基于长短期记忆神经网络的每日股票价格预测

股票价格预测一直是人们关注的焦点之一。针对每日股票预测存在的问题,本文提出一种基于长短期记忆神经网络的方法来预测每日股票的最高价与最低价,通过使用Python编程语言构建长短期记忆神经网络模型,并对2000—2020年上海证券、深圳证券的股票数据进行预测。实验结果表明,采用长短期记忆神经网络能够很好地拟合每日股价的波动趋势,具有较高的准确率。     

基于双向长短期记忆神经网络的老挝语分词方法

作为语言最小独立运行且有意义的单位,将连续型的老挝语划分成词是非常有必要的。提出一种基于双向长短期记忆BLSTM神经网络模型的老挝语分词方法,使用包含913 487个词的人工分词语料来训练模型,将老挝语分词任务转化为基于音节的序列标注任务,即将老挝语音节标注为词首(B)、词中(M)、词尾(E)和单独成词(S)4个标签。首先将老挝语句子划分成音节并训练成向量,然后把这些向量作为BLSTM神经网络模型的输入来预估该音节所属标签,再使用序列推断算法确定其标签,最后使用人工标注的分词语料进行实验。实验表明,基于双向长短期记忆神经网络的老挝语分词方法在准确率上达到了87.48%,效果明显好于以往的分词方法。     

基于长短期记忆神经网络的手写数字识别

手写笔迹识别是模式识别的一个重要研究领域。因为每个人的书写习惯有所不同,导致手写的字体有一定的差异。传统的Softmax模型在手写数字的识别结果上并没有达到人们的期望。目前,深度神经网络框架是模式识别领域的主流方法。长短期记忆神经网络(long-short term memory network,LSTM)是一种特殊的循环神经网络,它由输入门、遗忘门、输出门以及神经元组成。长短期记忆神经网络对于长序列问题有很好的处理。文中提出采用双向长短期记忆神经网络进行手写数字识别。采用MNIST数据集,分别使用传统的Softmax方法和双向长短期记忆神经网络方法对MNIST数据集里的图片进行识别。实验结果表明,传统的Softmax模型的正确率为92%左右,而LSTM模型的正确率达到了96.3%,提升4.3%。     

基于树结构长短期记忆神经网络的金融时间序列预测

针对传统方法对多噪声、非线性的时间序列无法进行有效预测的问题,以多尺度特征融合为切入点,提出并验证了基于树结构长短期记忆（LSTM）神经网络的预测方法。首先,提出了实现预测目标的核心方法,并分析了方法的内在优势;其次,构建了基于树结构长短期记忆神经网络的预测模型;最后,基于最近十年的国际黄金现货交易数据对模型进行了验证。实验结果表明,所提算法预测准确率高出最小成功率近10个百分点,证实了所提方法的有效性。     

基于长短期记忆神经网络的车辆边缘计算卸载策略

传统的集中式云计算能够较好地减轻本地负担,但带来了大量延迟.移动边缘计算通过利用移动边缘设备有限的计算能力和资源存储能力弥补了云计算在此方面的不足,也满足了在车联网中车辆的计算需求.为了使车辆能够在笔直的道路环境模型上完成计算任务,提出基于长短期记忆神经网络的卸载决策.通过仿真,该方法在任务较大的情况下可以高效利用边缘...     

基于级联长短期记忆神经网络的轴承复合故障预测

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...     

基于长短期记忆神经网络的可用停车位预测

可用停车位预测是智能停车诱导系统的关键问题之一。当前基于神经网络的预测技术在较短预测周期内,预测准确度的平均绝对误差在 10 左右,但随着预测步长或周期的增加,预测精度急剧下降。针对这一问题,该文提出了一种在中长预测时间周期内可保持数据变化特征的泊位预测方法。该方法使用模糊信息粒化获取特征数据集,通过训练长短期记忆神经网络预测未来的特征数据集,基于数据插值方法重建出整个区间可用停车位的连续变化曲线。仿真结果表明,该方法在相同预测步长的可用车位预测上,比传统预测方法具有更高的预测精度;在保持相近预测精度的条件下,比传统预测方法具有更高的计算效率。     

基于长短期记忆神经网络的矢量跟踪通道状态监测算法

卫星导航系统接收机分为标量跟踪架构和矢量跟踪架构。矢量跟踪接收机的特点是采用一种中心导航滤波器实现所有通道信息的集中处理，这样可以充分利用通道之间的共享信息，提升接收机的性能。但由此带来的问题是通道之间的相互影响，当某个通道的信号被遮挡或者信号较弱时，会影响导航滤波器的正常工作，因此需要进行通道运行状态的监测。本文提出一种基于长短期记忆神经网络的通道状态监测方法，将通道的信息序列值作为神经网络的输入向量。仿真结果表明，本文提出的方法能够有效地检测故障，保证矢量跟踪接收机的定位精度。     

基于长短期记忆神经网络的生命体触电电流检测

针对当前低压配电网剩余电流保护设备只能依靠剩余电流幅值作为保护机构动作依据,无法识别触电特征的问题,提出了基于小波分解降噪和长短期记忆(LSTM)神经网络的低压配电网生命体触电电流检测方法.首先将总剩余电流信号通过小波分解算法进行降噪,然后将降噪后的生命体触电电流波形作为输入,对LSTM神经网络进行训练,建立生命体触电...     

基于注意力机制和长短期记忆神经网络的流量预测研究

准确的流量预测提升通信网络技能、改善通信网络管理具有重要意义.考虑到长短期记忆(Long Short-Term Memory,LSTM)神经网络可解决长序列数据在训练过程中的存在梯度消失问题,采用LSTM作为长期流量预测的基准模型,为提高模型准确性,在LSTM模型的基础上,引入Attention机制(Attention...     

