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。     

基于集成式长短期记忆神经网络模型的股价涨跌预测分析

在股价预测领域,预测的准确率比估计的相合性更有价值,因此保证相合估计的传统线性模型正逐渐被长短期记忆神经网络(long short-term memory,简称LSTM)等深度学习方法替代.然而,影响股价的因素是多源的,不仅包括股市历史交易信息,还包括企业基本面信息和宏观经济信息等,这些不同来源的信息间有长期确定关系,而关于此关系的数据记忆会被传统LSTM模型在学习过程中抛弃.构建"集成式长短期记忆神经网络模型"即ensemble LSTM,应用动态网络生成机制保证不同来源数据间的长期均衡关系不会被遗忘,且采用多个LSTM并联,让各神经网络独立处理单来源数据,再通过稠密层融合,因此该模型具有节约运算资源的能力.随机选取了16支个股,对比LSTM和ensemble LSTM在预测股价涨跌方面的性能,发现后者在节约运算资源上具有优势,且准确率也大多高于前者.     

基于鲸鱼优化算法改进长短期记忆神经网络的资源推荐

为了改善资源推荐算法的性能,提出基于鲸鱼优化算法(WOA)改进长短期记忆神经网络(LSTM)的资源推荐算法;首先提取资源和用户特征,构建特征差异值加权函数;然后,以资源-用户特征作为输入,建立基于LSTM的资源推荐算法,通过输入门、遗忘门、输出门及记忆节点对历史资源推荐数据按权重进行遗忘与筛选,有选择性地挑选部分数据进行循环迭代训练;考虑到LSTM的门操作需要设置的参数较多,引入WOA进行参数智能优化求解,提出WOA-LSTM算法,以提高LSTM的参数优化的精度及效率。结果表明,通过合理设置WOA参数,可以有效改善LSTM的资源推荐性能,与常用资源推荐算法相比,所提出的WOA-LSTM算法具有更高的推荐精度及稳定性。     

基于LSTM和改进TTR算法的车辆辅助驾驶侧翻预警

以提高侧翻预警中对侧翻风险的预测和判断为目标，为了给驾驶员或其他驾驶辅助系统确定对车辆进行控制的介入时机提供重要依据，提出了一种更高效准确的侧翻预警算法.首先建立三自由度车辆预警参考模型；选取相平面法划分侧倾稳定域为侧翻指标，根据三自由度模型响应，设计改进侧翻预测时间（TTR）算法并计算TTR.分析结果表明，相平面侧翻指标接近实际横向载荷转移率（LTR），比LTR常用的表达形式更准确地表述了车辆状态，且改进的TTR也更加接近实际TTR.然后建立长短期记忆网络（LSTM）模型来取代改进TTR算法，提高预警计算效率，模型输出的TTR值作为车辆预警控制的依据.最后通过驾驶员在环（DIL）试验采集数据，对LSTM模型进行训练，并在两种工况下，仿真验证了此侧翻预警方法具有对侧翻风险预测的准确性和更高的实时性.     

基于LSTM的沪深300ETF期权定价模型研究

将深度学习算法中的长短记忆神经网络（LSTM）引入期权定价的研究中．构建了沪深300ETF看涨期权和看跌期权的LSTM定价模型,进行了实证分析,并和BP神经网络模型的预测结果进行了对比．结果表明,LSTM神经网络模型的预测精度与深度学习的训练次数有关,且LSTM期权定价模型的预测效果要优于传统的BP模型．     

基于长短期记忆网络的半潜平台波浪爬升预报

波浪爬升问题与半潜式平台安全密切相关，波浪爬升的实时在线预报有助于保障海上作业安全.基于长短期记忆(LSTM)神经网络模型，以波浪和平台运动时间序列为输入，建立半潜式平台波浪爬升高度的极短期在线预报方法.通过平台模型试验获得训练与测试数据，对LSTM模型性能进行检验.结果显示，在提前预报量为6 s和12 s时，波浪爬升高度的平均预报精度分别为92.90%和84.09%,最大值相对误差不高于19.69%和30.66%;同时，模型在提前预报量低于6 s时能够对较大的波浪爬升极值实现准确且稳定的预报，可为海上平台运营过程中波浪砰击和越浪等风险预警提供有效技术支持.     

基于长短时记忆网络的结构智能控制算法研究

为提高建筑结构智能控制的控制精度及稳定性,在长短时记忆(LSTM)网络理论基础上,提出一种基于深度学习的智能控制算法.通过构建深度学习框架,设计LSTM智能控制器,并将其性能测试结果与反向传播(BP)和径向基函数(RBF)神经网络控制器进行对比.以Benchmark模型为对象,分析了不同外部激励工况下LSTM智能控制器的泛化能力,并提出了基于结构响应的H_2范数评价指标.结果表明:BP和RBF神经网络框架的预测结果相比LSTM框架可能发生局部最优现象,且收敛精度较低;原输入工况下,LSTM控制器的误差为3.30×10~(-4),控制效果最高达65.0%;变激励工况下,LSTM控制器的响应峰值及H_2范数评价指标均优于BP和RBF神经网络控制器,说明LSTM智能控制器具有良好的控制和泛化性能.     

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM, long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR, interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR, multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a, LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error, RMSE)和绝对误差平均值(mean absolute error, MAE)最小值分别为2.343 mm和2.010 mm,...     

