基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean ...     

覆冰导线脱冰特性的研究

针对导线覆冰脱冰引起的舞动问题,采用模拟实验与有限元数值计算相结合的方法,研究导线脱冰舞动的时间响应。由两端固定支座的钢丝绳模拟输电导线,通过加载集中质量模拟导线的覆冰,释放集中质量并记录时间响应曲线,根据振幅衰减系数计算系统的阻尼比。利用实验装置相关参数和有限元分析软件ANSYS建立有限元模型,输入实验得到的瑞利阻尼参数,采用集中力法模拟计算覆冰导线的脱冰动力响应。结果显示实验与仿真计算获得的导线中点时间响应是一致的,也证明了有限元数值方法分析覆冰导线的脱冰舞动是可行和准确的。     

基于XGBoost和改进LSTNet的气温预测设计

气温变化与人类的生产生活密切相关，对人类出行计划、农林生产以及军事作战等方面都有着重要影响，因此对于大气温度更加精准的预测具有一定现实意义。针对传统预测模型对气温预测精度不佳的问题，提出了一种融合极端梯度提升树(Extreme Gradient Boosting, XGBoost)和改进长短期时序网络(Long and Short-Term Temporal Patterns with Deep Neural Network, LSTNet)的气温预测模型。利用XGBoost进行特征筛选，降低数据维度；利用LSTNet进行改进，在其卷积层嵌入通道注意力(Channel Attention, CA)机制，强化显著特征；把循环神经网络层中的循环门单元(Gate Recurrent Unit, GRU)改为双向长短时记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),并加入了时序注意力(Temporal Attention, TA)机制，使模型拥有同时提取正反向信息的能力且突出了重要时间步的信息；用建立好的模型进行预测实验和对比实验。实验结果...     

基于FBG传感器的架空输电线覆冰监测方案的设计与实验

提出了一种基于光纤Bragg光栅(FBG)传感器的架空输电线路覆冰厚度监测方案,并进行了仿真分析和实验验证.利用覆冰后输电线路的形变牵引FBG应变传感器,综合考虑FBG的应变量、实时气候条件等多种因素,得出输电线路的覆冰厚度.实验结果表明,方案能监测到30 nm覆冰厚度,测量精度和灵敏度达到1 mm覆冰厚度,有效监测距...     

基于CNN-BiLSTM的磁流变阻尼器逆模型研究与分析

由于磁流变阻尼器(MR阻尼器)的双粘性和滞回特性,逆模型很难被准确获取.为此,基于卷积神经网络(Convolutional Neural Networks,CNN)提取特征的能力,双向长短期记忆(Bi-directional Long Short-Term Memory,BiLSTM)神经网络处理时间依赖问题的能力,磁流变阻尼器本身输入和输出存在时间依赖的特性,采用CNN-BiLSTM组合网络来预测模型.对比均方根误差和预测时间发现,相比于单纯的BiLSTM网络,所提的网络提高了模型的精度,在预测时间上也有了极大的提升.     

面向红色文化的命名实体识别研究

针对通用领域的命名实体识别(Named Entity Recognition, NER)模型在红色文化的实体识别中难以完整准确地进行实体划分的问题，提出了一种基于双向长短期记忆(Bi-directional Long Short-Term Memory, BiLSTM)网络模型结合词汇增强和注意力机制方法的改进算法红色学习双向长短期记忆(Red Learing BiLSTM,RLBiLSTM)网络，用于红色文化的NER。对红色文化数据集中的重要词汇进行数据处理，构建一个包含红色文化特征的词表，将词表信息与BERT底层信息进行融合。使用BiLSTM网络和注意力机制考虑上下文和全局信息，并利用条件随机场进行实体识别。实验表明，将改进的算法应用于RedCulture-1数据集上取得了较好的识别效果，和传统的算法相比具有更高的准确率，有利于解决红色文化的实体识别问题。     

基于特征融合的多方面抽取及情感分析

针对序列标注标签预测空间大导致模型预测效果较差的问题,提出一种基于BERT-BiLSTM-Fusion的多方面抽取及情感分析模型。采用跨度预测的方法进行方面词抽取与方面词情感预测分类并联合训练,通过Bert预训练语言模型得到文本嵌入表示,使用BiLSTM学习观测序列上的依赖关系增强学习位置信息,提高模型抽取效果。对Bert预训练语言模型的每一层输出特征进行特征融合,提高模型的情感极性分类效果,并且在三个公开数据集Laptop、Restaurant、Twitter上设计对比实验以及消融实验。实验结果显示,BERT-BiLSTM-Fusion模型的F1值分别达到了66.72%、78.44%、62.10%,且高于对比模型,表明了所提出模型的有效性。     

