期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到183篇文章
< 1 2 … 10 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于SAE和LSTM神经网络的深部未钻地层可钻性预测方法 被引量：2
1
作者 朱亮 李晓明 +1 位作者 纪慧 楼一珊 《西安石油大学学报(自然科学版)》 北大核心 2025年第1期39-46,64,共9页
在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和LSTM神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-LSTM... 在制定深部地层钻进提速方案时,对地层可钻性进行钻前预测是十分必要的,现有的岩石可钻性预测方法精度低,难以满足钻井设计的要求。为此,提出一种基于SAE和LSTM神经网络相结合的组合模型对深部未钻地层的可钻性进行预测。并将SAE-LSTM组合模型的训练时间和预测结果与BP神经网络、支持向量机、随机森林和单一的LSTM模型进行了对比分析。结果表明:所构建的SAE-LSTM组合模型预测地层可钻性训练用时最短,预测值与实际测量值误差最小,拟合结果的均方根误差RMSE仅为0.081,平均绝对百分比误差MAPE为1.189,决定系数R^(2)为0.966,其RMSE和MAPE最小,R 2最大,较其他模型预测精度更高。该方法为地层参数预测提供了新的途径,能改善以往预测方法在处理复杂地层问题时预测效率低、预测精度不高等问题。 展开更多
关键词 深部地层钻探 岩石可钻性 预测模型 栈式自动编码器 lstm神经网络 深度学习
在线阅读 下载PDF
基于GNN-LSTM融合模型的智慧公寓能耗预测与管理研究
2
作者 周亚凤 杨徐华 《现代信息科技》 2025年第19期131-135,共5页
智慧公寓中的能源管理对提升能源利用效率和实现节能减排十分重要。传统预测方法往往难以捕捉公寓单元之间的空间关联性及能耗随时间的非线性波动。为此,文章提出了一种融合图神经网络(GNN)与长短期记忆网络(LSTM)的创新算法。利用图卷... 智慧公寓中的能源管理对提升能源利用效率和实现节能减排十分重要。传统预测方法往往难以捕捉公寓单元之间的空间关联性及能耗随时间的非线性波动。为此,文章提出了一种融合图神经网络(GNN)与长短期记忆网络(LSTM)的创新算法。利用图卷积网络(GCN)有效提取公寓单元间的物理邻近关系,并利用LSTM刻画各单元能耗的时序动态变化,从而显著提升预测准确性。还探讨了模型在不同预测时长下的性能表现,实验结果表明,GNN-LSTM模型在长期预测中仍能保持较低的误差增长率,具有良好的泛化能力和实际应用价值。 展开更多
关键词 智慧公寓 能耗预测 图神经网络 深度时序模型 GNN-lstm
在线阅读 下载PDF
基于VMD-LSTM对大地电磁信号进行噪声检测和预测重构 被引量：1
3
作者 李博 李长伟 +2 位作者 罗润林 吕玉增 王占 《物探与化探》 2025年第1期100-117,共18页
在大地电磁法中,强干扰噪声限制了该方法还原真实地下结构的精度,会对后期资料解释造成不良影响。本文基于大地电磁时间序列的特点,对不同类型噪声的特征进行分析,提出了一种基于VMD(变分模态分解)与LSTM(长短时记循环神经网络)预测重... 在大地电磁法中,强干扰噪声限制了该方法还原真实地下结构的精度,会对后期资料解释造成不良影响。本文基于大地电磁时间序列的特点,对不同类型噪声的特征进行分析,提出了一种基于VMD(变分模态分解)与LSTM(长短时记循环神经网络)预测重构的信号去噪技术。首先通过VMD信号分解算法对原始大地电磁数据进行去基线漂移处理,对处理好的时间序列继续通过VMD分解为多个不同的模态IMFs,选用含噪声轮廓信息的RSE分量中无干扰数据训练LSTM时间序列检测模型,对RSE分量进行识别并标记含噪时间段,计算噪声的步长,将噪声信息传递给原始信号并截断删除。最后通过对IMFs训练LSTM多维预测模型,对空缺的位置预测不同模态下的信号,将所有模态输出结果叠加可得大地电磁预测信号,重构信号后针对VMD方法识别度不高的尖脉冲噪声进行二次信噪分离即完成去噪。通过该技术可精确识别大地电磁信号中的强干扰噪声,只针对噪声发生时间段进行处理,有效保护了信号中无干扰数据,且预测数据误差可控制在大地电磁信号数据处理的误差允许范围内,去噪效果显著。 展开更多
