CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有...     

EMS型高速磁浮列车导向控制系统及其仿真

为了保证高速磁浮列车沿轨道方向安全、可靠的运行,针对其导向控制系统建立了双电磁铁导向系统动态模型,设计了以电压、电流为受控对象的四种闭环控制器,并利用MATLAB/SIMULINK软件分析了各控制器的稳态性能和抗干扰能力.仿真结果表明:电流作为控制对象具有对非线性导向系统更好的模拟性,引入加速度反馈有利于改善系统的抗干扰性能,PID控制器设计方案具有相对更优的控制性能.     

基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测

为了更精确地预测岩土工程应力、变形等的非线性时间序列,提出了基于小波优化的长短时记忆神经网络-自回归滑动平均模型(LSTM-ARMA)预测模型.首先使用小波分析将监测序列分解成趋势项和噪声项,采用LSTM网络滚动预测趋势项、ARMA模型预测噪声项,并将趋势项预测值与噪声项预测值之和作为总的时间序列预测值.在此基础上,以...     

基于神经网络逼近的磁浮列车动态悬浮控制

为了有效提高磁浮列车悬浮系统在负载扰动和轨道不平顺扰动下的动态特性,提出了一种基于Lyapunov稳定性分析的径向基神经网络逼近算法使悬浮间隙能够在有界范围内达到最优。首先,以悬浮负载为受控对象建立系统垂向动力学方程和电压控制方程,以此构造能够表征系统非线性的状态空间方程。其次,确定径向基函数(radial basis function, RBF)神经网络基本结构,根据悬浮间隙误差约束条件和控制电流构造输入输出,并以此设计控制律保证所输出悬浮间隙能够在多种扰动的综合作用下持续稳定;再次,基于Lyapunov稳定性第二判据证明系统闭环稳定,能够在误差整定过程中使得间隙误差收敛于无穷小。最后,通过与目前应用较为广泛的比例-积分-微分(proportion-integral-derivative, PID)控制算法进行仿真对比,在非线性负载力和不平顺扰动下分析验证所提出控制算法的有效性。结果表明:所提控制算法比PID控制算法具有更好的鲁棒性。     

基于Youla参数化的高速磁浮列车悬浮系统控制与优化设计

为了解决高速磁浮列车悬浮系统长期运行过程中面临的性能退化问题,通过悬浮系统的复杂动态特性分析,基于控制器Youla参数化形式,提出了一种即插即用的悬浮系统控制与优化模块化架构,并设计了基于残差驱动的在线优化算法。仿真结果表明,设计的控制与优化架构以及在线优化算法有效地提高了悬浮系统对未知扰动的鲁棒性和适应能力。     

基于长短时记忆-反向传播级联模型的湿法脱硫系统性能预测

为利用深度强化学习实现石灰石/石膏湿法烟气脱硫(wet flue gas desulfurization, WFGD)过程中脱硫成本的运行优化,需要建立WFGD系统与强化学习的环境模型。考虑到传统WFGD系统机理建模较为复杂以及脱硫数据具有时序性特征,构建长短时记忆(long short-term memory, LSTM)网络和反向传播(back propagation, BP)神经网络结合的LSTM-BP级联模型算法,采用数据预处理技术确定模型的输入量,并以给浆密度和给浆流量作为预测量验证模型的可靠性。以国内某2×600 MW电厂WFGD系统为例,验证模型在实际工况下的应用表现。基于Python语言和TensorFlow框架下的仿真结果表明,级联模型中LSTM具有2层隐含层时相比其他传统模型具有更高的预测精确度,均方根误差(root mean squared error, RMSE)和平均绝对百分比误差(mean absolute percentage error, MAPE)分别为3.47 kg/m~3、0.28%和0.97 m~3/h、6.4%,为进一步实现脱硫成本运行优化建立了良好的前提。     

基于改进信息熵和LSTM网络的轴承故障诊断

针对传统的时频域故障诊断方法无法对故障实现自适应识别和分类,且准确率较低的问题,提出一种基于改进信息熵(improved information entropy, IIE)的长短时记忆网络(long-short time memory network, LSTM)方法。首先对原始信号分别进行集合经验模态分解(ensemble empirical mode decomposition, EEMD)和变分模态分解(variational mode decomposition, VMD);将包含故障信息的所有本征模式分量(intrinsic mode functions, IMF)进行信息熵的求取;通过信息熵反映IMF的信息量和峭度指标对描述冲击成分的优势改进信息熵,构成特征向量;最后结合LSTM处理非线性数据的优势,利用组合特征训练LSTM网络建立诊断模型。实验结果表明：该方法能准确、高效地识别多种故障,准确率要比单一的EEMD-LSTM、VMD-LSTM、人工神经网络等传统方法更高。     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于长短时记忆与多影响因子的滑坡位移动态预测