基于深度学习的端到端人岗匹配模型

针对现有人岗匹配推荐算法主要采用人工评估求职者与职位的匹配度,存在招聘速度慢、成本高且易受主观判断所误导等问题,提出一种基于深度学习的端到端人岗匹配模型BATPJF。首先,运用TextCNN提取简历和职位描述数据的局部特征。同时,运用BiLSTM提取简历和职位描述文本数据的上下文特征,再将BiLSTM隐藏层产生的特征作为Attention层的输入,利用注意力机制对BiLSTM层提取的特征采用加权的方式体现不同的经历和能力对岗位能力需求重要程度的影响。然后,将2种模型提取到的特征进行融合。最后,通过全连接层进行预测。实验结果表明,与其他5种人岗匹配模型对比,本文提出的模型可以更有效地匹配工作要求和简历文本信息。     

基于PSO-Elman模型的网络流量预测

针对网络流量的混沌性特点以及传统神经网络处理网络流量预测问题易陷入局部极小导致预测精度不高的问题,提出在相空间重构基础上,采用粒子群算法(PSO)优化Elman神经网络初始参数的网络流量预测模型。首先对网络流量时间序列进行相空间重构,将重构后的流量序列作为模型的输入;再利用PSO算法全局搜索能力对Elman神经网络初始参数进行优化;最后利用训练好的Elman神经网络对网络流量进行预测。仿真结果表明,相比其他流量预测方法,基于PSOElman模型的网络流量预测提高了预测准确率。     

基于神经网络的宽带激光熔覆熔池特征参数预测

为了实现宽带激光熔覆熔池特征的准确预测,从 而对激光熔覆工艺过程进行实时监测、评价及反馈 控制。通过宽带激光熔覆全因素工艺试验采集熔池特征参数样本数据,采用遗传算法优化BP 神经网络的 初始权值和初始阈值,建立激光熔覆工艺参数(激光功率、粉末厚度、扫描速度)与熔池特 征参数之间的 BP神经网络预测模型。利用训练集数据对所建立的神经网络进行训练,形成输入与输出之间 的映射关系, 并利用测试集数据对网络进行测试。试验结果表明,宽带激光熔覆熔池特征参数神经网络预 测模型具有很 高的精度。该神经网络预测模型对激光熔覆过程监测及熔覆层质量控制具有重要意义。     

基于线性映射场的fNIRS信号特征提取与分析

大脑功能性激活的相关研究普遍存在特征提取依赖人工经验、深层次生理学信息难以挖掘两大问题。针对这两个问题，该文通过引入变分模态分解(VMD)技术，提出自适应VMD算法。该算法考虑了脑血氧信号在不同频段下的生理意义，降低了传统VMD对超参数选取的依赖。实验结果表明自适应VMD算法能够精确地提取出功能性近红外光谱(fNIRS)中富有生理学意义的有效模态分量，进而提升数据预处理效果。在此基础上，基于将时间序列映射成图像并使用深度卷积神经网络进行特征学习的思路，提出线性映射场(LMF)。基于LMF，该文以较低的运算量将fNIRS序列映射成2维图像，辅以深度卷积神经网络，实现了fNIRS生理信号深层次特征的提取。实验结果证明了所提出LMF的优势。最后，该文对提出方法的有效性进行了讨论与分析，说明了不同于循环神经网络仅能“顺序”地感知时间序列，卷积神经网络对时间序列的“跳跃”感知是其取得优异效果的关键。     

基于回声状态网络的时间序列预测方法研究

针对回声状态网络(Echo State Networks,ESNs)输入序列延迟时间(和嵌入维数D的选择以及储备池的适应性问题,利用自相关性分析法从被预测样本序列构建ESNs网络输入,并通过移动通信话务量的预测问题,采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比,新方法在保证预测精度和效率的情况下,具有更好的泛化能力.     

