摘要：针对传统公式对爆破振动预测精度不高的问题,构建了基于bi-lstm(双向长短期记忆网络)算法的露天矿山爆破振动速度预测模型。该模型可以在两个方向上处理时间序列数据,同时捕获过去和未来的上下输入信息与输出数据之间的依赖关系。以马钢集团高村铁矿露天矿山爆破开采监测数据为依据,选取相关数据为输入参数,并将bi-lstm预测结果与萨道夫斯基公式预测结果进行对比。结果表明:萨道夫斯基公式预测的爆破振动速度平均误差为26.87%,bi-lstm算法预测的爆破振动速度平均误差为8.95%;bi-lstm模型预测结果与实测结果具有较高的吻合度。后期将以其他矿山的监测数据为依托对模型进行训练,以提高bi-lstm模型的泛化能力,并通过迁移学习植入矿山安全实时监测预警平台。

摘要：为提升交通流预测精度,深层次地挖掘交通流数据的时空特征,提出一种基于双向长短时记忆网络(bi-lstm)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化;考虑人为确定集群个数对结果的影响,用贝叶斯信息准则进行参数估计确定集群数,利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群;利用集群内部交通网格的输入时间序列的相互影响设计多对多模型,构建bi-lstm模型预测不相交集群上的流量;以经典多元线性回归模型(MLRA)作为对照组进行实验验证,采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价,验证基于bi-lstm模型的城市交通网格集群流量预测的可行性。实验结果表明:MLRA模型和bi-lstm模型对城市交通网格集群流量的预测值小于真实值,早高峰时段尤为明显;各交通网格集群的交通状态态势相似,集群的簇内相关性较强,两类模型均可实现较好的流量预测效果,bi-lstm表现更优;MLRA和bi-lstm预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187,3.0687、4.2943、0.3045,bi-lstm与MLRA相比,模型精度分别提高了4.14%、2.40%、4.46%,说明所构建的bi-lstm交通流网格集群流量预测精度高、误差低,要优于MLRA模型,表现出较好的泛化性能;MLRA和bi-lstm的DTW结果分别为52938.6356、54815.1055,构建的bi-lstm模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%,表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点,基于bi-lstm模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比,具有精度高、误差低的特点。同时,DTW指标方面,基于bi-lstm对城市交通网格集群流量模型与真实流量变化趋势一致,表现出较好的鲁棒性。

摘要：本文设计实现了bi-lstm+Attention情感分析模型,在IMDB电影评论数据集上对其情感倾向性进行分析,并与bi-lstm、biGRU、MLP等三种深度学习算法在该应用场景下的精度和召回率进行了对比。实验结果表明bi-lstm模型的精度略高于基于GRU的模型。同时使用Attention机制后,各模型的精度均有提升。而本文采用的bi-lstm+Attention模型在所有测试模型中达到了最高的精度。

摘要：针对CNAS评审现场不符合项自动化对标研究,设计一种基于bi-lstm网络机制的自然语言自动化对标系统,用于辅助评审员现场对不符合项对标的工作。首先,阐述了bi-lstm的基本原理和网络框架,并引入embedding与Attention层对其网络结构进行优化;然后引入了SimCSE无监督模式,以及采用同义词替换的方法对数据集进行增强和扩充;根据CNAS实验室评审常见不符合项构建语料库,并对其进行预处理和分词,紧接着训练数据集和评价网络模型,最后通过实验与传统的DSSM、SVM模型进行对比,实验结果表明:基于bi-lstm网络机制模型的训练、检索耗时为三个模型中最短,且从准确率折线图中可以看出,本研究设计的模型准确率高达85.5%,同时随着数据量的不断增加,准确率还能继续提高。因此,本研究设计的模型性能效果最佳。

摘要：为进一步提升机器翻译模型的英语到汉语的翻译水平,基于迁移学习技术和双向长短时记忆网络bi-lstm,提出一种英汉自动翻译模型。其中,通过Gumbel-Tree-lstm模型对基础的bi-lstm翻译模型进行优化,再引入迁移学习中的迁移枢轴参数的思想对模型进行进一步优化。实验结果表明,与其他翻译模型相比,设计的基于迁移学习的改进bi-lstm英汉翻译模型Gbi-lstm的翻译质量更好,在英法和英德两个语料库翻译测试上的BLEU评分和METEOR评分上分别达到了22.95%,36.02%,24.47%,37.18%;与各个基线模型相比,引入迁移枢轴模型参数后的各个翻译模型的翻译质量均有明显提升。以上结果表明,设计的Gbi-lstm翻译模型翻译性能优秀,能够应用于实际的英汉翻译场景,可行性较高。

