基于长短期记忆神经网络的风力发电功率预测方法

风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。     

修正精密仪器总误差方法的研究

本文以误差理论为基础，结合时间序列分析法，建立起包括系统误差和随机误差的精密仪器总误差数学模型，用此模型对仪器总误差进行实时修正。实践表明，该方法可大大提高 原有准确度。     

基于分布式多子网神经网络的传感器静态误差修正

为消除温度等非目标参数对传感器输出特性的影响,本提出了一种采用多传感器数据融合技术的传感器静态误差修正新方法－传感器冗余法。该方法的显优点是系统不需测量非目标参数,通过对多种传感器输出数据融合达到消除非目标参数对传感器输出的影响,实现正确检测传感器的输入。同时本首次提出了一种新的神经网络结构：分布式多子网神经网络,并将其用于实现该修正方法。模拟实验表明,该网络在泛化能力、学习速度等方面均优于BP网络和RBF网络。其多子网、自动分解任务的特点尤其适用于复杂样本的学习,具有很好的应用前景。     

基于CNN-BiLSTM网络模型的无人机飞行质量评价

为了更好地挖掘无人机飞行轨迹数据中蕴含的有效信息，准确客观地基于轨迹数据对无人机飞行质量进行评价，提出一种融合卷积神经网络(CNN)和双向(Bi-directional)长短期记忆(LSTM)神经网络的CNN-BiLSTM网络模型。首先，利用CNN网络和BiLSTM网络分别获取飞行轨迹数据的局部卷积特征和时间特征。然后，将两种特征送入特征融合层，使用融合后的特征进行分类并获得评分标签。针对六个数据集的数值实验表明，模型不仅取得了较好的分类效果，而且具有很好的泛化能力。     

误差 偏差 修正值

本文主要是通过实例说明对几个术语的理解,共三个部分、8例(除1例外都是温度方面的),内容以计量器具为重点、涉及:①术语的概念、定义的理解;偏差对于不同对象的适用性;②术语间的关系与区别,特别是误差与偏差。在特定条件下、二者在数值或绝对值上相等(但概念不同);③误差与偏差的应用,主要说明误差、偏差检定结果计算(简便的也是常用的)方法的依据。     

GPS误差产生与修正

全球定位系统(GPS),特别是车载GPS设备在我国应用广泛、发展迅速.但是GPS由于其固有缺陷,存在各种误差.增加使用户在使用中的困难.通过误差修正,可以得到更加精确的GPS信息.     

基于IPSO-BP的船舶航迹预测研究

目的 面对复杂的海上交通及密集的物流交通流,及时有效地对船舶航迹进行跟踪预测显得尤为重要,针对传统船舶航迹预测方法精确度低且效率低下的问题,提出一种改进方法。方法 在船舶自动识别系统（AutomaticIdentificationSystem,AIS）数据的基础上,建立改进粒子群算法（IPSO）与BP神经网络相结合的船舶轨迹预测模型,利用船舶历史航行轨迹数据,实现对未来船舶运动的预测。选取宁波舟山港的船舶历史轨迹数据进行实验,并将IPSO-BP模型的实验结果与其他模型进行比较。结果 不同模型航迹预测对比结果表明,IPSO-BP模型的性能较好,其预测精度较高,适用于船舶轨迹预测。结论 使用IPSO-BP模型能够更加精准地预测船舶航迹,在船舶危险预警、船舶异常监测等方面具有重要的指导作用。     

基于改进A算法的无人机三维航迹规划

针对传统的A*算法在无人机航迹规划问题中的局限性,提出一种改进的A*算法,并结合无人机的性能约束直接对三维空间进行航迹搜索。算法有效的减少搜索空间,缩短搜索时间。仿真结果证明改进算法的有效性。     