一种面向混沌时间序列预测的虚拟特征提取算法

针对混沌时间序列预测问题,该文提出一种虚拟特征提取算法,以提高其预测精度。首先,采用平移不变小波变换,提取出混沌时间序列的细节和光滑子层信息。然后,将混沌序列线性与非线性特征从加和关系推广到函数关系。最后,利用小波子层信息给出一种新颖的虚拟特征表达,以用于预测实验。采用经典的Mackey-Glass仿真数据,以及美国密西西比河实测径流流量数据实验表明,该文方法提高了预测精度,从而也验证了该文提出的虚拟特征提取算法在混沌时间序列预测上的有效性。同时,也可为控制、水文、气象等领域的混沌现象决策提供参考。     

基于MHA-BiLSTM的网络流量异常检测方法

针对传统的网络流量异常检测方法存在识别准确率低、忽略特征之间的相互关系等问题,提出一种基于多头注意力机制(MHA)和融合Highway连接的双向长短时记忆网络(BiLSTM)的网络流量异常检测方法。通过使用多头注意力机制学习数据之间的特征关系,实现对不同维度特征关系的提取,接下来采用多层BiLSTM进行长距离依赖特征提取,并利用Highway连接来缓解深层网络训练中的梯度消失问题。通过NSL-KDD数据集,验证了该方法的准确度和有效性。     

基于LSTM的气温数据建模研究

气温数据是一种时间序列数据,具有明显非平稳波动特征.对气温数据进行建模可以对气温变化进行分析.针对时间序列模型预测精度不高的问题,提出了 一种长短时记忆网络(Long Short-Term Memory Recurrent Neural Network,LSTM)气温预测模型对昆明每天的最高温度进行预测,对不同模型进行...     

基于SIDW-SSA-LSTM的门诊量预测

医院门诊量本质上是一种具有潜在规律的时间序列,通过对门诊量进行有效分析和预测,可以更加科学、合理地配置医疗资源。针对门诊量波动幅度较大的时间序列预测问题,提出SIDW-SSA-LSTM模型。首先,通过标幺化反距离加权(SIDW)插值修正原始数据,提高了门诊量数据集的可靠性;然后,采用在时序问题处理上具有良好性能的长短期记忆(LSTM)神经网络,并通过寻优能力强、稳定性好的麻雀搜索算法(SSA)对LSTM网络超参数进行优化,得到SIDW-SSA-LSTM模型。对比实验证明,本文提出的方法可以更加精准地对门诊量进行预测和分析,为医院更好地运营管理提供了重要依据和决策支持。     

基于支持向量机的城市空气质量时间序列预测模型探究

空气污染问题在当下是一个十分严重的问题。开展空气质量监测、预测工作对于污染控制,降低危害具有重要意义。支持向量机模型是进行回归预测性能良好的工具,并可用于时间序列预测。文章采用径向基函数作为核函数,用交叉验证的方法优化参数构造支持向量机时间序列预测模型,选取某地市2013年1月至8月的空气质量指数作为空气质量参数进行实证分析,表明模型预测效果很好,具有一定实用价值。     

基于深度学习的海上目标一维序列信号目标检测方法

当前海面目标检测方法多基于统计理论,检测性能受背景统计特性假设的影响,本文从信号预测和特征分类两个角度,分别采用长短时记忆网络(LSTM)和卷积神经网络(CNN)对信号时间序列幅度信息进行处理,用于海上目标一维序列雷达信号检测,该方法不需事先假设背景统计特性,泛化能力更强。基于LSTM序列预测的目标检测方法通过用海杂波信号幅度时间序列对网络进行训练,再用训练后的网络对后续序列进行预测,并与后续实测信号进行比较,实现目标检测。基于CNN序列分类的目标检测方法中采用截取的海杂波信号和目标信号幅度序列作为数据集样本,对一维卷积核CNN进行训练,使其具有识别目标杂波信号特征能力,从而实现目标检测。最后,采用IPIX和CSIR实测海杂波数据对两种方法进行验证,结果表明两种方法均可实现一维序列信号中海面目标的检测,但LSTM预测方法对于长序列检测的实时性有待于进一步提高;CNN分类方法可实现实时检测,但仅利用信号幅度信息,检测性能仍需进一步提升。      

基于XLNet-BiLSTM的中文电子病历命名实体识别方法

中文临床电子病历命名实体识别是实现智慧医疗的基本任务之一.本文针对传统的词向量模型文本语义表示不充分,以及循环神经网络(RNN)模型无法解决长时间依赖等问题,提出一个基于XLNet的中文临床电子病历命名实体识别模型XLNet-BiLSTM-MHA-CRF,将XLNet预训练语言模型作为嵌入层,对病历文本进行向量化表示,解决一词多义等问题;利用双向长短时记忆网络(BiLSTM)门控制单元获取句子的前向和后向语义特征信息,将特征序列输入到多头注意力层(multi-head attention,MHA);利用MHA获得特征序列不同子空间表示的信息,增强上下文语义的关联性,同时剔除噪声;最后输入条件随机场CRF识别全局最优序列.实验结果表明,XLNet-BiLSTM-Attention-CRF模型在CCKS-2017命名实体识别数据集上取得了良好的效果.     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。