关键词 大地电磁 变分模态分解VMD 长短时循环神经网络lstm 深度学习 信号去噪
在线阅读 下载PDF
基于改进LSTM的多时隙工业时序数据预测方法研究 被引量：3
4
作者 周红福 孙凯文 《自动化仪表》 2025年第4期86-91,共6页
在工业生产中,常常存在对仪器仪表数据进行趋势预测的需求。对长短期记忆(LSTM)神经网络作出改进,提出一种多时隙工业时序数据预测方法。首先,对输入端作出改进,使得模型能够预测多个采样周期后的数值。其次,对模型单元作出优化,提高了... 在工业生产中,常常存在对仪器仪表数据进行趋势预测的需求。对长短期记忆(LSTM)神经网络作出改进,提出一种多时隙工业时序数据预测方法。首先,对输入端作出改进,使得模型能够预测多个采样周期后的数值。其次,对模型单元作出优化,提高了模型对数值的拟合能力。再次,设计了一种新颖的数据清洗算法,提升了数据获取的稳定性。最后,使用污水厂的多组真实流量数据,对该方法进行验证。验证结果表明,该方法克服了原始LSTM预测方法的缺陷,创新地完成了多时隙数据预测的任务,实现了对24 h后数据的精准预测;相比对照组方法,该方法在数据曲线图像跟随趋势与数学统计指标方面均有提升。该方法能够实际助力污水厂的资源计划和调配。 展开更多
关键词 长短期记忆神经网络 深度学习 趋势预测 工业时序数据 滑动窗口 数据清洗
在线阅读 下载PDF
基于全整型量化与多LSTM的Android恶意软件检测
5
作者 李红娇 吴佳蓓 顾凡 《计算机工程与设计》 北大核心 2025年第8期2280-2288,共9页
考虑到在Android终端部署恶意软件检测模型提升性能的同时需要保持准确度,提出一种基于全整型量化与多LSTM的Android恶意软件检测方法。全整型量化通过限制多LSTM网络每层的参数位宽,所有参数将以16位整型的数据类型参与运算,从而缩短... 考虑到在Android终端部署恶意软件检测模型提升性能的同时需要保持准确度,提出一种基于全整型量化与多LSTM的Android恶意软件检测方法。全整型量化通过限制多LSTM网络每层的参数位宽,所有参数将以16位整型的数据类型参与运算,从而缩短检测速度,这些参数也以16位整型存储在存储器中,减少模型内存占用。此外,多LSTM初始网络将对不同语义特征产生不同的权重值,增加语义分布信息,决策网络综合这些权重值进行恶意软件分类,获得较高的准确度。实验结果表明,经过全整型量化后多LSTM检测模型大小缩小到量化前的1/4,检测时间减少约43.9%。与单LSTM相比,基于多LSTM的检测准确度提升了6.7%。 展开更多
关键词 Android恶意软件 Android恶意软件检测 检测与分类 深度学习 神经网络 lstm 量化
在线阅读 下载PDF
基于LSTM神经网络的风电功率预测方法研究
6
作者 王文欣 刘霁萱 《现代工业经济和信息化》 2025年第5期193-194,264,共3页
在风电领域,准确预测风电功率意义重大。为此,提出了一种基于长短期记忆神经网络的风电功率预测方法,并构建了相应的预测模型。为检验该方法的有效性,利用公开数据集展开深入分析与验证。在整个过程中,严格遵循科学的评估流程,确保每一... 在风电领域,准确预测风电功率意义重大。为此,提出了一种基于长短期记忆神经网络的风电功率预测方法,并构建了相应的预测模型。为检验该方法的有效性,利用公开数据集展开深入分析与验证。在整个过程中,严格遵循科学的评估流程,确保每一个数据都能准确反映模型的性能。同时经过大量的测试与对比,结果清晰地表明,这种基于长短期记忆神经网络的预测方法拥有良好的预测精度。它能够有效捕捉风电功率变化的特征和趋势,为风电功率预测提供可靠依据。 展开更多
关键词 风电功率预测 lstm神经网络 深度学习
在线阅读 下载PDF
基于LSTM的锂离子电池健康状态估计方法
7
作者 孙腾 钟昂 《电气应用》 2025年第11期63-72,共10页
