摘要：提出了一种基于信号分解与重构的基坑变形预测方法。首先,运用经验模态分解(EMD)对基坑变形序列数据进行分解,得到数个本征模态函数(IMF),并获取不同频率的特征信号,将变形序列分解成趋势项与波动项。通过门控循环单元(gru)结合自注意力机制,对波动项的序列数据进行建模,并对比筛选不同时长的输入数据,以确定最佳输入时长,从而提高预测精度。对于趋势项,采用多项式拟合方法进行预测,最终将趋势项与波动项的预测结果相加得到最终预测结果。以广州某基坑的监测数据为实验对象,对所提方法进行了验证。结果表明,当输入步长为5时,模型的MSE仅为0.92,R2为0.980,有效提升了预测的准确性。本研究可以为类似的基坑监测项目提供借鉴。

摘要：高速飞行器具有飞行速度快、机动范围大、突防能力强等特点,对防御系统具有较大威胁。精准预测敌方高速飞行器在制导阶段的飞行轨迹,可以提前掌握其飞行航迹,为拦截敌方导弹提供有效的技术支持。因此,本文针对高速飞行器中制导阶段的轨迹预测问题,提出一种基于门控循环单元与KAN网络架构(Gated Recurrent Unit-Kolmogorov-Arnold Network,gru-KAN)的轨迹预测模型。首先,建立弹道坐标系下的高速飞行器运动模型,通过纵向跳跃机动模型建立轨迹数据库。随后,利用滑动窗口对轨迹数据进行分割预处理,得到轨迹数据集。最后,基于gru和KAN架构设计轨迹预测网络,以50 s轨迹数据为输入,输出150 s预测得到的轨迹数据。实验结果表明,该模型具有更小的网络复杂度,在经度、纬度和高度方向的最大平均预测误差分别为7.58×10-2°、9.48×10-3°和7.51×101 m,经纬度方向与传统智能时序预测模型的预测误差相差不大,但在高度方向上,预测结果相比传统的gru预测模型提升了27.8%,相比LSTM预测模型提升了70.5%。

摘要：不稳定斜坡地表形变预测对于滑坡灾害防治和预警具有重要意义。现有监测手段覆盖范围小、成本高,相关预测方法局限于单点预测,对历史数据量要求较高。针对上述问题,本文采用小基线集合成孔径雷达干涉测量(SBAS⁃InSAR)技术进行不稳定斜坡地表形变监测,设计了一种结合InSAR反演结果和门控循环单元(gru)神经网络的不稳定斜坡地表形变预测方法。首先使用SBAS⁃InSAR技术对研究区域进行地表形变监测,然后利用获取到的时序形变反演结果,建立gru模型进行形变规律学习,最后开展不稳定斜坡地表形变预测。试验结果表明,该方法对不稳定斜坡地表形变的预测平均绝对误差为0.678 mm,平均绝对比例误差为2.7%,相比于传统的支持向量回归(SVR)模型,预测效果提升超过30%,工程应用潜力较大。

摘要：随着生活水平的提高,人们对健康的关注度越来越高,尤其是适应快节奏生活的手环等便携式生理监测设备,备受人们青睐。光电容积脉搏波描记法(PPG)作为一种无创人体脉搏采集手段,被广泛应用于此类设备中。人体脉搏中包含很多生理信息,如血压、血糖、动脉硬化等,为了对这些信息进行提取和分析,目前主要采用机器学习的方法,通过提取脉搏波中的特征点计算特征参数进而建立生理参数模型。但此类方法需要大量且长期的脉搏数据,用于提高生理参数模型的精度,而长期的数据采集受环境限制较大且与便携式生理监测设备设计理念冲突,并且对脉搏波预测的研究存在空白。针对此问题,本文使用Colaboratory建立gru神经网络模型与LSTM网络模型分别对脉搏波数据进行预测,并对影响模型性能的主要参数进行对比调参。而由自动化机器学习工具AutoML_Alex针对脉搏波数据分析并择优建立的LightGBM网络可以作为具有参考价值的基线模型。通过以上3个模型针对从不同个体采集到的大量脉搏波数据进行建模,对比其平均绝对百分比误差MAPE,LSTM为0.879%,单层gru为0.852%,LightGBM为0.842%,4层gru模型为0.828%,进而应用到不同个体上发现单层gru模型的稳定性(MAPE)要优于其他模型。本文以gru网络建立的脉搏波预测模型以不同个体短期脉搏数据为蓝本,对不同个体的长期脉搏波数据进行预测,进而对人体的动脉硬化生理情况进行监测达到早期发现早期预防的目的,同时为便携式生理监测设备提供技术和数据支持。

