摘要：针对单准则设计的波形难以满足雷达多工作模式和多任务问题,联合互信息(mutual information,MI)准则和信杂噪比(signal to clutter and noise ratio,SCNR)准则,提出一种基于长短时记忆(long short-term memory,LSTM)网络的雷达波形设计方法。首先,设计了由输入层、LSTM层和输出层构成的LSTM网络。其次,将基于MI准则和SCNR准则生成的信号与相应环境信息组成训练集,训练LSTM网络。最后,使用训练完成的LSTM网络设计波形,并将所提方法生成波形的雷达性能与单准则设计的波形进行对比。为衡量雷达综合性能,提出一种新的雷达综合性能指标和目标识别率。仿真结果表明,所提方法生成信号作为发射信号时,与MI准则生成信号相比,雷达综合性能平均提升0.67%,与SCNR准则相比,平均提升1.47%,证明了该方法可兼具MI准则和SCNR准则优点,提升雷达综合性能。

摘要：瞬变电磁一维反演方法对初始模型依赖大,对异常体边界反映不清晰,计算速度也难以达到实时化水平.为此,本文开展基于深度学习的瞬变电磁实时反演方法研究,提出在非观测时间段进行反演训练,而在观测时间段进行实时精细成像的瞬变电磁长短时记忆网络反演策略.以正演模拟获得的海量采样时间-视电阻率为输入数据,基于长短时记忆网络构造Seq2seq编码器-解码器模型,并针对瞬变电磁反演的问题特性,对decoder的结构进行适应性更改,同时加入Bahdanau Attention机制突出重点信息作用,获得深度-电阻率输出数据.将该反演网络应用于随机生成的数万组以上三层和五层地电模型,测试组三大衡量指标标准差均小于10%,验证了本文算法的可靠性,在此基础上,构建了接近实际的两组含局部异常体模型,将该反演网络进一步用于三维数值模拟数据,取得了对异常体边界反映清晰的成像结果,且计算速度均小于1 s.

摘要：铁路行车事故等级基于事故文本进行界定,具有专业词多、描述文本长短不一的特点,给事故等级分类带来挑战。针对该问题,提出一种结合双通道双向长短时记忆网络和注意力机制的铁路行车事故文本等级分类方法。首先,构建铁路事故词库,并将铁路事故文本表示为词向量和句向量;其次,设计结合词向量通道和句向量通道的长短时记忆网络结构,更加高效地抓取文本信息;最后,在词向量通道中引入静态注意力机制,进一步提升分级精度。实验结果表明,该方法在查准率、查全率和综合衡量指标三方面均取得了良好的效果,证明了其有效性。

摘要：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H2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3.30X104,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H2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.

摘要：心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。

摘要：本文提出了一种智能驾驶车辆周车行为预测方法。行驶车辆和环境变化的不确定性大导致周车行为预测困难。提出了基于编码器与双向长短时记忆网络(Bi LSTM)联合的预测方法,保证长序列下的可记忆性。根据不同信息的重要性程度,基于注意力机制构造双向长短时记忆网络,保证了编码器在长序列下的可记忆性。所设计的注意力机制双向长短时记忆网络模型保证了周车行为预测的准确性与高效性。

摘要：为了有效预测河流水质变化趋势,充分利用水质序列的时序性与多元相关性信息,构建基于灰色关联-长短时记忆网络(Grey Relational Anlysis-Long and Short-Term Memory Network,GRA-LSTM)水质预测模型,以改善水环境质量。选择长江南京段河流型水源地进行实例研究,结果显示:当滑动时间窗口(d)为2,最大训练次数(MaxEpochs)为220,隐含层神经元个数(numHiddenUnits)分别为80与100时,总磷与溶解氧预测效果最佳。将长短时记忆网络(Long and Short-Term Memory Network,LSTM)预测结果与误差反向传播神经网络(Back Propagation,BP)、极限学习机(Extreme Learning Machine,ELM)、支持向量机(Support Vector Machine,SVM)模型预测结果进行对比分析,显示LSTM网络在水质预测研究中具备较强的适用性。运用灰色关联分析选择多元特征输入变量,实现了关键水质指标影响因子重要性定量化排序与冗余信息的消除,相较于单一特征输入的LSTM网络,GRA-LSTM网络能够进一步降低模型预测误差,其中总磷与溶解氧质量浓度预测均方根误差分别降低了11.6%与12.4%。

摘要：为解决在线测量时误差判断滞后及补调延迟的问题,利用长短时记忆网络对在线测量加工的尺寸进行预测,并根据预测值对误差进行补调。通过神经网络实时预测磨削尺寸,当预测值大于理论边界时调整工艺参数,避免了误差累积。设计并进行了基于长短时记忆网络的在线测量磨削加工实验,并通过实验结果对输入张量的维度与预测精度之间的关系进行分析。结果表明,长短时记忆网络能够准确预测磨削尺寸序列,且具有较好的普适性。利用实验结果进行小批量加工,统计分析表明,使用神经网络进行磨削在线预测及补调,加工精确度显著提高。

摘要：智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一种故障诊断方法.针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常.针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常.提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感.进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常.实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.

摘要：为加强对数据挖掘过程和深度学习网络模型的深入理解,提高学生解决问题的综合应用能力,文中设计以深度学习网络长短时记忆网络(LSTM)为预测模型的数据挖掘综合性实验。以公交站点短时客流为预测目标,对苏州市公交IC卡刷卡数据和公交车GPS数据进行挖掘,构建多站点的客流时空矩阵,使用长短时记忆网络(LSTM)模型进行客流预测,分别从数据预处理(数据变化和集成、数据规约)、预测模型构建和模型评价等几个主要方面介绍了实验过程和实验结果。实验结果表明,该预测模型能够有效地对公交站点客流进行短时预测,具有实用价值。该实验设计步骤清晰、可操作性强。通过该实验,加深了学生对数据挖掘和深度学习网络的理解和应用,使学生的综合实践能力得到了锻炼和提升。