针对传统滑坡位移预测模型存在对历史数据遗忘的问题,提出了一种基于长短时记忆（LSTM）网络的滑坡位移动态预测模型。首先,将滑坡累计位移分解为趋势项位移与波动项位移,利用多项式拟合预测趋势项位移;然后,通过灰色关联度筛选外界诱发因子并运用LSTM模型预测波动项位移;最后,叠加周期项位移与波动项位移,得到累计位移。以新滩滑坡为例,并与RNN模型以及传统静态神经网络模型BP、ELM进行对比分析,采用平均百分比误差（MAPE）,均方根误差（RMSE）,拟合优度（R2）分别对其进行评价。应用结果表明：相比于传统静态模型,LSTM与RNN均适用于滑坡位移动态预测;对比结果显示,LSTM模型具有较好的预测精度,MAPE与RMSE值分别为1.026%、0.327 mm,拟合优度R2为0.978。     

磁浮列车运行控制系统二维速度防护曲线仿真

速度防护是轨道交通列车自动控制系统中最主要的控制策略 .结合高速磁浮列车的运行特点 ,提出了二维速度防护曲线的概念和原理 ,对高速磁浮列车在强制制动条件和惰性条件下的速度曲线进行了计算 ,给出了高速磁浮列车二维速度防护曲线的一种实用算法 ,并在C语言环境下对其进行了数值仿真     

高速列车塞拉门瞬态动力学分析

建立了高速列车塞拉门等效分析模型,设定了高速列车交会时动力学栽荷,对高速列车塞拉门进行了模态分析并数值模拟其在动栽荷下的瞬态响应．     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

具有流线型头部的高速磁浮列车气动性能数值模拟

以世界上首条商业运行的上海高速磁浮列车TR08为研究对象,基于粘性流体力学理论,按三维可压缩粘性流对具有流线型头部形状的TR08列车以及根据一定规律设计出的4种新头型列车周围流场进行了数值模拟.通过对这5种不同头型列车的模拟结果进行对比分析,得出了流线型头部外形对气动性能影响的规律:随着流线型头部长度增加(其他条件相同),列车气动阻力和升力降低;在头部流线型长度相当的情况下,纵剖面轮廓线上凸的头车气动阻力比下凹的小,而尾车气动阻力大;中间车阻力变化不大,尾车升力大于头车;就整车升力而言,纵剖面轮廓线上凸的气动升力大于下凹的.     

基于LSTM的钓鱼邮件检测系统

提出了一种基于LSTM的钓鱼邮件检测方式.该方式主要由两部分构成:分别为数据扩充部分及模型训练部分.数据扩展部分中,通过KNN与K-means算法扩大训练数据集,保证数据的数量能够满足深度学习算法的需要.在模型训练部分中,通过对数据进行预处理并将其转化为词向量矩阵,最后将转化完词向量通过训练得到LSTM神经网络模型.最终,可以根据训练好的LSTM模型将邮件分为正常邮件以及钓鱼邮件.通过实验对提出的算法进行了评估,实验结果显示提出的算法准确率可以达到95%.      

基于编码器-解码器结构的路面平整度预测

提出了基于编码器?解码器结构的路面平整度预测模型。对比分析了不同网络层的表现,并比较了网络层个数、隐藏节点数、数据时间窗口对模型精度的影响。在美国交通部公开的LTPP（long-term pavement performance）数据库的基础上构建了国际平整度指数（IRI）数据集,并对模型进行了训练和评估。结果表明：采用门控循环单元（GRU）网络层的编码器?解码器结构的预测性能最好,优于经典的机器学习模型XGBoost和单独长短期记忆（LSTM）网络。通过特征随机打乱的方式对不同输入特征的重要性进行了评估,结果显示路面结构和温度对于路面平整度预测比较重要,在数据库建设时应注意对这些数据的收集。     

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络（back propagation neural network,BP）等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆（long short-term memory,LSTM）网络算法,在网络事件指标体系的基础上引入层次分析法（analytic hierarchy process,AHP）并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。     

低速磁浮列车悬浮系统动力学建模及非线性控制研究

以国家磁浮交通工程技术研究中心的低速磁浮列车为研究对象,探讨了外界扰动、非线性和时变性条件下悬浮控制系统的设计问题.首先建立悬浮系统非线性数学模型,并搭建悬浮系统仿真平台.然后设计线性PD（proportion differentiation）控制律,仿真表明其性能依赖参数的选取,对扰动敏感,鲁棒性弱.为提高悬浮控制器的鲁棒性,由可变边界层和指数趋近律出发,导出改进型的滑模控制律.用Lyapunov法证明其稳定性.仿真结果表明该控制律动态性能好,控制精度高,鲁棒性强,且能有效抑制系统颤振.最后通过整车试验证明所提出的改进型滑模控制律的有效性.