在瓦斯?jié)舛缺O(jiān)測(cè)數(shù)據(jù)分析中發(fā)現(xiàn),瓦斯?jié)舛刃蛄型尸F(xiàn)出較強(qiáng)的隨機(jī)性和復(fù)雜性,時(shí)序數(shù)據(jù)中含有的噪聲會(huì)對(duì)數(shù)據(jù)的預(yù)測(cè)結(jié)果產(chǎn)生干擾。為了減少數(shù)據(jù)中的噪聲所帶來的負(fù)面效果,提出了一種將小波閾值降噪與LSTM(長(zhǎng)短期記憶網(wǎng)絡(luò))相結(jié)合的瓦斯?jié)舛阮A(yù)測(cè)模型。通過將原始數(shù)據(jù)進(jìn)行分解、閾值處理和重構(gòu),對(duì)時(shí)序數(shù)據(jù)中的噪聲進(jìn)行剝離,再通過LSTM模型進(jìn)行預(yù)測(cè)分析,與普通LSTM和RNN網(wǎng)絡(luò)進(jìn)行比較,結(jié)果表明,所提出的基于小波降噪的LSTM的瓦斯?jié)舛阮A(yù)測(cè)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(luò)基本原理
    1.1 小波閾值降噪
    1.2 長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM)
2 瓦斯?jié)舛阮A(yù)測(cè)模型
    2.1 原始數(shù)據(jù)的預(yù)處理
    2.2 數(shù)據(jù)傳入，構(gòu)建LSTM網(wǎng)絡(luò)模型
    2.3 模型評(píng)價(jià)指標(biāo)
3 實(shí)例驗(yàn)證
4 結(jié)語



本文編號(hào)：3863318