摘要：伴随着社会经济的快速发展,地铁、隧道、桥梁等建筑在人们的生活中占据的地位越来越高,预测分析建筑的结构变形数据,及时发现存在的安全隐患,至关重要.结合长短时记忆网络(Long Short Time Memory, lstm)的优点,本文提出了一种基于双向长短时记忆网络(bidirectional Long Short Time Memory, bi-lstm)的结构变形预测模型.该模型通过记忆时间节点前后的规律,预测当前节点变形数据,充分挖掘变形数据内部的关联信息.与WNN、lstm、GRU模型进行对比,结果表明,该模型RMSE、MAPE、MAE分别下降了66.0%、61.2%、66.2%,是一种有效预测结构形变的方法.

摘要：为提升水利设施安全状态预测水平,考虑到单一监测指标无法体现对水利设施的影响,提出一种基于SARIMA-bi-lstm模型的水利设施安全状态预测方法。以某水电站引水涵洞为研究对象,采用SARIMA模型预测裂缝开合度时间序列数据的线性分量,将温度数据、裂缝开合度残差数据传入bi-lstm模型进行残差数据预测,最后将SARIMA模型和bi-lstm模型预测结果进行叠加。结果表明,对比BP神经网络模型、SARIMA模型和SARIMA-lstm模型,所构模型预测性能最好,能满足实际需要,为类似水利设施安全状态预测提供了一种新思路。

摘要：情感分类任务是自然语言处理中的下游任务,具有重要的研究价值。情感分类任务的性能非常依赖于语句中的上下文信息,但现有的基于深度卷积神经网络的方法无法较好地捕捉句子上下文依赖,也无法对特征内部的相互依赖性进行建模。针对该问题,提出了一种基于bi-lstm-Attention网络的英文文本情感分类模型。该算法同时使用bi-lstm和自注意力机制来对句子的上下文情感依赖关系进行建模。具体地,模型主要由词嵌入层、bi-lstm层、自注意力层以及分类器层组成。实验结果充分表明,相比于基准模型,所提出的方法在MR数据集和SST-2数据集上取得了较好的性能,其准确率分别达到了82.4%与88.3%,有效提升了分类模型的性能。

摘要：武器装备担负保卫国土安全的重要使命,其保持稳定运行状态具有重大国防、政治意义;因其装备运行状态不便中断、故障定位过程复杂,使得传统维修方式效率较低;装备使用数据具有连续性、长期性、不平稳性,甚至一些深度学习模型无法处理其中的退化状态历史依赖与关联问题;通过构建元器件层级的剩余寿命预测架构,对特征工程、退化指标构建以及Transformer-bi-lstm模型开展研究,采用距离编码技术,实现针对深度学习模型的技术创新,优化模型预测效果;基于某型武器装备主要器件正常试样数据,进行本方法分析验证,在器件已运行时间达到90%设计试验寿命长度时能够进行有效且准确的剩余寿命预测,所提方法满足武器装备器件寿命预警及更换提醒、保障装备战备完好性的应用需求。

摘要：变形是地下结构施工安全状态的重要评价指标。针对数据驱动变形预测方法中地下施工动态影响因素难以量化这一问题,提出了基于控制区间牵引算法的地下施工变形预测模型。以双向长短时记忆网络(bi-lstm)对变形监测时间序列进行预测,以数值模拟在关键施工阶段处的结果为牵引点。根据实测值随阶段更新牵引点,并基于注意力机制双向长短时记忆网络(bi-lstm-AM)以牵引点修正数据驱动模型在控制区间的预测结果,实现更准确、更智能的地下施工变形预测。设置牵引相对权重,使模型可自适应判断当前合理牵引程度,准确融合了bi-lstm与数值模拟的结果。通过相关历史案例与数据,验证了牵引预测模型的有效性。依托西安市西咸新区丰镐三路地下通道上跨地铁1号线自动化监测实例,采用牵引算法预测了地下结构变形。结果表明:在关键施工阶段处,牵引作用改善了数据驱动预测方法存在的滞后问题,各阶段误差平均降低了24.34%;不断优化的牵引点逐渐趋近真值,降低了数值模拟出现偏差时造成的影响。该方法可为地下施工变形预测问题提供新途径。