在新能源产业蓬勃发展的背景下,锂离子电池作为电动汽车和储能设备的核心动力单元,其性能退化程度的精准监测已成为保障能源系统安全运行的关键技术挑战。构建高精度的电池健康状态(SOH)评估体系,不仅能够优化能源管理效率、延缓电池老... 在新能源产业蓬勃发展的背景下,锂离子电池作为电动汽车和储能设备的核心动力单元,其性能退化程度的精准监测已成为保障能源系统安全运行的关键技术挑战。构建高精度的电池健康状态(SOH)评估体系,不仅能够优化能源管理效率、延缓电池老化进程,还能显著削减运维开支,从而抑制资源损耗与生态污染。特别是在双碳战略推进过程中,该技术对实现动力电池全生命周期价值挖掘具有重要工程意义。传统方法构建锂离子电池的SOH估计模型存在化学模型偏微分表达式复杂、计算量大,等效电路模型参数识别对测量环境要求苛刻及应用场景受限等问题。应用长短期记忆(LSTM)网络构建高精度SOH评估模型,精准评估锂离子电池健康状态,通过算法学习电池使用历史数据信息,并且无须了解电池内部化学反应老化机理和复杂数学模型表达式的具体含义,即可对全寿命周期SOH进行估计,并验证设计算法的仿真性能。 展开更多
关键词 锂离子电池 健康状态估计 长短期记忆神经网络 深度学习
原文传递
基于改进LSTM的火电厂负荷预测方法研究
8
作者 陈琨 《科技创新与应用》 2025年第26期139-142,共4页
供热负荷预测是指导供热运行管理和调度的前提。供热负荷预测是一个时间序列预测问题,要求利用可用的历史记录和天气信息,预测未来24 h的实时供热负荷。该文提出一种基于精心设计的串联长短期记忆(LSTM)递归神经网络的短期供热负荷预测... 供热负荷预测是指导供热运行管理和调度的前提。供热负荷预测是一个时间序列预测问题,要求利用可用的历史记录和天气信息,预测未来24 h的实时供热负荷。该文提出一种基于精心设计的串联长短期记忆(LSTM)递归神经网络的短期供热负荷预测模型。展示数据预处理的过程,并设计损失函数以提高模型的性能。此外,还将集成策略与LSTM模型结合,以增强其泛化能力和鲁棒性。在离线(历史)测试数据上,所提出的模型能够进行令人满意的预测,满足本地电厂的需求。除离线测试外,还将该模型应用于山东省某电厂的在线系统。在2018年的供暖季节中,该模型在没有人工干预的情况下连续进行预测,持续4个月。该模型在在线测试中的表现与使用历史数据进行的离线实验结果相当,取得令人满意的测试效果。 展开更多
关键词 深度学习 负荷预测 递归神经网络 时间序列 lstm
在线阅读 下载PDF
基于ATT-FC-LSTM模型的远程会诊服务时长预测
9
作者 翟运开 贾启硕 +1 位作者 乔岩 赵杰 《管理学报》 北大核心 2025年第3期568-576,共9页
针对远程会诊服务时长异质性、动态性、随机性等特点,使用注意力机制与全连接层相结合的长短期记忆神经网络算法来预测远程会诊服务时长,利用回归预测和分类预测两种方法评估算法预测性能。该模型堆叠了一个注意力层、3个全连接层和两... 针对远程会诊服务时长异质性、动态性、随机性等特点,使用注意力机制与全连接层相结合的长短期记忆神经网络算法来预测远程会诊服务时长,利用回归预测和分类预测两种方法评估算法预测性能。该模型堆叠了一个注意力层、3个全连接层和两层长短期记忆神经网络,以实现对输入数据的选择性关注和更高级别的特征表示,从而提高模型的性能和表示能力。与4种流行的机器学习算法相比,该设计模型在分类预测中的多个预测性能评价指标上均表现更优,并在此基础上计算得出对远程会诊服务时长影响程度最大的4个变量,依次为会诊专家、会诊科室、专家是否迟到和专家职称。 展开更多
关键词 深度学习 远程会诊服务时长 长短期记忆神经网络 注意力机制 分类预测
在线阅读 下载PDF
融合5G和LSTM-CNN的智能电表数据异常检测方法
10
作者 文琴 《通信电源技术》 2025年第16期86-88,共3页
电能计量数据的准确性和可靠性对电力系统安全稳定运行至关重要。传统智能电表数据异常检测方法主要依赖人工抄表和静态阈值判别,存在效率低下、实时性差、适应性不足等问题,难以满足海量电表数据实时监测需求。为解决这些问题,提出融... 电能计量数据的准确性和可靠性对电力系统安全稳定运行至关重要。传统智能电表数据异常检测方法主要依赖人工抄表和静态阈值判别,存在效率低下、实时性差、适应性不足等问题,难以满足海量电表数据实时监测需求。为解决这些问题,提出融合5G和长短期记忆(Long Short-Term Memory,LSTM)、卷积神经网络(Convolutional Neural Network,CNN)的智能电表数据异常检测方法。相较于传统方法,所提方法在准确性和实时性方面均有显著提升,为智能电网数据监测提供了高效可靠的解决方法。 展开更多
