基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统.pdf
小沛****文章
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统.pdf
本申请提供了一种基于布谷鸟搜索算法优化LSTM的瓦斯浓度预测方法和系统。该方法包括:对获取的煤矿井下瓦斯浓度数据进行处理,得到标准化瓦斯浓度数据;确定预先构建的LSTM预测模型的优化参数组合以及所述LSTM预测模型的准确性评价指标;基于布谷鸟搜索算法,根据所述LSTM预测模型的准确性评价指标和所述LSTM预测模型的优化参数组合,构建CS?LSTM预测模型;根据所述煤矿井下的瓦斯浓度监测数据,对所述CS?LSTM预测模型进行准确性评价。籍此,以通过优化完成的CS?LSTM预测模型对煤矿瓦斯浓度进行预测,提高
一种基于LSTM-LightGBM变权组合模型的瓦斯浓度预测方法.pdf
本发明公开了一种基于LSTM‑LightGBM变权组合模型的瓦斯浓度预测方法,包括:获取煤矿瓦斯浓度相关数据,并进行预处理;构建LSTM和LightGBM两种模型获得对应的预测值;将两种预测模型的预测值分别与真实值相比较,通过给两种模型赋予的权值来刻画预测的精准度;根据t‑1时刻的权值以及单机器模型在t时刻的预测值通过残差赋权的方式得到对应的预测值;计算最优n值,使用前n时刻权重的平均值对初始时刻进行赋权,与残差赋权进行比较,当改进后的权值使得误差变小时,则替换原始权值,否则权值保持不变;实现对目标区域的
基于多元统计分析和LSTM融合的PM2.5浓度预测方法.pdf
本发明涉及人工智能与大数据领域,涉及基于多元统计分析和LSTM融合的PM2.5浓度预测方法,包括在理论层面上分析两者的优缺点,并在此基础上构建基于两者的融合算法;通过从省控点、国控点获取气象数据与污染物数据;采样近半年的数据,通过使用Pearson相关系数分析各因子与PM2.5浓度的相关性;将所有数据分为训练数据、测试数据、预测数据三个部分,其中使用训练数据去训练模型,并设置相关的模型参数;将测试数据输入模型中,最终获取预测结果,本发明通过分析PM2.5的时间和空间特性,将数据进行降维,通过深度学习技术,
一种基于CNN-LSTM的氢气浓度快速预测方法.pdf
本发明公开了一种基于CNN‑LSTM的氢气浓度快速预测方法。该方法构建神经网路模型,利用传感器检测环境中的氢气浓度、温度与湿度,将测得的数据进行滤波、归一化后作为模型的输入,测得的氢气饱和浓度与设定的真实氢气浓度作为模型的输出,然后利用测得的数据对模型进行重复训练,得到预测模型,并且利用测得的数据对预测模型进行评估、调整优化。利用该预测模型能够在氢气扩散初期预测环境中的氢气浓度,实现氢气浓度的快速预测,大幅度缩短检测时间,有利于预先掌握氢气的饱和浓度。另外,本发明将环境的温度与湿度作为输入和测得的氢气浓度
基于BLS和LSTM的剩余使用寿命预测方法及系统.pdf
本发明公开了一种基于BLS和LSTM的剩余使用寿命预测方法及系统,属于智能学习领域,包括:LSTM通过门控机制控制数据信息的传输,保留的信息生成映射特征并形成特征节点;然后将激活函数作用于随机特征节点,生成表达能力更强的增强节点,增加网络中的非线性因子;最终将特征节点和增强节点共同连接到输出层。本发明提出了一个基于宽度学习系统(BLS)的集成B‑LSTM模型,并嵌入了长短期记忆网络(LSTM),以提高模型提取时间序列信息特征的能力,与几种主流方法的比较结果显示,本发明使用的模型的可解释性和准确性更高;在对