8篇关于长短时记忆神经网络的计算机毕业论文

今天分享的是关于长短时记忆神经网络的8篇计算机毕业论文范文, 如果你的论文涉及到长短时记忆神经网络等主题,本文能够帮助到你

基于AFC数据站点聚类分析及智能短时客流预测

这是一篇关于短时客流预测,自适应预测,自适应正弦干扰策略麻雀搜索算法,长短时记忆神经网络的论文, 主要内容为近几年,地铁已然成为各座城市交通工具的主流,日益成为城市居民出行的主要通行工具。短时客流预测是城市轨道交通大数据平台建设的一个重要步骤。对日常城市轨道交通短时间内的进出站客流量进行准确的预测,有助于提高地铁管理部门排班组织和运行效率,从而提高对因突发事件带来的大客流的应对能力。论文基于地铁自动售检票系统(Automatic Fare Collection System,AFC)数据对全网地铁站点开展研究,从站点属性特征分析角度等对客流量时间序列特征维度进行分析,建立了一套全网地铁车站站点客流自适应预测特征体系。主要研究内容如下:(1)针对当前地铁短时客流只能单一站点预测或者单一时间节点预测的缺陷,设计了一种数据预处理方法。并基于K-means聚类结合自适应长短时记忆神经网络模型,设计了时间序列预测方案,依据站点的特征维度进行站点聚类分类,使得开发的模型在同类簇数据中具有预测平移能力。(2)针对当前麻雀搜索算法存在的收敛速度过慢、寻优精度不高和最优解易陷入局部最优等问题,提出了一种基于自适应正弦干扰策略麻雀搜索算法(Adaptive Sinusoidal Disturbance Strategy Sparrow Search Algorithm,ASDSSA)及其详细的数学模型。首先,通过融合立方混沌映射和扰动补偿因子方法,提高了算法初始种群质量;其次.引入正弦干扰策略,更新已有的计算发现者位置的数学模型。仿真证明,正弦干扰策略提升了种群的信息交流能力和新提出算法的全域搜索性能。最后通过自适应柯西变异策略提升算法跳出局部最优解的能力。通过对8个基准测试函数、CEC2017测试函数以及Wilcoxon秩和检验的实验,仿真结果验证了自适应正弦干扰策略麻雀搜索算法的有效性。并基于所提出的自适应正弦干扰策略麻雀搜索算法,应用于客流时序预测模型长短时记忆(Long Short-Term Memory,LSTM)神经网络的隐藏层神经元个数、学习率以及迭代次数超参数的选取,构建ASDSSA-LSTM客流预测模型。(3)客流预测实例分析与验证。以福州某大学站点为例,通过仿真结果证明,ASDSSA-LSTM客流预测模型在统计指标MAPE、RMSE、MAE以及R2上误差最小,降低了分类站点数据的波动性和非周期性给模型带来的影响,并在该站点地铁客流工作日、非工作日及节假日数据集上进一步验证改进算法在实际工程中的有效性和可行性。

基于神经网络股票预测模型的研究与实现

这是一篇关于股票预测,深度学习,深度自编码器,特征提取,长短时记忆神经网络的论文, 主要内容为股市是国家经济的晴雨表,可以在一定程度上反映经济的稳定性和健康程度,在国家经济体系中具有重要地位。如何能较为准确地预测股票价格及走势是当今产业界和学术界面临的一项重要难题。以深度学习为代表的人工智能技术目前正在被广泛应用于各个领域,其中在金融领域有着广阔的应用前景。深度学习具有从海量数据中学习数据规律的能力,本文借鉴了股票技术分析中使用指标预测价格的思想,设计了一套基于深度神经网络的股票预测模型,模型由两部分组成:特征提取部分和股票预测部分,特征提取模型基于深度自编码器构建,用于从股票的指标数据中提取特征来表示股票当前的状态,预测模型基于长短时记忆神经网络构建,可以根据历史状态预测当前价格。最后使用了dropout和L2正则化方法优化模型,减小模型过拟合的风险。本文使用酿酒板块的数据构建数据集,并设计了多组实验验证模型效果。首先构建了不同深度的自编码器,以预测精度和重构误差为标准比较其编码效果;其次比较了本模型与其他特征提取方法的提取效果,以主成分分析法(PCA)和因子分析法(FA)作为比较对象,深入分析了不同方法的差异;最后比较了本模型与其他预测模型的预测效果和运行时间。实验表明,本文设计的模型特征提取效果较好,预测精度较高,算法时间复杂度适中,具有一定的实用性。最后,本文使用python设计了一套基于B/S架构的股票预测系统,该系统实现了预测结果展示、实时股票数据获取等功能,为用户提供了便利。