面向预测的长短时神经网络记忆增强机制

基于时序数据建模的长短时神经网络（LSTM）可用于预测类问题。现实场景中,LSTM预测精度往往与输入序列长度相关,有效的历史信息会被新输入的数据淹没。针对此问题,提出在LSTM节点中构建强化门实现对遗忘信息的提取,并与记忆信息按比例选取、融合、输入记忆单元,增加学习过程中的梯度传导能力,使网络对相对较远的信息保持敏感以提升记忆能力。实验采用工业故障数据,当序列长度超过100时,具有强化门机制的改进模型预测误差低于其他LSTM模型。预测精度的差距随序列增加而增大,当序列长度增至200时,改进模型的预测误差（RMSE/MAE）较原模型分别降低了26.98%与35.85%。     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用;风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一;随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义;针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型;首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的3种常见故障;通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于多层融合神经网络模型的短期电力负荷预测方法

针对传统的短期电力负荷预测模型存在的预测精度不高和滞后性的问题,本文提出一种基于卷积神经网络、长短时记忆网络和注意力机制下的混合神经网络模型来进行预测。利用卷积层对多维的电力数据影响特征进行提取,过滤筛选其非重要影响因子,完成电力数据相关特征的映射变换,再通过长短时记忆网络层的循环,对时序性电力数据特征选择性提取,最后利用注意力机制添加重要特征的权重,经Adam算法优化后输出电力负荷预测的结果。依靠GPU强大的算力支撑来解决预测数据时的实时性问题,凭借多融合神经网络的手段来提高其预测精度。经由算例验证,所提出模型真实可靠,预测质量显著优于其他传统模型。     

融合卷积网络与残差长短时记忆网络的轻量级骨导语音盲增强

基于深度学习的骨导语音盲增强已经取得了较好的效果,但仍存在模型体积大、计算复杂度高等问题。为此提出一种融合卷积网络和残差长短时记忆网络的轻量级骨导语音增强深度学习模型,该模型在保持语音增强质量的前提下,能有效提升骨导语音盲增强的效率。该模型借助卷积网络参数量小、特征提取能力强等优点,在语谱图频率维度引入卷积结构,从而深入挖掘时频结构的细节和高低频信息间的关联关系以提取新型特征,并将此新型特征输入改进后的长短时记忆网络中,用于恢复高频成分信息并重构语音信号。通过在骨导语音数据库上实验,表明所提模型可以有效改善高频成分的时频结构,在提升增强效果的同时,降低了模型体积和推理的计算复杂度。     

基于卷积长短时记忆网络的CPI预测

针对消费价格指数(CPI)的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆(CNN-LSTM)深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法.用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时...     

基于控制输入长短期记忆网络的关系抽取方法——

目前基于传统深度学习的关系抽取方法在复杂语境下抽取较为困难, 且未考虑语境中非目标关系对关系抽取所带来的影响. 针对这一问题, 本文提出了控制输入长短期记忆网络CI-LSTM (control input long short-term memory), 该网络在传统LSTM的基础上增加了由注意力机制和控制门阀单元组成的输入控制单元, 控制门阀单元可依据控制向量进行关键位置上的重点学习, 注意力机制对单个LSTM的输入的不同特征进行计算. 本文通过实验最终选择使用句法依存关系生成控制向量并构建关系抽取模型, 同时使用SemEval-2010 Task8关系数据集以及该数据集中具有复杂语境的样本对所提方法进行实验. 结果表明, 相比于传统的关系抽取方法, 本文所提CI-LSTM在准确率上有进一步提升, 并在复杂语境中具有更好的表现.     

基于双层规划的容器云资源动态配置算法

本文分析容器云资源动态配置决策问题,通过定义容器云资源的调度任务,求解得到容器云资源调度时间;利用容器云资源调度任务的最短时间矩阵,获取容器云资源调度所需的条件。在双层规划条件下,求解容器云资源调度的目标函数和约束函数;考虑到用户的任务情况和云数据中心的云资源状况,在虚拟机上构建一个到物理主机的矩阵,通过构建容器云资源动态配置结果在优化时的目标函数,结合约束条件,实现容器云资源的动态配置。实验结果表明,资源动态配置算法不仅可以提高容器云资源的利用率,还可以减少配置完成时间,具有更好的动态配置性能。     

基于动态偏好和竞争力的群智化任务推荐

近年来,群智化软件开发已被学术和工业广泛关注.与传统方法相比,群智化软件开发最大化利用全球开发者资源完成复杂的发展任务,有效降低开发成本并提高发展效率.考虑将推荐技术引入开发者和任务的匹配问题中,即向软件开发者推荐合适的软件开发任务.考虑从两方面解决该问题:一方面,开发人员的任务选择与兴趣偏好的变化有关,因此需要准确捕获.另一方面,软件开发任务与传统商品或其他内容相比具有专业特性,只有相应技能的人才能完成和竞争性质的平台更多,所以开发者也会考虑是否其在众多竞争对手中有较高的评分.因此,研究并完成以下工作:对开发者建模时考虑其动态偏好和竞争力并定义相关的参数指标.提出一个两阶段的群智化软件任务推荐模型:第1阶段使用基于注意力机制的长短期记忆神经网络预测开发者当前的动态偏好,并利用相似度从大量候选任务中筛选出符合偏好的Top-N任务;第2阶段利用开发者的竞争力,使用基于差分进化算法的极端梯度提升方法预测开发者在第1阶段任务上的评分,并按照评分高低向开发者推荐Top-K任务.为了验证其有效性,进行了一系列的实验与已有方法作对比.实验结果表明,所提出的模型在群智化软件任务推荐上有显著优势.