发射信号z-score标准化基础上,对比不同学习算法、隐层神经元数、正则化dropout rate下的测试集正确识别率,优化声发射信号识别模型,与BP神经网络的声发射信号识别准确率进行对比,实验结果表明,LSTM神经网络在Adam算法中,当隐层神经元数为250,dropout rate为0.5时,声发射信号识别率最高且为76.51％,优于BP神经网络53.9％的最高识别率.     

基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

基于LSTM网络的卫星寿命预测研究

针对卫星寿命预测的需求和以往方法退化失效的不足,提出了基于长短时记忆网络(Long Short-Term Memory)进行卫星寿命预测的方法.针对卫星系统中锂电池充放电次数增加,导致电池性能衰退的特性.对电池进行衰退分析,选取等压降时间序列数据作为数据集,对电池每次充放电的使用时间进行特征提取,并对数据进行规范化处理,在不同细胞长度及层数的长短时记忆网络模型中进行训练和测试,选取最合适的网络结构,实验表明使用长短时记忆网络模型计算复杂度小,预测准确率高.     

用遗传算法改进的BP神经网络剪枝算法来优化决策树模型

决策树是一种有效的分类方法,但在构建决策树模型的过程中,常常会出现模型过度拟合的现象。利用基于BP神经网络的决策树剪枝算法(BP-Pruning)进行软剪枝处理,然后根据BP-Pruning的一些不足,提出一种改进算法,简称GBP-Pruning算法。该算法通过引入遗传算法来训练BP-Pruning算法模型中的权值和阈值,从而克服了BP-Pruning算法上的不足,最后验证了GBP-Pruning算法的可行性。     

小波消噪的神经网络短时交通流量预测模型

研究短交通流量预测问题,短时交通流量数据中含有大量噪声,对预测精度产生不利影响,为了提高短交通流量预测精度,提出一种小波消噪的神经网络短时交通流量预测模型。首先采用小波技术对短时交通流量数据进行消噪处理,然后采用关联维数确定BP神经网络输入变量个数,最后采用BP神经网络建立短时交通流量预测模型。仿真结果表明,与消噪前比,消噪后模型的预测精度有了较显著提高,其预测误差远远小于消噪前,预测结果更具实用价格。     

基于神经网络的时延预测算法研究

网络控制系统由于时延的存在,其稳定性通常难以保证,一般要求控制器能够准确预知系统的时延 值.网络形式的不同..时延的变化具有规律性或无序性.针对网络时延变化的不同情况,提出了利用线性神经网络和 RBF径向基函数网络技术对时延进行预测.通过对二者预测仿真结果的对比分析,得出了其各自进行时延预测的 适用条件.     

基于改进遗传算法优化BP神经网络的土壤湿度预测模型

我国是农业大国,在进行农业生产过程中,对土壤的湿度进行精准预测具有非常重要的意义.针对传统BP(back propagation)神经网络在预测过程中会出现局部最小化以及收敛速度慢的问题,本文将改进的遗传算法(genetic algorithm)应用到传统BP神经网络模型当中,提出了一种自适应遗传算法优化BP神经网络的...     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

基于遗传算法的模糊神经网络公交到站时间预测模型研究

公交到站时间的预测受到诸多因素的影响,各种因素对预测准确度不可度量,很难采用传统数学模型进行建模解决。采用基于遗传算法的模糊神经网络模型对公交到站时间进行预测,该模型将遗传算法和模糊推理系统融入多层前馈神经网络中,并通过模糊规则的隶属度进行初始化与更新网络各个参数初始值,同时利用多子群自适应遗传算法进行宏观搜索,提高整个网络的寻优能力。模型以成都市某线路公交运行时间预测为例对其进行了模拟仿真,仿真结果表明基于遗传算法的模糊神经网络公交到站时间预测模型具有较高的准确性与可靠性。