基于LSTM-FC的瓦斯浓度时空分布预测

传统的工作面瓦斯预测方法仅利用瓦斯数据的时间特性,缺乏与空间相关的先验信息,因此利用瓦斯数据的时空特性,采用深度学习算法长短期记忆与全连接神经网络相结合的方法构建LSTM-FC（Long Short Time Memory-Fully Connection）瓦斯浓度时空序列的预测模型。LSTM能够解决瓦斯序列的长时间依赖性,全连接神经网络能够准确捕捉瓦斯序列的空间关联性,深入挖掘瓦斯数据之间的时空特性,通过预测不同位置的瓦斯值,构造工作面的瓦斯分布图。实验结果表明,通过使用LSTM-FC模型,预测误差有了明显减少,相比于其他神经网络预测模型,预测精度有所提高。     

基于视频的上肢外骨骼行为预判方法

针对传统穿戴式上肢外骨骼人机交互行为预测受到穿戴者身体状况影响的问题,提出一种基于卷积神经网络(CNN)的多时间融合(multiple temporal fusion,MTF)模块。对特征进行一系列的子卷积处理,使每一帧可以完成多个邻域的时间聚合,能够在距离较远的帧上建立长期的时间关系,在推理时提出一种基于非线性最小二乘参数的自适应算法(NRLS-A),对神经网络参数进行实时调整,使在线预测精度提高了28%。该模型基于Tensor Flow在GPU上进行并行计算。在自建数据集上的平均准确度达到了84.9%,比传统的LRCN网络模型提高了5%。