摘要：随着宽带电子侦察接收机的广泛使用,同时进入接收机的信号越来越多,输出的数据量越来越大,传统的雷达辐射源识别方法很难适应分析处理的实时性和准确性要求。为解决这一问题,提出基于空时编码的雷达脉冲辐射源识别算法。通过设计一种空时编码算法来对雷达辐射源全脉冲数据中的载频、脉宽及重频等参数进行编码和特征提取,形成包含全脉冲数据时空信息的特征序列。这些特征序列既保留了雷达全脉冲数据的主要信息,又实现了对雷达全脉冲数据的简化,为利用深度学习和大数据处理技术实现对雷达辐射源快速精准识别奠定基础。利用长短时记忆网络(Long Short-Term Memory,LSTM)深度神经网络模型,结合提取的空时特征序列,通过大数据学习训练,实现了对7型雷达辐射源的精确识别。在数据集上的对比实验表明,提出的识别方法在处理识别精度和普适性上优于目前的主流算法,具有较强的鲁棒性。

摘要：针对现有电力数据利用不全面、负荷预测精度不理想等问题,文中提出了一种结合遗传算法(GA)和长短期记忆网络(LSTM)的电力数据分析方法。采用GA算法优化LSTM网络、选择最佳窗口大小及神经元数目等结构因素。利用优化后的LSTM网络进行电力数据分析,实现负荷可靠预测。基于Python仿真平台,以平均绝对误差(MAE)和均方根误差(RMSE)为评价指标对所提方法进行实验论证。结果表明,所提方法能够实现3类用户的分类并准确预测电力负荷,其MAE与RMSE值分别为88.32和120.01,均优于其他对比方法。

摘要：随着电子商务的发展,产生了大量的商品评论文本.针对商品评论的短文本特征,基于情感词典的情感分类方法需要大量依赖于情感数据库资源,而机器学习的方法又需要进行复杂的人工设计特征和提取特征过程.本文提出采用长短期记忆网络(Long Short-Term Memory)文本分类算法进行情感倾向分析,首先利用Word2vec和分词技术将评论短文本文本处理为计算机可理解的词向量传入LSTM网络并加入Dropout算法以防止过拟合得出最终的分类模型.实验表明:在基于深度学习的商品评论情感倾向分析中,利用LSTM网络的短时记忆独特特征对商品评论的情感分类取得了很好的效果,准确率达到99%以上.

摘要：数字化工厂是智能制造技术中的重要环节,对被控对象精准建模是对工艺设计、自动化及智能化系统实现精准控制的重要支撑。针对热风炉燃烧状况复杂,很难建立合适的机理模型的实际情况,提出了基于长短期记忆深度网络(LSTM)对热风炉废气温度进行建模,并用L2正则化的方式对网络进行了优化。经河钢邯钢8#高炉实际数据仿真验证,预测模型的动态性能良好。

摘要：短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。

摘要：线损对电网的经济发展具有重要的作用,然而由于智能电表未完全普及,以及存在偷电漏电的行为,导致线损统计结果存在偏差,为线损治理工作带来很大的困难。提出来一种基于深度学习长短期记忆(long-short term memory,LSTM)神经网络的线损预测模型,并且设计了一组对比试验,对比的预测算法包括BP(back propagation)神经网络、循环神经网络(recurrent neural networks,RNN)。试验结果表明,LSTM算法的预测准确率高于BP神经网络和RNN,尤其是在数据量较大的情况下。

摘要：针对滚动轴承剩余使用寿命预测难、一般的神经网络预测精度差的问题,提出了一种基于振动信号时域特征,结合滚动轴承理论寿命值和具有处理时序特征功能的LSTM(Long Short-Term Memory,长短期记忆网络)剩余使用寿命预测方法。首先按照时间顺序提取振动信号的均方根值、峰度、偏斜等15个时域特征作为判断滚动轴承退化的特征值;然后将其输入到LSTM中,将网络输出的轴承退化值设定为[0,1],0表示轴承完好,1为完全退化;最后采用滚动轴承理论寿命计算公式,根据滚动轴承的转速和载荷计算滚动轴承的基本额定寿命,结合其理论寿命和退化值得到定量的剩余寿命。试验结果表明,LSTM与理论寿命结合的滚动轴承寿命预测方法相比于一般的神经网络具有较高的预测精度。

摘要：短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。

摘要：依据A、C市2015-2017年以及B市2016-2018年历史日负荷数据,针对不同用气结构城市不同季节的燃气日负荷进行预测,比较ARIMA模型、BP模型、RNN模型、LSTM网络模型的预测精度。结果表明,不同模型不同用气结构城市的预测精度不同,LSTM网络模型的适用性和预测精度在各城市均比较高。