关键词 5G 智能电表 异常检测 深度学习 长短期记忆(lstm) 卷积神经网络(CNN)
在线阅读 下载PDF
基于GCN与LSTM的多频段复杂频谱动态预测
11
作者 汪生 张树森 +2 位作者 杨健 邢伟宁 许鲁彦 《太赫兹科学与电子信息学报》 2025年第10期1045-1050,1059,共7页
随着频谱资源短缺日益严重,基于频谱预测的频谱动态接入技术得到了广泛关注。由于频谱监测数据具有高突发性和复杂的内在关联特性,对多通道频谱的高精确度预测提出了挑战。本文提出一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)的多... 随着频谱资源短缺日益严重,基于频谱预测的频谱动态接入技术得到了广泛关注。由于频谱监测数据具有高突发性和复杂的内在关联特性,对多通道频谱的高精确度预测提出了挑战。本文提出一种基于图卷积网络(GCN)和长短期记忆网络(LSTM)的多频段复杂频谱动态预测方法:首先,利用GCN模型对频谱数据进行特征提取和空间关系建立,捕捉并表述频谱数据中的复杂结构和关联信息;然后,通过LSTM模型有效学习并预测频谱数据的时间动态变化,克服传统预测方法无法处理长时间序列的问题;最后,在真实频谱数据上进行实验验证。实验结果表明本方法在预测精确度和稳定性方面较现有方法有明显提升。 展开更多
关键词 频谱预测 图神经网络(GCN) 长短期记忆网络(lstm) 深度学习
在线阅读 下载PDF
联合RMSE损失LSTM-CNN模型的股价预测 被引量：20
12
作者 方义秋 卢壮 葛君伟 《计算机工程与应用》 CSCD 北大核心 2022年第9期294-302,共9页
由于金融市场的复杂性和多变性,当前模型尚不能完全覆盖股票走势影响因素的方方面面,在预测精度方面还存在改进空间。基于此,提出了一种联合RMSE损失LSTM-CNN(long short-term memory-convolutional neural networks)的方法。该方法创... 由于金融市场的复杂性和多变性,当前模型尚不能完全覆盖股票走势影响因素的方方面面,在预测精度方面还存在改进空间。基于此,提出了一种联合RMSE损失LSTM-CNN(long short-term memory-convolutional neural networks)的方法。该方法创新性地通过联合两个模型的RMSE损失函数,融合了LSTM学习长期时间序列依存关系的优点和CNN提取数据中深层特征的优点。在训练数据端通过将同一数据分为两种不同的表现形式,即股票时序数据和股票图像数据,使联合模型中的每个分支发挥最大的作用。为了证明该模型的可行性,建立BP(back propagation)、LSTM、CNN和LSTM-CNN融合模型作为对比。通过浦发银行、沪深300指数和上证综指三个数据集上的实验结果,得出所提联合RMSE损失LSTM-CNN模型,在预测效果上具有良好的可行性和普适性的结论。 展开更多
关键词 神经网络 深度学习 lstm模型 CNN模型 股票预测
在线阅读 下载PDF
基于LSTM循环神经网络的储层物性参数预测方法研究 被引量：79
13
作者 安鹏 曹丹平 +2 位作者 赵宝银 杨晓利 张明 《地球物理学进展》 CSCD 北大核心 2019年第5期1849-1858,共10页
储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充... 储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2%和48.6%,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络. 展开更多
关键词 储层物性参数 泥质含量 孔隙度 lstm循环神经网络 深度学习
原文传递
一种基于双通道CNN和LSTM的短期光伏功率预测方法 被引量：19
14
作者 简献忠 顾洪志 王如志 《电力科学与工程》 2019年第5期7-11,共5页
