船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模...船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。展开更多
文摘针对不同磁密幅值、频率、谐波组合等复杂激励工况下磁致伸缩建模面临的精准性问题,该文利用空间注意力机制(spatial attention mechanism,SAM)对传统的卷积神经网络(convolutional neural network,CNN)进行改进,将SAM嵌套入CNN网络中,建立SAMCNN改进型网络。再结合双向长短期记忆(bidirectional long short-term memory,BiLSTM)网络,提出电工钢片SAMCNN-BiLSTM磁致伸缩模型。首先,利用灰狼优化算法(grey wolf optimization,GWO)寻优神经网络结构的参数,实现复杂工况下磁致伸缩效应的准确表征;然后,建立中低频范围单频与叠加谐波激励等复杂工况下的磁致伸缩应变数据库,开展数据预处理与特征分析;最后,对SAMCNN-BiLSTM模型开展对比验证。对比叠加3次谐波激励下的磁致伸缩应变频谱主要分量,SAMCNN-BiLSTM模型计算值最大相对误差为3.70%,其比Jiles-Atherton-Sablik(J-A-S)、二次畴转等模型能更精确地表征电工钢片的磁致伸缩效应。
文摘目的探讨自回归移动平均模型-长短期记忆(autoregressive integrated moving average-long short-term memory,ARIMA-LSTM)组合模型在肾综合征出血热(hemorrhagic fever with renal syndrome,HFRS)不同流行模式发病率预测中应用的可行性。方法收集1961—2020年全国HFRS年发病率、2004年1月至2020年12月全国、黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省HFRS逐月发病率数据;全国及黑龙江省作为冬峰较春峰高代表,吉林省、辽宁省作为春峰与冬峰相当代表,陕西省、山东省作为仅存在冬峰代表,河北省、广东省作为仅存在春峰代表。1961—2014年逐年发病率、2004年1月至2020年6月逐月发病率数据作为训练集,2015—2020年逐年发病率、2020年7-12月逐月发病率数据作为测试集。分别建立ARIMA模型、ARIMA-LSTM组合模型,采用平均绝对百分比误差下降率(decline rate of mean absolute percentage error,DR_(MAPE))、均方根误差下降率(decline rate of root mean squared error,DRRMSE)评价模型拟合及预测精度优化程度。结果全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月HFRS发病率拟合最佳ARIMA模型分别为ARIMA(2,0,0)、ARIMA(3,1,0)(2,1,1)_(12)、ARIMA(2,0,1)(2,1,1)_(12)、ARIMA(3,0,0)(2,1,1)_(12)含常数项、ARIMA(2,1,1)(2,1,1)_(12)、ARIMA(1,0,3)(1,1,0)_(12)、ARIMA(0,1,3)(2,1,1)_(12)、ARIMA(1,1,3)(2,0,0)_(12)、ARIMA(3,1,1)(1,1,1)_(12)。全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月数据建立ARIMA-LSTM组合模型较ARIMA模型拟合的DR_(MAPE)依次为-19.57%、-46.38%、-43.27%、-46.37%、-49.70%、-48.36%、-58.23%、-35.52%、-48.74%;DRRMSE依次为-11.21%、-36.17%、-64.89%、-55.68%、-54.81%、-31.76%、-39.69%、-55.64%、-30.06%。全国逐年、全国及黑龙江省、吉林省、辽宁省、陕西省、山东省、河北省、广东省逐月数据建立ARIMA-LSTM组合模型较ARIMA模型预测的DR_(MAPE)依次为-11.10%、-8.69%、-19.68%、-36.17%、-55.57%、-9.44%、-14.60%、-14.22%、-9.26%;DRRMSE依次为-14.43%、-7.42%、-12.66%、-13.83%、-36.56%、10.37%、81.14%、-19.68%、-1.18%。结论ARIMA-LSTM组合模型总体在各类HFRS数据中拟合及预测效果均优于ARIMA模型,LSTM适于我国HFRS预测模型优化,但陕西省和山东省不适于ARIMA-LSTM预测。
文摘船舶轨迹预测是智能航运系统的核心技术之一。现有船舶轨迹预测方法较少考虑目标间运动的相互影响,导致预测准确率低且计算量大。为解决上述问题,提出一种基于组稀疏长短期记忆(Sparse Group Long short-term memory Network,SGLNet)模型的船舶轨迹预测方法。利用编码层对输入的目标船舶运动轨迹数据进行编码,通过长短期记忆网络捕捉每个目标的运动特征;基于笛卡尔积构建水面目标周身网格空间,建立感知社交池化层,共享空间近端目标的隐藏状态;设计基于稀疏表示的掩码模型,对SGLNet网络参数量进行压缩。实验结果表明,相比其他序列预测网络模型,船舶轨迹预测精度提高了55.8%,模型参数量降低了12.77%。该方法满足了水面态势感知中对于船舶轨迹的需求,为构建智能航运系统提供了新的技术路径。
