基于LSTM的TTE网络速率约束流量预测

时间触发以太网（TTE）中的速率约束（RC）流量为事件触发流量,在RC流量动态调度的应用场景下,若能预测未来短时间内数条RC流量到达交换节点的序列,使交换节点提前进行调度决策,以减小RC流量时延,提高网络吞吐量。对RC流量到达序列预测问题进行了研究,建立了RC流量的到达序列模型,提出了基于长短期记忆网络（LSTM）算法的RC流量预测算法。利用OMNET++工具进行TTE网络仿真,得到多组混合关键性配置下RC流量的传输数据;以此作为输入样本对预测算法进行训练和测试。实验结果显示,LSTM算法在RC流量预测问题的准确率达到了70%以上。通过对比实验说明所提算法适用于RC流量预测场景。      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。      

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于粒子群优化LSTM的股票预测模型

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。      

基于自编码器和HMM的民机接地点远事件检测

已有的飞行品质监控（FOQA）标准仅由地速的积分距离判定接地点远事件（LTE）的发生,无法结合多个快速存取记录器（QAR）参数检测并解释发生该事件的原因。通过滑动窗口对包含多个参数的QAR样本进行分段,按照分段位置形成若干分段样本集。由长短时记忆网络（LSTM）自编码器得到QAR样本分段及分段内向量的特征表示,采用K-means分别对这些表示向量进行聚类处理,实现QAR样本及其分段的符号化。使用正常航班QAR样本集的符号序列建立隐马尔可夫模型（HMM）,以检测包含接地点远事件的航班。由发生及未发生接地点远事件的QAR样本各个分段的符号序列构建HMM后,采用Viterbi算法确定接地点远事件在QAR样本分段内的具体位置。在真实QAR数据集上的实验结果表明,与其他多维时间序列异常检测方法相比,所提方法不仅能有效检测接地点远事件,而且可以获得多个QAR参数的异常值,辅助领域专家分析发生该事件的原因。      

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号,提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先,根据采集到的滚动轴承数据构造故障样本,针对多种故障类型下的长时间序列的振动信号,按照一定尺寸将长时间序列矩阵化,构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程,通过多个采样点的随机采样,构造全寿命周期的故障样本用于故障诊断。其次,在多层深度学习模型基础上,将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断,其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题,利用软阈值化实现了样本降噪。最后,为了验证所提方法的有效性,采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性,多层网络模型下没有明显的网络退化,能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时,与其他模型相比,所提方法训练误差更低,平均故障诊断正确率提高1%~6%。      

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

基于行人姿态的轨迹预测方法

在自动驾驶领域，行人轨迹预测一直是研究热点之一，行人行为的不确定性给轨迹预测带来很大的挑战。目前大部分轨迹预测方法只专注于行人之间的信息交互，忽略了行人意图和场景中其他语义信息对行人轨迹的影响。为此，提出一种基于行人姿态的卷积编码器-解码器网络(PKCEDN)来预测目标行人轨迹的方法，所提方法包含基于卷积、长短时记忆(LSTM)网络的编码器-解码器模型和能够学习当前时刻与过去时刻轨迹相关性的注意力机制。所提方法在MOT16、MOT17和MOT20公开数据集上进行了相关测试，与Linear、LSTM、Social-LSTM、Social-生成对抗网络(GAN)、SR-LSTM和M_sgtv等主流方法相比，在保证预测速度不降低的前提下，平均误差降低约36%。     

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能。为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明：所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3%和25.0%,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了...     

奇异谱分析在故障时间序列分析中的应用

由于日益增长的飞行安全和飞机维护质量需求,飞机使用可靠性已经成为一个重要的研究领域。从某航空公司波音737飞机使用过程中现场所记录的18年的故障数据出发,应用奇异谱分析（SSA）方法,对故障时间序列进行了建模和预测,进一步以预测结果的均方根误差（RMSE）最小为优化目标对SSA模型参数进行了优选。在此基础上,提出了一种更为广泛的模型组合方法和实现算法,这种方法采用不同的时间序列模型来构造SSA分解出的趋势、周期和残差等成分。通过与三次指数平滑（Holt-Winters）、自回归移动平均（ARIMA）2种时间序列模型的实验结果对比,SSA及其参数优选和模型组合方法在故障时间序列分析中具有更好的拟合和预测精度。      

基于扩展卡尔曼滤波的舰机相对位姿估测

通过将基于扩展卡尔曼滤波的长序列图像分析方法与单目视觉技术相结合,把无人机自主着舰视觉导引中舰机间相对位姿的估测,转化为机载摄像机对着舰靶标平面3D位姿的实时估测问题.首先根据透视投影理论,建立了以摄像机的透镜中心为原点且Z轴与光轴重合的摄像机坐标系和世界坐标系,然后利用机载摄像机连续拍摄的靶标图像序列,选择描述相对运动的3个欧拉角、平移向量及它们的速度作为状态变量;由靶标角点的提取和帧间匹配,建立了反映着舰靶标上特征点的图像坐标和状态变量之间关系的观测方程,带入扩展卡尔曼滤波器,估测出舰机的相对运动参数.计算机数据仿真和基于DSP平台的半实物仿真试验验证了算法的有效性和鲁棒性.      

一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元(GRU)神经网络模型,利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子,提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验,得到北半球平均相对精度的均值为83.96％,高于南半球的73.60％,表明预测模型在北半球的适应性更...     

基于SVM和EKF的高超声速滑翔飞行器轨迹预报

高超声速滑翔飞行器（HGV）拦截问题中,轨迹预报是成功拦截的重要基础。针对HGV机动能力强、轨迹多变的特点,提出了一种基于支持向量机（SVM）和扩展卡尔曼滤波（EKF）的轨迹预报方法。在HGV的滑翔段机动模式分析的基础上,将HGV的机动运动分解为纵向运动模式和侧向运动模式,进而对运动模式的特征参数予以标定,形成SVM的训练集。建立地基单雷达轨迹跟踪模型,采用EKF对HGV滑翔段轨迹进行稳定跟踪并实现对运动模式特征参数的估计。基于SVM,建立了HGV运动识别框架,实现了对HGV滑翔段轨迹的预报。对平衡滑翔和跳跃机动2种典型机动模式进行数学仿真验证,结果表明,所提方法可以提高对该类目标的轨迹预报精度。      

LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元（Long Short-term Memory,LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F_10.7指数.结果表明,太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.      

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报,以氢钟和铯钟实测数据为样本,通过构建LSTM钟差预报模型,降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响,并以72h,240h和720h为预报时长,分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明,在240h以上的预报时长中,LSTM建模长期依赖关系的优势得以体现,相较于其他3类模型可以获得更高的预报精度。