基于数据驱动的盾构竖向姿态预测深度学习模型

在盾构掘进过程中,竖向姿态控制难度较大,盾体常与设计轴线产生偏差。为解决既有盾构姿态预测模型无法准确提取数据特征和有效去除数据噪声的问题,充分挖掘盾构掘进实测数据时间序列信息,依托合肥地铁7号线耕耘路站—清潭路站区间盾构隧道工程,对收集的掘进数据进行预处理,包括去除停机状态数据及异常数据,提出用于盾构竖向姿态预测的CNN-LSTM组合模型,并将测试集上的模型预测结果与传统回归模型进行对比,最后对不同样本数量及固定网络参数时的模型性能进行研究。研究结果表明：CNN-LSTM组合模型对盾构竖向姿态的预测效果较好,在测试集上的预测平均绝对误差E_MA和均方根误差E_RMS较低,同时预测的决定系数R²较高,表明模型具有较小的预测误差和较高的预测精度;与ARIMA、LSTM和SVR模型相比,CNN-LSTM模型在测试集上预测的R²分别提高了1.04%、19.75%和79.63%,此外,模型的预测E_MA和E_RMS较低,并且训练耗时显著降低;不同训练集样本数量对CNN-LS...     

基于稀疏编码空间金字塔模型的零样本学习

针对目前零样本图像分类均采用图像底层视觉特征训练属性分类器而导致分类精度较低的问题,提出一种基于稀疏编码空间金字塔模型的零样本学习方法,给出系统结构流程图.首先从原始视觉图像中提取SIFT特征,并进行SIFT特征点提取;然后构建空间金字塔最大池化模型,对已提取的SIFT中间特征进行稀疏编码;最后建立间接属性预测模型.给出基于稀疏编码的空间金字塔最大池化模型的零样本学习算法步骤,完成对目标图像的属性预测,从而达到零样本图像分类的目的.在Shoes数据集与OSR数据集上进行了对比试验.结果表明:试验证实了文中算法的有效性;相对于传统算法,试验耗时减少,图像属性预测精度增加,图像分类识别率提高.     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

VAE_LSTM算法在时间序列预测模型中的研究

针对长短期记忆网络(LSTM)算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器(VAE)对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA,RNN等预测模型.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

城轨车辆门密封胶条寿命多模型组合预测

针对城轨车辆门密封胶条提前更换而导致未全寿命使用的问题,对密封胶条寿命进行多模型组合预测,为密封胶条维护提供寿命指标.基于密封胶条样本的拉断伸长率检测数据,构建单项预测模型,用最优权数法进行组合预测;提出一种权数变换方法解决最优权数法计算权数为负值的问题;以平均绝对误差率作为模型精度评价指标,单项预测模型精度分别为1.82%～13.41%,最优权数改进方法构建的组合模型精度范围为1.82%～3.14%,组合模型精度显著提高.由组合模型预测得到密封胶条使用寿命为172个月.     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.