在瓦斯?jié)舛缺O(jiān)測數(shù)據(jù)分析中發(fā)現(xiàn),瓦斯?jié)舛刃蛄型尸F(xiàn)出較強的隨機性和復雜性,時序數(shù)據(jù)中含有的噪聲會對數(shù)據(jù)的預測結果產(chǎn)生干擾。為了減少數(shù)據(jù)中的噪聲所帶來的負面效果,提出了一種將小波閾值降噪與LSTM(長短期記憶網(wǎng)絡)相結合的瓦斯?jié)舛阮A測模型。通過將原始數(shù)據(jù)進行分解、閾值處理和重構,對時序數(shù)據(jù)中的噪聲進行剝離,再通過LSTM模型進行預測分析,與普通LSTM和RNN網(wǎng)絡進行比較,結果表明,所提出的基于小波降噪的LSTM的瓦斯?jié)舛阮A測模型在精確度和泛化能力上都具有更好的表現(xiàn)。

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 小波降噪和循環(huán)神經(jīng)網(wǎng)絡基本原理
    1.1 小波閾值降噪
    1.2 長短期記憶網(wǎng)絡（LSTM)
2 瓦斯?jié)舛阮A測模型
    2.1 原始數(shù)據(jù)的預處理
    2.2 數(shù)據(jù)傳入，構建LSTM網(wǎng)絡模型
    2.3 模型評價指標
3 實例驗證
4 結語



本文編號：3863318