摘要：为提高短时临近降水预报准确率,提出一种订正广西对流尺度数值预报模式(GRAPES-GX)降水预报产品的深度学习方法。该方法通过神经网络对实况进行时空特征提取,以门控循环网络(GRU)为基础框架,针对降水产品进行改进,并用于GRAPES-GX降水预报产品订正。在此基础上,设计了大气物理规律适配模块,通过物理条件匹配机制订正模式预报降水强度与落区的系统性误差,增强训练样本中预报产品和实况的特征相关性,并协同优化模型参数,获得更优的订正效果。广西区域试验结果表明:订正模型在各预报时效、各降水强度等级的TS(threat score)评分均得到正技巧,总体TS技巧评分为2.21%。对于不低于0.1 mm·h^(-1)、不低于2 mm·h^(-1)、不低于7 mm·h^(-1)、不低于15 mm·h^(-1)、不低于25 mm·h^(-1)和不低于40 mm·h^(-1)降水强度预报TS技巧评分分别为5.67%、3.59%、2.18%、1.46%、1.01%和0.46%。0~2 h、2~4 h和4~6 h时效预报TS技巧评分分别为4.77%、1.28%和0.91%。

摘要：针对传统穿戴式上肢外骨骼人机交互行为预测受到穿戴者身体状况影响的问题,提出一种基于卷积神经网络(CNN)的多时间融合(multiple temporal fusion,MTF)模块。对特征进行一系列的子卷积处理,使每一帧可以完成多个邻域的时间聚合,能够在距离较远的帧上建立长期的时间关系,在推理时提出一种基于非线性最小二乘参数的自适应算法(NRLS-A),对神经网络参数进行实时调整,使在线预测精度提高了28%。该模型基于TensorFlow在GPU上进行并行计算。在自建数据集上的平均准确度达到了84.9%,比传统的LRCN网络模型提高了5%。

摘要：舰载武器受到海上风浪等因素的影响,会产生俯仰横滚等方向的运动,必然影响对目标打击精度。为提高海上舰载武器稳定精度,通过设计二阶线性自抗扰控制器,完成被控对象的速度控制闭环构建。将门控循环网络与PID控制相结合,实时控制伺服系统位置输出。仿真结果表明,线性自抗扰控制器和门控循环网络的引入抑制了海浪扰动对系统的影响,有效改善了系统的稳态特性。

摘要：交通流量预测常用于改善交通阻塞控制,是构建智能交通系统的基本技术之一。为了能够准确、高精度预测高速公路交通流量,充分利用交通流量的随机性、非线性及周期性等特征,设计了基于改进门控循环网络高速公路交通流预测模型,采用平均绝对误差(MAE)等3项评估指标,依托广西高速公路的交通流量数据集和芬兰公共交通管理局某自动测量站(LAM)收集的道路交通信息上进行实例应用,并与长短期记忆神经网络(LSTM)和门控循环网络(GRU)进行对比。以芬兰数据集为例分析,在三层神经网络结构上采用adam优化器的改进GRU模型预测精度更高,其RMSE值为8.6729,MAE值为6.1991,MAPE值为24.76%;在广西数据集上可得到同样的结论,三项指标均优于LSTM和GRU。进一步验证了所提模型的准确性和稳定性,以及在高速公路流量预测方面的实用性。