针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network,CNN)进行特征提取,经... 针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network,CNN)进行特征提取,经融合层融合送入长短期记忆网络(Long Short-Term Memory,LSTM)进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差(Mean-Absolute Error,MAE)减小了12.3%,均方根误差(Root-Mean-Square Error,RMSE)减小了3%,实现了更高的预测精度。 展开更多
关键词 光伏功率预测 深度学习 卷积神经网络 lstm
在线阅读 下载PDF
基于改进的LSTM深度神经网络语音识别研究 被引量：28
15
作者 赵淑芳 董小雨 《郑州大学学报（工学版）》 CAS 北大核心 2018年第5期63-67,共5页
当前基于LSTM结构的神经网络语言模型中,在隐藏层引入了LSTM结构单元,这种结构单元包含一个信息储存较久的存储单元,对历史信息有良好的记忆功能.但LSTM中当前输入信息的状态不能影响到输出门最后的输出信息,对历史信息的获取较少.针对... 当前基于LSTM结构的神经网络语言模型中,在隐藏层引入了LSTM结构单元,这种结构单元包含一个信息储存较久的存储单元,对历史信息有良好的记忆功能.但LSTM中当前输入信息的状态不能影响到输出门最后的输出信息,对历史信息的获取较少.针对以上问题,笔者提出了基于改进的LSTM(long short-term memory)网络模型建模方法,该模型增加从当前输入门到输出门的连接,同时将遗忘门和输入门合成一个单一的更新门.信息通过输入门和遗忘门将过去与现在的记忆进行合并,可以选择遗忘之前累积的信息,使得改进的LSTM模型可以学到长时期的历史信息,解决了标准LSTM方法的缺点,具有更强的鲁棒性.采用基于改进的LSTM结构的神经网络语言模型,在TIMIT数据集上进行模型测试,结果表明,改进的LSTM识别错误率较标准的LSTM识别错误率降低了5%. 展开更多
关键词 长短时记忆(lstm) 深度神经网络 语音识别
在线阅读 下载PDF
基于深度学习LSTM神经网络的全球股票指数预测研究 被引量：140
16
作者 杨青 王晨蔚 《统计研究》 CSSCI 北大核心 2019年第3期65-77,共13页
作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神... 作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。 展开更多
关键词 lstm神经网络 深度学习 股票指数预测
在线阅读 下载PDF
基于深度神经网络和LSTM的文本情感分析 被引量：12
17
作者 王子牛 吴建华 +2 位作者 高建瓴 陈娅先 王许 《软件》 2018年第12期19-22,共4页
在自然语言处理任务中,词向量的出现大幅度提高了模型的性能,因此通常直接使用词向量初始化的深度模型。由于训练的数据集和方法会影响词向量的质量,为了减少这种影响,本文提出了深度神经网络结合LSTM模型来实现情感分析。先将词向量输... 在自然语言处理任务中,词向量的出现大幅度提高了模型的性能,因此通常直接使用词向量初始化的深度模型。由于训练的数据集和方法会影响词向量的质量,为了减少这种影响,本文提出了深度神经网络结合LSTM模型来实现情感分析。先将词向量输进到深度神经网络实现对词向量的隐藏特征再一次提取,然后输入到LSTM网络中进行情感分析,由此来提高情感分析的准确率。实验表明,本文提出的模型比起单个LSTM模型,深度神经网络结合LSTM模型在文本情感分析上具有更高的性能。 展开更多
关键词 情感分析 词向量 深度神经网络 lstm
在线阅读 下载PDF
基于LSTM-BP神经网络的地层孔隙压力计算方法 被引量：27
18
作者 宋先知 姚学喆 +2 位作者 李根生 肖立志 祝兆鹏 《石油科学通报》 2022年第1期12-23,共12页
