基于忆阻器的门控循环单元电路

时间序列数据分析可用于识别长期趋势并进行正确的预测,与人工神经网络(artificial neural network, ANN)相比,门控循环单元(gated recurrent unit, GRU)可以处理时间序列信号,在自然语言处理、语音识别、机器翻译等方面有着广泛的应用。然而,由于参数和模型的复杂性,GRU模型在硬件实现中遇到了瓶颈。文章构建一个基于忆阻器的GRU硬件电路,具有完整的GRU功能,而且输入/输出参数更少。仿真结果表明,电路的平均误差为0.007 5,能够有效地实现GRU网络的功能。将设计的GRU电路应用在搭建的序列预测模型中,可以预测股票价格变化趋势,且其预测的R2分数达到0.923 4。因此基于忆阻器的GRU硬件电路的设计在机器学习和人工智能方面具有一定的应用潜力。     

基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。     

基于门控循环单元的车载控制器局域网络总线入侵检测方法

针对车载控制器局域网络(controller area network,CAN)总线入侵检测准确率低与时效性差的问题,通过分析总线中入侵数据帧的特点,提出了基于门控循环单元(gated recurrent unit,GRU)的入侵检测方法.该方法搭建了由5层神经网络构成的入侵检测模型,以真实汽车采集的CAN数据为基础构...     

基于改进门控循环单元神经网络的锂电池组荷电状态预测

准确预测锂电池组的荷电状态(state of charge, SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization, HPO)优化门控循环单元(gated recurrent unit, GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation, BP)、长短期记忆网络(long short term memory, LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。     

基于门控循环单元网络的低阻油层测井流体识别方法

研究区块低阻油层发育广泛,油层和水层的电阻率相差不大,导致测井流体识别较为困难。为了有效识别低阻油层,采用少数类过采样技术(synthetic minority oversampling technique, Smote)对油水同层,油层等少数类样本进行过采样使数据集均衡;并利用门控循环单元(gated recurrent unit, GRU)网络模型进行低阻油层的流体识别。通过相关性分析确定自然伽马(GR)、深侧向电阻率(RD)、密度(DEN)等8条测井曲线数据作为输入训练模型,应用于中实际资料中,并将GRU与传统RNN和其他3种机器学习算法对比。结果表明：序列数据模型的流体识别效果比传统机器学习模型好,且基于Smote-GRU的流体识别模型的符合率达到89.5%,相对传统循环神经网络(recurrent neural network, RNN)的81.1%,取得了较好的应用效果。通过对照试验还证实了Smote算法提高了分类器对少数类样本的识别率。所提出的方法可为样本不均衡的低阻油层的流体识别提供参考。     

全断面隧道掘进机破岩机理离散元分析

将基于微观胶结试验得到的岩石微观力学模型植入离散元软件,模拟滚刀破岩过程并重点分析滚刀破岩各阶段的宏微观机理.结果表明:滚刀破岩过程按破岩阻力和侵入深度的关系可以分为3个阶段,即加载阶段、卸载阶段和残余跃进阶段;破岩过程中的胶结破坏主要分为拉破坏和剪扭破坏2种类型,其中,中裂纹主要由拉剪扭复合破坏引起,斜裂纹主要由拉破坏引起,证实了张拉破坏理论.加载阶段是滚刀破岩的必经阶段,卸载阶段是滚刀破岩的关键阶段,有效利用卸载阶段破碎特性可以提高破岩效率.     

全断面隧道掘进机滚刀破岩尺寸效应离散元分析

为了给室内模型试验或数值模拟试验提供直接的指导及实际工程间接的参考,将基于微观胶结试验得到的合理的岩石微观力学模型植入离散元软件,模拟了不同试样尺寸滚刀破岩过程并分析了各因素对滚刀破岩过程的影响.结果表明,不同试样尺寸滚刀破岩过程按破岩阻力和侵入深度的关系均可以分为3个阶段,即加载阶段、卸载阶段和残余跃进阶段;室内模型试验中,滚刀刃宽与岩石试样宽度的比值(相对比值)存在一个临界值,当试验中选取的相对比值小于该临界值时,可以减小试验过程中的边界效应.     

适于全断面岩石掘进机的围岩分类方法

为了研究影响全断面岩石掘进机(TBM)掘进速率的地质因素,利用三维离散元程序3DEC建立TBM滚刀破岩三维仿真模型,分析不同的地质条件对TBM掘进速率的影响,根据TBM在围岩中的可钻性对南水北调西线工程中的围岩进行分类。分析结果表明:TBM掘进速率与岩石物理力学性质及岩体中的节理条件密切相关,在一定范围内,围岩强度越低,节理分布越密集,TBM掘进速率越高;而围岩强度越高,节理间距越大,使得TBM掘进速率大大降低。     

基于关键 $n$-grams 和门控循环神经网络的文本分类模型

提出一种基于关键 $n$-grams 和门控循环神经网络的文本分类模型. 模型采用更为简单高效的池化层替代传统的卷积层来提取关键的 $n$-grams 作为重要语义特征, 同时构建双向门控循环单元(gated recurrent unit, GRU)获取输入文本的全局依赖特征, 最后将两种特征的融合模型应用于文本分类任务. 在多个公开数据集上评估模型的质量, 包括情感分类和主题分类. 与传统模型的实验对比结果表明: 所提出的文本分类模型可有效改进文本分类的性能, 在语料库 20newsgroup 上准确率提高约 1.95%, 在语料库 Rotton Tomatoes 上准确率提高约 1.55%.     