一种修正的基于混沌预测误差的目标检测算法

基于混沌预测误差的目标检测算法是检测混沌背景下目标的算法.本文对该算法的检测结果进行了分析,分析结果表明其检测到的目标区域比实际的目标区域大.针对这个问题,对基于混沌预测误差的目标检测结果进行了修正,修正后的结果更接近于目标的真实大小.用Lorenz混沌系统产生的仿真数据和实测的机载海面合成孔径雷达(Synthetic Aperture Radar,SAR)图像进行了实验.实验结果与理论分析的结果一致,从而证明了理论分析的正确性.     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

Classification of Arrhythmia Based on Convolutional Neural Networks and Encoder-Decoder Model

As a common and high-risk type of disease, heart disease seriously threatens people’s health. At the same time, in the era of the Internet of Thing (IoT), smart medical device has strong practical significance for medical workers and patients because of its ability to assist in the diagnosis of diseases. Therefore, the research of real-time diagnosis and classification algorithms for arrhythmia can help to improve the diagnostic efficiency of diseases. In this paper, we design an automatic arrhythmia classification algorithm model based on Convolutional Neural Network (CNN) and Encoder-Decoder model. The model uses Long Short-Term Memory (LSTM) to consider the influence of time series features on classification results. Simultaneously, it is trained and tested by the MIT-BIH arrhythmia database. Besides, Generative Adversarial Networks (GAN) is adopted as a method of data equalization for solving data imbalance problem. The simulation results show that for the inter-patient arrhythmia classification, the hybrid model combining CNN and Encoder-Decoder model has the best classification accuracy, of which the accuracy can reach 94.05%. Especially, it has a better advantage for the classification effect of supraventricular ectopic beats (class S) and fusion beats (class F).     

基于神经网络模型的高架轨道噪声烦恼度预测

为了准确高效预测高架轨道噪声居民主观烦恼度,建立BP神经网络模型并对其进行优化,并对BP神经网络模型的训练和检验结果进行相关性分析,结果表明该模型具有很好泛化能力和学习能力。相较于多元线性回归,BP神经网络模型更适合应用于高架轨道交通噪声的烦恼度预测。将建立的烦恼度预测模型与通过仿真得到的噪声数据结合,可以为高架轨道交通噪声居民主观烦恼度的评估提供新的方法。     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

标准量插入神经网络实时误差修正技术研究

误差修正技术是提高测量仪器精度的重要途径，本详细介绍了具有时变系统误差与随机误差的非稳定动态测量过程实时误差预测修正方法，即：用标准量插入法实时分离误差，采取神经网络建模法对分离出的误差进行实时建模，跟踪误差的变化，对其进行预报修正，通过自行研制的动态测角仪对这种误差修正技术进行了验证，使该测角仪的精度提高近10倍。     

基于神经网络的室内热舒适指标PMV的预测

PMV是国际上公认的反映室内热舒适度的指标,由于它与各个影响因素之间存在复杂的非线性关系,不能直接检测,因而使用上受到了限制.而利用神经网络建立了PMV指标的预测模型,可进行实时检测,从而可以解决基于PMV指标的中央空调的实时控制的问题.     

基于BP神经网络的引信贮存可靠性预计

根据引信贮存可靠性的特点和BP神经网络结构．建立了引信贮存可靠性预计的神经网络模型;结合库存引信可靠性的实测数据,应用BP神经网络的误差反向传播算法．对引信贮存可靠度进行了训练并预计出引信贮存可靠度下限值,并与极大似然估计的可靠度下限值进行了比较,结果相吻合．神经网络在引信贮存可靠性预计中的应用．对处理目前库存引信的决策具有重要意义．     

基于卷积神经网络的ZPW-2000R轨道电路智能故障诊断方法

为解决ZPW-2000R型轨道电路故障智能自诊断问题,提出一种基于深度卷积神经网络的ZPW-2000R轨道电路故障诊断模型,输入微机存储的38个实时监测变量数据,可自动诊断包括轨道电路室内及室外设备的共29种故障类型,且故障诊断准确率可达96%。为轨道电路故障诊断提供了有效的智能化解决方案。