基于时序信息的地震动实时预测方法研究

这是一篇关于峰值地面加速度,区域烈度场,长短时记忆神经网络,卷积神经网络,地震预警的论文, 主要内容为及时、准确地预测区域或现地地震动是公众及重大工程地震预警方法技术研究中的核心内容,也是衡量公众及重大工程地震预警减灾效能的重要指标。目前,利用固定时窗范围内P波的单参数或多参数建立区域及现地地震动预测模型是常用的地震动预测手段。例如,利用P波前几秒单参数建立现地地震动预测统计模型或利用多参数建立现地地震动预测神经网络模型;利用P波前几秒单参数建立震级估算统计模型或利用多参数建立神经网络模型,在此基础上利用地震动衰减关系进行区域地震动预测。然而,这些方法仅仅利用了地震动的部分信息,难以反映大震断层持续破裂过程中所蕴含的信息。同时,基于单台P波参数的地震动预测模型难以融合一次地震多个台站观测到的全部信息。因此,本文开展了基于时间序列信息的现地地震动预测及基于时空变化序列信息的区域地震动预测机器学习方法研究,主要完成了以下工作:(1)提出了基于LSTM神经网络的现地PGA持续预测模型。用日本K-NET记录的119次地震的5961条记录来训练神经网络,用73次地震的3433条记录作为测试集来测试模型的泛化能力。结果表明,该模型在台站接收到3 s信息的情况下就可以获得较为准确的预测结果;且随着时窗长度的增加,预测精度也不断提高,表明LSTM神经网络学到了隐藏在时间序列中的规律。(2)建立了基于Unet网络结构的区域烈度(日本JMA烈度)场预测模型。该模型以一次地震发生过程中首台P波触发后5～10 s间隔0.5 s的单一时间窗内所有台站接收到的信息为输入,预测当前时刻后30 s的烈度场空间分布,预测范围为震中距500×500 km范围。用日本K-NET记录的57次地震训练了神经网络,用9次地震测试了模型的泛化能力。结果表明,Unet模型能较好的预测极震区烈度大小以及4.5度以上的区域范围,但随着时间的增加,对4.5度以下的区域会出现烈度高估现象。(3)建立了 Unet与LSTM相结合的区域日本JMA烈度预测神经网络模型(Unet-LSTM)。该模型的输入为一次地震发生过程中首台P波触发后11个时间步内所有台站接收到的信息,预测当前时刻后25 s的烈度场空间分布,预测范围为震中距500×500 km范围。数据集与Unet模型所用一致,只是在Unet模型的基础上增加了 LSTM单元以增强模型对时间过程中蕴含规律的学习。结果表明,和Unet模型相比,Unet-LSTM模型对4.5度以上区域范围的预测结果更加规则且准确,但对极震区烈度的估计偏低。