Implicit Attribute Recognition of Online Clothing Reviews Based on Bidirectional Gated Recurrent Unit-Conditional Random Fields

Sentiment analysis has been widely used to mine users' opinions on products, product attributes and merchants' response attitudes from online product reviews. One of the key challenges is that the opinion words in some reviews lack obvious evaluation objects(product attributes). This paper aims to identify implicit attributes from online clothing reviews, and presents a unified model which applies a unified tagging scheme. Our model integrates the indicator consistency(IC) module on the basis of bidirectional gated recurrent unit(BiGRU) with a conditional random fields(CRF) layer(BiGRU-CRF), which denoted as BiGRU-IC-CRF. On the 9640 comments data set of a certain clothing brand, the comparative experiment is carried out by BiGRU, BiGRU with an IC layer(BiGRU-IC) and BiGRU-CRF. The results show that this method has a higher recognition rate, and the F1 value reaches 85.48%. The method proposed in this paper is based on character labeling, which effectively avoids the inaccuracy of word segmentation in natural language processing. The IC module proposed in this paper can maintain the consistency of the product attributes corresponding to the opinion words, thereby enhancing the recognition ability of the original BiGRU-CRF method. This method is not only applicable to the implicit attributes recognition in clothing reviews, but also helpful to other fields implicit attribute recognition of product reviews.     

基于聚类和双向门控循环单元 条件随机场的多类型流式文档结构识别

流式文档结构识别对于文档自动排版和优化、信息检索等领域有着重要作用.以往针对流式文档结构识别主要集中于学术论文领域,对于其他诸如公文、报告等多类型的文档结构识别研究较少.针对此现状,使用聚类的方法对文档进行分类,在此基础上提出了针对不同文档分类的、基于双向门控循环单元-条件随机场(bidirectional gated recurrent unit-conditional random field,BIGRU-CRF)的文档结构识别方法,以此来解决多类型文档结构识别的问题.实验结果表明,该方法不仅能够提高学术论文结构识别的效果,对其他类型的文档结构也能够进行较好地识别.     

TBM掘进技术的发展与展望

比较了隧洞施工传统钻爆法及TBM法各自的特点,指出TBM法将成为长大隧洞施工的发展方向,介绍了TBM掘进技术的应用现状,并展望了其未来发展.     

基于误差修正模型的压缩机组性能预测

针对前期制定的压缩机组运行方案不切实际的问题,开展了离心压缩机性能预测研究。采用误差修正的思想,以某压气站离心压缩机组为研究对象,运用多变换算法对压缩机组性能曲线进行换算,然后,基于最小二乘法曲面拟合原理对经过相似变换后的性能曲线进行拟合。考虑到压缩机组的劣化情况,运用最小二乘法一元拟合原理获得了性能参数的误差修正模型,并与不同工况下的多组历史数据进行对比分析,由误差修正模型得到的轴功率、压比预测值与其实测值的相对误差在3%以内,验证了误差修正模型的可靠性,为压缩机组运行方案的制定提供了切合实际的生产运行基础数据。     

Neural Network Based Model for Predicting Housing Market Performance

The United States real estate market is currently facing its worst hit in two decades due to the slowdown of housing sales. The most affected by this decline are real estate investors and home developers who are currently struggling to break-even financially on their investments. For these investors, it is of utmost importance to evaluate the current status of the market and predict its performance over the shortterm in order to make appropriate financial decisions. This paper presents the development of artificial neural network based models to support real estate investors and home developers in this critical task. The paper describes the decision variables, design methodology, and the implementation of these models. The models utilize historical market performance data sets to train the artificial neural networks in order to predict unforeseen future performances. An application example is analyzed to demonstrate the model capabili-ties in analyzing and predicting the market performance. The model testing and validation showed that the error in prediction is in the range between -2% and +2%.     

基于Logistic算法的考研成绩变量预测方法

针对传统考研成绩变量预测方法的变量关联性低,导致预测结果存在较大误差的问题,提出基于Logistic算法的考研成绩变量预测方法.收集并处理历年考研成绩数据和学生成绩数据,作为成绩变量预测的初始数据.设置考研成绩的预测变量,建立Logistic回归分类算法模型,通过该模型的运算提高考研成绩变量之间的关联性.综合历年考研成...     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.