摘要：针对水轮发电机组受水、机、电等因素相互耦合,早期故障特征被电磁和噪声所淹没难以提取的问题,设计了一种基于改进VMD和gru的水轮发电机组振动故障预警方法。首先,采用BES算法对变分模态VMD的参数进行寻优,得到最佳的分解层数、惩罚因子和模态个数,然后采用最优的VMD算法对水轮发电机组早期的振动特征进行提取,最后将早期的振动特征输入gru神经网络预测算法进行训练、验证和测试。仿真结果和工程实例表明,该方法可以有效快速准确提取水轮发电机组的早期微弱振动特征,实现水轮发电机组的早期故障预警,具有较高的工程应用价值。

摘要：为获取老旧电动汽车中拆解的绝缘栅双极型晶体管(IGBT)模块在再制造时的剩余寿命,提出经典循环神经网络的变体,即gru神经网络的IGBT模块剩余寿命预测模型。分析IGBT模块的内部结构及老化失效机理,明确老化失效的具体形式,结合IGBT模块功率循环试验的老化数据,确定通态饱和压降作为模块老化失效特征量。通过试验构建最优参数的gru神经网络剩余寿命预测模型,完成对老化失效特征量的预测,并与同样是经典循环神经网络另一种变体LSTM网络预测模型进行对比。结果表明:经过优化参数的gru网络模型的均方根误差为0.0046,平均绝对误差为0.0041,决定系数为99.96%,相对LSTM网络精度更高,更适合所选IGBT模块的剩余寿命预测,同时检测的时间成本更低,更能提高IGBT模块再制造时的检测与生产效率。

摘要：[目的/意义]研究利用深度学习的循环神经网络gru结合条件随机场CRF对标注的中文文本序列进行预测,来抽取在线评论文本中的实体—属性。[方法 /过程]首先根据设计好的文本序列标注规范,对评论语料分词后进行实体及其属性的命名实体标注,得到单词序列、词性序列和标注序列;然后将单词序列、词性序列转为分布式词向量表示并用于gru循环神经网络的输入;最后输出层采用条件随机场CRF,输出标签即是实体或属性。[结果/结论]实验结果表明,本文的方法将实体—属性抽取简化为命名实体标注,并利用深度学习的gru捕获输入数据的上下文语义以及条件随机场CRF获取输出标签的前后关系,比传统的基于规则或一般的机器学习方法具有较大的应用优势。

摘要：针对以往裂缝开合度时间序列数据预测中未有效利用众多实测温度数据,且各自变量之间存在多重相关性的问题,考虑主成分分析法(PCA)在处理多维数据上的优势以及门限循环单元(gru)神经网络在处理复杂时间序列数据问题上的优势,构建了PCA-PSO-gru组合预测模型。以某混凝土重力拱坝坝左诱导缝的开合度监测数据为样本,提取输入变量的主成分来降低输入数据的维度,然后进行模型训练和多步预测,采用平均绝对误差和均方根误差来评价模型的预测精度,并将预测结果与PSO-gru、PCA-PSO-BP及传统的统计回归模型进行对比分析。结果表明,PCA-PSO-gru组合预测模型在诱导缝时间序列数据预测方面具有更高的准确性,可为大坝诱导缝开合度评价提供一定的指导。

摘要：本文将利用物联网,云计算和神经网络来搭建基于gru门控循环神经网络的种猪生长性能预测云平台。本次研究的主要工作和成果有:(1)搭建物联网数据采集平台,设计云模式的物联网通信架构,用网关+MQTT依靠工业互联网实现全国范围内种猪生长数据自动采集。(2)利用云计算技术,构建分布式云服务应用,为种猪生长测定数据设计集中的数据存储,分析和应用的云平台。设计时考虑云平台数据的安全性,服务的稳定性和性能瓶颈。(3)数据挖掘,使用gru神经网络对测定的生长数据进行训练。选取影响因子较大的特征进行数据预处理后,加入gru模型中训练,得到种猪生长性能预测模型。

摘要：命名实体识别是自然语言处理中的一项基础任务,传统的识别方法往往需要外部知识和人工筛选特征,需要较高的人力成本和时间成本;针对传统方法的局限性,提出一种基于gru(Gated Recurrent Unit)的命名实体识别模型,该模型以字向量作为输入单位,通过双向gru层提取特征,并通过输出层得到标签序列.在传统命名实体和会议名称这种特定领域命名实体上对该模型进行了测试.实验结果表明,本文设计的循环神经网络模型能有效的识别命名实体,省去了人工设计特征的繁琐工作,提供了一种端到端的识别方法.