地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提。为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性... 地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提。为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性过程,提出了将长短期记忆神经网络(LSTM)和误差反向传播神经网络(BP)相结合计算地层孔隙压力的方法,利用LSTM层提取钻-测-录多源数据中的序列性特征信息,经过BP层构建特征信息与地层孔隙压力之间的非线性映射关系。通过对油田现场钻测录数据进行清洗并综合相关性分析和钻井经验知识优选了18种输入参数,对LSTM-BP地层孔隙压力计算模型进行训练和测试,并采用网格搜索法对LSTM-BP神经网络模型的5种模型超参数进行了优选,效果最优的单井计算模型和邻井计算模型的平均绝对误差分别为4.92 MPa和2.34 Mpa,均方根误差分别为6.65 Mpa和3.03 Mpa,平均相对误差分别为4.36%和8.31%。最后与传统BP模型、LSTM模型和支持向量机(SVM)模型的最优结果进行对比,结果显示,本文所建立的LSTM-BP神经网络模型精度均高于BP模型、LSTM模型和SVM模型,表明所提出的LSTM-BP地层孔隙压力计算模型具有较高的计算精度。 展开更多
关键词 地层孔隙压力 lstm-BP神经网络 深度学习 多源数据
原文传递
基于CNN-LSTM模型及小样本数据的水库二氧化碳通量预测 被引量：1
19
作者 秦宇 欧阳常悦 方鹏 《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心 2022年第6期119-125,共7页
整合了2016年—2017年云贵高原岩溶深水水库——万峰湖水库表层CO_(2)分压[p(CO_(2))]及对应的水质指标,计算了水-气界面CO_(2)通量并分析其与水质的线性相关性,最终在收集的样本数据下建立了水库CO_(2)通量预测的卷积神经网络与长短时... 整合了2016年—2017年云贵高原岩溶深水水库——万峰湖水库表层CO_(2)分压[p(CO_(2))]及对应的水质指标,计算了水-气界面CO_(2)通量并分析其与水质的线性相关性,最终在收集的样本数据下建立了水库CO_(2)通量预测的卷积神经网络与长短时记忆神经网络混合模型(CNN-LSTM模型)。研究表明:万峰湖水库夏季的CO_(2)通量仅与pH和氧化还原电位(ORP)有显著的相关性,而冬季的CO_(2)通量与水温(T)、pH、碱度(ALK)、总溶解固体物质浓度(TDS)和电导率(Cond)均有显著的相关性,在一个完整的水文年内,6个水质指标均为CO_(2)通量的重要影响因素。使用80%训练集数据训练CNN-LSTM模型,20%测试集数据测试模型的绝对均值误差(MAE),均方根误差(RMSE)和相关性(R^(2)),并且建立CNN神经网络模型、LSTM神经网络模型和全连接神经网络模型(DNN)与之对比。4种模型预测值与实测值的相关性(R^(2))均高于0.90,CNN-LSTM模型的MAE与RMSE分别为2.64、3.85 mmol/(m^(2)·d),均低于另外3种神经网络模型,CNN-LSTM模型能在样本数量较小的情况下取得最好的CO_(2)通量预测效果。 展开更多
关键词 环境工程 CO_(2)通量 深度学习 CNN-lstm神经网络模型
在线阅读 下载PDF
基于LSTM神经网络的风机齿轮带断裂故障预测 被引量：15
20
作者 曹渝昆 巢俊乙 王晓飞 《电气自动化》 2019年第4期92-95,共4页
风电是可再生能源的一种重要存在形式,齿形带是风机变桨系统的核心传动零部件,风机中的齿轮带由于应力疲劳会产生断裂现象,从而导致风机故障。提出一种基于LSTM深度学习神经网络的风机齿轮带断裂故障预测方法,结合风电厂SCADA系统的风... 风电是可再生能源的一种重要存在形式,齿形带是风机变桨系统的核心传动零部件,风机中的齿轮带由于应力疲劳会产生断裂现象,从而导致风机故障。提出一种基于LSTM深度学习神经网络的风机齿轮带断裂故障预测方法,结合风电厂SCADA系统的风机运行状态监控数据,在随机森林算法的数据特征筛选基础之上,采用LSTM神经网络对齿轮带故障进行预测。通过基于某风电厂实际运行数据集的故障预测模型验证和对比试验。结果表明,模型的应用能够有效提高风机齿轮带断裂故障预测的精度。 展开更多
关键词 齿轮带断裂预测 lstm 随机森林 深度学习 神经网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 10 下一页 到第 页
使用帮助 返回顶部