锅炉入炉煤质实时跟踪识别技术及系统的研发

这是一篇关于燃煤电厂,煤质识别,静电法,机器学习,长短时记忆神经网络的论文, 主要内容为电力行业是煤炭消费的主力军,其年消费量占到煤炭消费总量的半数以上。但近年来受到严峻的经济环境和疫情爆发的影响,电煤的供应链愈发紧张并引发价格的持续上涨,而燃料成本占到燃煤电厂发电成本中的60%以上,因此煤炭是直接影响发电厂经济性运行的重要因素。同时,由于政策、经济、地域等因素,导致入炉煤质的种类杂,燃煤品质差,且长期偏离设计煤种,致使锅炉运行时难以按设计方案调整燃烧参数,所以入炉煤的质量也是直接影响燃煤机组安全、高效运行的重要因素。目前国内大部分燃煤电厂的煤质检测过程仍采用人工化验的方法,对指导锅炉运行调整存在滞后性。因此,研究一种智能化的入炉煤质实时跟踪识别技术,当煤质发生变化时能快速、准确地检测到变化情况,就可针对不同的煤质特性适时改变制粉或配风系统的运行参数,使锅炉的燃烧效率与经济性得以改善,该项研究工作具有很高的实际应用价值。本文在前人提出的应用煤粉静电信号来识别煤质变化的创新性构思的基础上,突破传统入炉煤质检测方法,将煤质各成分参数看作一个整体进行识别。论文从研究静电法的煤质识别方法、特征变量测定实验、入炉煤质实时跟踪识别方案设计、实例应用与分析、入炉煤质识别软件开发共五个方面开展工作。首先,理论研究发现煤质与其静电信号强度之间存在对应关系,通过分析静电信号强度的影响因素,进而提出一种基于静电法的煤质识别方法;其次,设计并搭建了基于静电法的气固两相流实验平台,分别对煤质、流速、浓度、细度四个变量与静电信号强度间影响关系进行分组实验,结果验证了静电法煤质识别方法的合理性与有效性;然后,设计了应用于现场的入炉煤质实时跟踪识别方案,并以某600MW燃煤电厂#2机组为研究对象,选用全截面非接触式煤粉测量系统安装在一次风管道对煤粉进行实时测量,根据识别方法选取现场参数,经数据清洗后进行相关性、迟延性等特征分析,进一步验证了识别方法的合理性;随后将不同煤质的数据样本输入五种机器学习分类算法中进行对比实验,结果表明静电法结合机器学习分类模型对入炉煤质识别的效果优异,其中长短时记忆神经网络的识别效果明显优于其他模型;最后,基于机器学习分类算法开发了静电法煤质识别软件,并使用PyQt5完成软件的界面设计,识别软件通过对煤粉测量数据进行提取和训练建模,最终实现对入炉煤质实时识别的目的。

矿井胶带火灾危险程度判定与趋势预测技术研究

这是一篇关于胶带火灾,长短时记忆神经网络,自编码器,特征提取,粒子群优化的论文, 主要内容为矿井胶带火灾通常由胶带摩擦、电火花和明火等原因造成,具有发展速度快、危害性强及扑灭难等特点。传统胶带火灾检测技术主要根据传感器实时采集的环境参数,再通过环境参数阈值来进行分析和判断,存在数据利用率低、准确率不高和难以判断火灾危险程度等问题。为尽早判别火情并及时诊断其危险程度和发展趋势,本文通过数据挖掘等方法研究多参数传感器监测数据,将机器学习算法应用于矿井胶带火灾危险程度判定与趋势预测,致力于研发高准确率、低漏报率的胶带火灾检测应用软件。针对传统胶带火灾危险程度判定方法漏报率和误报率高的问题,通过改进降噪自动编码器,提出了一种长短时记忆降噪自编码神经网络(LSTM-DAE)的火灾危险程度判定方法。该方法结合了自动编码器和长短期记忆网络的优点,同时在解码器内引入注意力机制,提高了特征提取的有效性。实验仿真结果表明,所提出的方法与传统的神经网络危险等级判定方法相比准确率更高,达到了 90.1%。该判定方法在矿井胶带火灾检测过程具有重要的应用价值。针对传统胶带火灾趋势预测方法存在趋势预测精度低和算法模型训练过程中人为调参困难的问题,提出了一种基于粒子群优化的卷积双向长短期记忆(PSO-CNN-Bi-LSTM)胶带火灾趋势预测方法。同时采用t-SNE方法旨在降低训练的难度。实验结果表明改进后的Bi-LSTM预测模型均方误差降低了15.5%,预测精度大幅度提高。通过使用SpringBoot框架结合LSTM-DAE与PSO-CNN-Bi-LSTM模型设计了胶带火灾危险程度判定和趋势预测系统软件。实现了胶带运输巷道环境参数的实时采集与监测,并可以准确进行胶带火灾报警预警。经过测试验证了系统软件的功能和性能,证明了该软件在保障矿井胶带运输巷道安全方面具有极高的应用价值。

