讨论方式对目击证人记忆的影响

以54名大学生为被试,采用模拟事件范式,创设共同目击者讨论、问题讨论和无讨论3种讨论方式,探讨讨论方式对目击证人自由回忆不同类型案件信息的效果、信心及其确信度的影响.研究显示:相比细节信息,被试对动作信息的回忆正确率、信心更高,校准和信心准确率得分更低;相比问题讨论组和无讨论组,共同目击者讨论组被试回忆的信息总数和正确数更高.表明目击证人对动作信息的记忆和确信度好于对细节信息的记忆,对细节信息的记忆过于自信;共同目击者讨论仅增加了自由回忆的信息量,并没有提高自由回忆效果.     

基于LSTM分类器的航空发动机预测性维护模型

利用传感器数据进行预测性维护是航空发动机故障预测与健康管理(prognostic and health manage-ment,PHM)的关键问题.针对发动机剩余寿命预测准确性低的问题,提出基于长短期记忆网络(long short-term memory network,LSTM)分类器的预测性维护模型.LSTM分类器...     

基于免疫记忆克隆的关联规则挖掘

针对数据关联规则挖掘的不足,提出了一种基于免疫记忆克隆算法的关联规则挖掘方法。算法利用了免疫记忆特性,把挖掘的关联规则存入记忆库,加快了挖掘速度。在克隆扩增过程中,设计了一种基于矢量距的抗体浓度计算方法,保证克隆扩增过程中解的多样性。仿真实验结果表明,现算法具有较快的运行速度,提高了所得关联规则的准确性。     

含时延的双向联想记忆神经网络的指数吸引性分析

针对含时延的双向联想记忆神经网络模型具有多个对应于不同记忆模式的平衡点的特点,采用不等式技巧和非负矩阵性质,建立了平衡点指数吸引域及其指数收敛速度估计的方法,所得结论对含时延的双向联想记忆神经网的设计和容错性能的评价都很有意义。     

基于CBAMs-BiLSTM模型的中国股市预测（英文）

卷积块注意力模块（CBAM）因其可以有效地提高深度学习模型的预测准确性从而在各种预测问题中显示了其优越性。然而,CBAM在股指预测问题中的有效性研究却十分有限。为了解决这个问题并提高股指的预测精度,本文提出了CBAMs-BiLSTM模型。它将多个CBAM与双向长短期记忆网络（BiLSTM）相结合。研究中,标准指标评价法（SME）和模型置信集检验（MCS）用于综合评价模型的优越性和稳健性。实验数据为具有代表性的中国股指数据集：上证综合指数和深证综合指数。数值结果表明,CBAMs-BiLSTM优于单独的BiLSTM。其中在MAE,RMSE和MAPE上分别平均降低了13.06%,13.39%和12.48%。这证实了CBAM可以有效地提高BiLSTM的预测精度。此外,通过与其他流行模型进行对比,并研究了改变数据集、预测方法和训练集的大小的影响。结果一致证实了CBAMs-BiLSTM在预测精度和投资回报方面的优越性和稳健性。     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验,研究结果表明,本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error,MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error,MAPE)和决定系数(Ccoefficient of Ddetermination,R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。此外,研究还证实,采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。     

航空器爬升与下降阶段4D航迹预测

准确的4D航迹预测可以在冲突探测与解脱、航迹优化和空中交通流量管理等多个领域发挥重要作用。为提高预测的准确性,提出了基于机器学习的航空器4D航迹预测方法。首先,利用爬升阶段提取研究指标,构建循环神经网络(recurrent neural network, RNN)和长短期记忆网络(long short-term memory, LSTM);其次,在下降阶段进行数据维度拓展,构建RNN、LSTM模型进行航迹预测;最后,对各个维度上的预测航迹点和实际航迹点的误差进行分析。仿真结果表明,爬升阶段模型和下降阶段模型对于航空器位置预测准确性高,展现了航迹预测模型的良好鲁棒性。     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。     

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,...     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足,提出了一种基于时序分解和麻雀搜索算法-长短时记忆-注意力机制(sparrow search algorithm-long short-term memory-attention mechanism, SSA-LSTM-Attention)模型的尾矿坝位移预测方法。首先,通过改进的自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)将尾矿坝位移监测数据进行分解为趋势项和波动项;其次,一方面采用高斯拟合方法对趋势项进行拟合预测,另一方面通过灰色关联度进行波动项相关影响因子筛选,并将注意力机制与LSTM相结合,建立了基于注意力机制及LSTM的波动项位移预测模型,同时利用SSA对该模型的超参数寻优;最后,将趋势项与波动项叠加得到总的位移预测值。以攀西地区尾矿库为例对模型性能进行了验证,并与反向传播(back propagation, BP)、LSTM、LSTM-Atte...