综采工作面瓦斯爆炸风险评估

针对瓦斯涌出预测及风险评估过程时使用方法单一的问题,文章提出一种基于LSTM的综采工作面瓦斯涌出预测及风险评估方法。首先采用拉依达准则和拉格朗日插值法对原始的瓦斯浓度数据进行异常值和缺失值处理,其次选取均方误差作为模型的评价指标,利用适应性矩估计优化算法通过一阶偏差、二阶偏差校正对模型中的参数进行优化,最终通过训练建立LSTM的煤矿工作面瓦斯浓度预测模型。结果表明：以某矿综采工作面监测数据为例,利用“3σ”准则实现瓦斯爆炸风险等级划分,分别采用SVM支持向量机、BP神经网络和LSTM神经网络对瓦斯爆炸风险等级进行评估,通过对比3种模型的训练误差和预测值发现LSTM神经网络的风险评估误差较小,预测值准确度更高,具有更好的实用价值。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

在长短期记忆神经网络(LSTM)的基础上,运用双向的长短期记忆神经网络(BiLSTM),结合卷积神经网络(CNN)提出了一个预测模型,对超短期电力负荷预测.运用合肥市2019年全年数据对该模型进行训练及预测,结果显示,CNN-BiLSTM预测精度高于CNN-LSTM预测模型,为进一步提升预测精确度,在BiLSTM神经网络后面连接了一个Attention在输出,发现其预测精度进一步提升了.     

基于CNN的上市公司财务危机预警研究

对财务危机预警模型进行研究,有助于企业及早发现可能的风险,制定相应对策加强财务管理,对完善资本市场体系,推动经济高质量发展意义重大.本研究提出了一种基于主成分分析(Principal Component Analysis, PCA)和卷积神经网络(Convolutional Neural Network, CNN)相融合的财务危机预警方法.首先,针对海量财务数据存在噪音的问题,构建表征企业财务风险的主成分分析框架,实现备选指标数据的预处理.其次,根据预警指标的特征,通过对财务预警数据的反向学习训练,构建轻量化的三层卷积神经网络模型,预测企业是否陷入财务危机.最后,与现有机器学习财务预警方法进行对比,新模型显示了较高的预测准确率.     

空战飞行对敌目标逼近航迹预测仿真

针对传统航迹预测方法考虑因素少、预测时间长的问题,提出基于实时反馈长短期记忆神经网络(FF-LSTM)的航迹预测模型。该模型在长短期记忆(LSTM)神经网络的基础上,引入实时反馈,并采用随机梯度下降法和批处理方法训练网络权值和阈值,构建FF-LSTM神经网络。根据目标航迹特点,选取敌机位置、姿态信息和两机之间互信息特征作为输入数据,将航迹预测视为序列到序列的映射问题。实验结果表明,与BP神经网络和递归神经网络相比,FF-LSTM模型有更好的预测能力,可以快速准确地完成航迹预测。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号情感识别方法.首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征.然后,利用LSTM网络在序列上的建模能力,...     

递归神经网络研究综述

递归神经网络(RNN)因具存储特性,可以处理前后输入有关系的序列数据,故广泛应用于文本音频、视频等领域.当输入间隙较大时,RNN存在短期记忆问题,无法处理很长的输入序列,而长短期记忆(LSTM)能很好地处理长期依赖性问题.自LSTM提出以来,几乎所有基于RNNs的令人兴奋的结果都是由LSTM实现的,因此LSTM成为深度...     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于sEMG和LSTM的下肢连续运动估计

针对下肢助力外骨骼的连续运动控制问题,提出了一种基于表面肌电信号(sEMG)与长短时记忆(LSTM)网络的连续运动估计方法.通过LSTM对肌电-运动的映射关系进行训练分析,基于奇异值分解特征值矩阵的误差算法获取主元分析(PCA)算法的主成分数量(降维维度),实现了对下肢三个关节在矢状面内的连续运动估计,且提高了连续运动估计的实时性.通过与传统网络支持向量机(SVM)、反向传播(BP)神经网络训练结果的对比分析,证明了LSTM网络在下肢连续运动预测中的优越性.     

基于LSTM流量预测的DDoS攻击检测方法

提出一种基于长短时记忆(LSTM)神经网络流量预测的分布式拒绝服务(DDoS)攻击检测方法.首先定义了IP数据包统计特征(IPDCF)来表征网络流特征,然后采用LSTM神经网络模型对IPDCF时间序列进行建模,且使用网格搜索和超参数最优法确定Dropout的值以缓解该模型的过拟合现象,最后建立基于IPDCF时间序列的LSTM模型来识别DDoS攻击.实验结果表明:该模型能够准确地预测正常网络流量变化趋势,识别DDoS攻击引起的异常;与同类方法相比,该方法能较早地检测DDoS攻击且漏报率和误报率更低.     

一种基于LSTM神经网络建模的时域电磁正演方法

针对传统计算电磁学在求解时域电磁散射特性时耗时较长的问题,该文提出了一种基于长短时记忆(LSTM)神经网络的时域电磁正演算法,以快速准确地求解时域电磁散射特性.首先,利用时域有限差分(FDTD)方法生成样本数据;然后,搭建一个适用于本问题的LSTM神经网络模型,将一部分样本作为训练数据输入到该LSTM神经网络中,另一部...