基于时序信息的地震动实时预测方法研究

基于深度学习的CFB锅炉燃烧多目标优化系统研究与开发

这是一篇关于长短时记忆神经网络,锅炉燃烧优化,深度学习,多目标优化的论文, 主要内容为燃煤电厂现如今面临着降低煤炭能源消耗量以及控制污染物超低排放的双重严峻挑战。对锅炉进行燃烧优化可改善锅炉燃烧状态,协调综合控制锅炉热效率以及污染物的排放水平。锅炉燃烧呈非线性、时变性和强耦合性等特性,利用传统方法进行燃烧优化时,由于不能充分考虑锅炉系统内部的燃烧特性,存在着模型失配、输入输出数据不匹配等问题,导致难以建立精确的锅炉燃烧系统内部机理模型。人工智能算法可以通过对实际系统建模并学习,利用运行数据来训练和调整模型参数,达到预测或优化目的,近年来已经被广泛应用到锅炉燃烧优化领域中。然而国内外对于锅炉燃烧优化的重点一般都放在对于整个燃烧优化过程中算法的研究,所得出的结论往往只是多组最优运行参数解,无法应用于现场实际。本文围绕锅炉燃烧优化系统的开发开展研究,旨在为锅炉运行人员提供一个全面解决锅炉燃烧运行优化调整的分析、操作以及控制的平台。具体研究成果如下:(1)锅炉燃烧是多变量、非线性、强耦合复杂过程,建立一个能准确描述燃烧系统输入与输出关系的模型是燃烧优化的重点与难点。使用深度学习中的长短时记忆神经网络,基于DCS中的历史运行数据,建立了某300MW亚临界循环流化床热效率和NOx炉膛出口原始生成浓度预测模型,针对长短时记忆神经网络(LSTM)模型参数难以确定的问题,采用遗传算法(GA)对其模型参数进行寻优。并将建立的预测模型与其他算法模型在同一测试样本集上进行对比。基于GA-LSTM所建立的NOx炉膛出口原始生成浓度预测模型在测试样本集的RMSE为33.128,MAPE为0.013,R-square为0.9962,建立的锅炉热效率预测模型在测试样本集的RMSE为0.271,MAPE为0.012,R-square为0.9973。经过数据预处理并经过遗传算法(GA)进行参数寻优后的GA-LSTM模型在测试集的预测能力和拟合精度均优于其他模型,GA-LSTM模型可以更好地完成多变量非线性拟合。(2)在建立的锅炉热效率及NOx炉膛出口原始生成浓度预测模型的基础上,采用基于指标和拥挤距离的多目标进化算法(IDBEA)对一次风量、二次风门开度、给煤率和炉膛出口氧量进行优化,得到不同工况下各参数的最佳组合。在基于指标的多目标进化算法的基础上,增加了拥挤距离选择策略提高了算法多样性。采用IDBEA对低中高负荷下的各三组共9组工况以降低NOx炉膛出口原始生成浓度为主进行了优化。从优化结果来看,NOx炉膛出口原始生成浓度最高比原来实际运行工况减少了96.37mg/m3,所有工况平均下降17.35%,优化效果明显;同时热效率最高提升1.9%,所有工况平均提升0.88%,整体优化效果符合以NOx炉膛出口原始生成浓度为主要优化侧重点的燃烧优化目的。基于IDBEA的多目标进化算法可以使保持锅炉热效率不小于原有实际运行水平甚至略有提升的同时,显著的将锅炉燃烧运行中产生的NOx污染物炉膛出口原始生成浓度降低,具有很好的锅炉燃烧优化效果。(3)基于建立的多目标优化进化算法为底层基础,设计开发了锅炉燃烧优化系统。对系统的业务以及运行性能进行了分析,并给出了系统的整体解决方案。在电厂现有的控制系统上,增加锅炉燃烧优化系统,可以在不影响电厂原有运行设备安全稳定性的基础上,读取原有DCS控制系统采集的锅炉运行参数,然后利用系统底层多目标进化算法数学模型达到燃烧控制优化目的。系统采用B/S架构,主要基于Vue前端框架和Spring boot后端框架进行开发,将模块化概念应用到整个系统,设计并开发了系统登陆模块、运行监控模块、预测对比模块、系统监控以及系统管理模块。锅炉燃烧优化系统集在线监测、运行维护以及优化管理为一体,通过操作界面可以使得燃烧多目标优化数学模型的计算结果以及对实际的优化效果可以清楚的展示在锅炉运行人员面前,方便工作人员使用锅炉燃烧多目标优化数学模型对实际的生产过程进行控制。