导读:本文包含了记忆神经网络论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,记忆,序列,泰安市,在线,卷积,深度。
记忆神经网络论文文献综述
陈亿雄,李苑,刘小明,李淑珍[1]（2019）在《长短记忆神经网络在流行性感冒暴发预测中的应用》一文中研究指出目的研究长短记忆神经网络模型(long-short term memory,LSTM)预测未来每周流行性感冒(流感)暴发趋势的可行性,以提高预测精度和工作效率。方法选取2007-2017年深圳市宝安区每周流感发病数,考虑到时间序列数据的自相关性和高频特征,基于深度学习思想构建长短记忆神经网络模型对流感暴发趋势进行预测,并使用5种方法对LSTM模型预测效果进行评估。结果深圳市宝安区流感报告周频率具有随机波动性和周期性特征,通过LSTM神经网络模型能够准确学习时间序列特征并用于外推预测。仿真结果表明,相比ARIMA模型、BP神经网络、小波神经网络(WNN)、广义回归神经网络(GRNN)和动态自回归神经网络(NARX),LSTM神经网络的拟合度更接近实际值,预测精度较高。结论在数据量大和非平稳及周期特征的情况下,深度学习的LSTM神经网络对流感的预测效果更好。(本文来源于《江苏预防医学》期刊2019年06期）
易炜,何嘉,邹茂扬[2]（2019）在《基于循环神经网络的对话系统记忆机制》一文中研究指出针对基于循环神经网络(recurrent neural network,RNN)的对话系统缺乏上下文记忆能力的问题,提出一种带有额外记忆能力模块的深度学习模型。以序列到序列框架为基础,增加一个基于双向循环神经网络(Bi-directional RNN)和全连接神经网络的记忆选择模块。通过把当前对话和上下文输入到记忆选择模块中得到一个选择值,比较选择值与阈值决定是否把上下文语句也加入到当前对话的序列到序列结构的编码端,使模型在需要使用上下文信息的时候可以选择性地获取,使得模型具备记忆能力。实验结果表明,使用相同的语料库进行训练,加入了记忆能力模块的模型相比没有记忆能力的模型明显具备了结合上下文的记忆能力,可以生成更准确的回复。(本文来源于《计算机工程与设计》期刊2019年11期）
李相俊,许格健[3]（2019）在《基于长短期记忆神经网络的风力发电功率预测方法》一文中研究指出风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。(本文来源于《发电技术》期刊2019年05期）
彭怡伟[4]（2019）在《基于长短期记忆神经网络的燃气数据分析设计》一文中研究指出目前城市天然气发展已经趋于成熟,不仅基础设施得以完善,而且燃气行业的数字化、信息化程度也在不断提高。针对当前燃气行业中数据应用存在的不足,以数据为中心,设计了集数据采集、传输、存储、查询、分析、预测及展示于一体的基于长短期记忆神经网络的燃气压力预警系统,使用长短期记忆神经网络对数据库中的数据进行分析;同时,通过分析预测未来数据能够对未来的事件做出预判,从而可以对可能发生的安全事故采取相应的事前预防措施。(本文来源于《上海煤气》期刊2019年05期）
翟毅,徐丽燕,季学纯,季慧英,王纪立[5]（2019）在《基于长短期记忆神经网络的短期负荷预测》一文中研究指出准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。(本文来源于《信息技术》期刊2019年10期）
黎旭成,唐校辉,王卓,陈振武,耿东雪[6]（2019）在《基于卷积神经网络和长短期记忆模型的交通状态预测》一文中研究指出本研究提出一种新型分层深度学习模型H-CLSTM-T,用以预测短期交通速度。模型结合卷积神经网络(CNN)和长短期记忆(LSTM)模型,首先通过深度卷积神经网络学习时空交通特征,然后将其输入至深度LSTM中学习时序学习,最后将分时和分日特征与CNN-LSTM模型中学习的时空特征相结合,得到交通量的季节变化趋势。通过利用深圳南坪快速路采集的速度及流量数据,将H-CLSTM-T模型与其他基准模型进行测试验证。实验结果表明,H-CLSTM-T模型的性能明显优于其他模型。同时该模型具有较强的可扩展性,可通过增加天气、长期季节性数据及交通事件信息等附加特征进一步提升全网流量预测精度。(本文来源于《品质交通与协同共治——2019年中国城市交通规划年会论文集》期刊2019-10-16）
车畅畅,王华伟,倪晓梅,付强[7]（2019）在《基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测》一文中研究指出针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性能退化起始点;构建了包含多变量的长短时记忆神经网络模型,将多个状态参数代入到模型中得到对应的剩余寿命;将变点后的航空发动机多状态参数和剩余寿命作为样本,代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测;通过综合航空发动机状态参数变点分析方法和时间序列预测模型,得到最终的剩余寿命预测结果。研究结果表明:多尺度排列熵算法能够及时监控各个状态参数的变化,当发现状态参数异常时,排列熵的值会发生跳变,从而有助于及时发现故障征兆;长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选,充分保留了有效信息用于时间序列预测;多变量长短时记忆神经网络能够对多状态参数进行同步分析,并且将状态参数直接与剩余寿命相对应,提高了模型效率;通过多尺度排列熵算法和长短时记忆神经网络模型的结合,能够考虑到航空发动机的多退化模式,得到更符合实际退化过程的剩余寿命预测结果;经过算例分析,提出方法的剩余寿命预测的均方根误差为5.3,与长短时记忆神经网络、反向传播神经网络和支持向量机相比,误差分别降低了63%、72%和78%。(本文来源于《交通运输工程学报》期刊2019年05期）
汪云,杨海博,徐建,郑梦琪,韩智昕[8]（2019）在《基于长短期记忆神经网络模型的地下水水位预测研究》一文中研究指出利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显着低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。(本文来源于《节水灌溉》期刊2019年10期）
朱翔,谢峰,李楠[9]（2019）在《基于长短期记忆神经网络的刀具磨损状态监测》一文中研究指出刀具磨损状况的实时检测是目前机床加工状态监测的难点,而对刀具的振动信号分析的常用方法是利用神经网络模型来判断刀具磨损状态。为解决循环神经网络(RNN)模型训练过程中梯度容易消亡的现象,提出基于长短期记忆神经网络的刀具磨损状态在线监测。刀具在进行切削加工时,首先通过加速度传感器采集刀具振动信号,然后对振动信号小波包变换进行分解是让信号通过不同的滤波器进行有条件的选择,由此形成不同的能量值,用作为长短期记忆神经网络的特征输入,从而诊断出刀具磨损状态的3种状态故障;最后利用长短期记忆神经网络模型对处理时间序列的数据有比较好的效果,它可以捕捉长期的依赖关系和非线性动态变化。此外,通过与多层(BP)神经网络和(BP)神经网络故障诊断方法进行比较,结果表明,LSTM网络对刀具磨损状态在线监测更加有效。(本文来源于《制造技术与机床》期刊2019年10期）
童友波[10]（2019）在《基于协同神经网络的智能车行驶路径记忆算法优化》一文中研究指出传统智能车行驶路径记忆算法由于路径信息计算过程复杂,导致算法的效率较低,为此提出基于协同神经网络的智能车行驶路径记忆算法优化研究。使用传感器对智能车行驶路径图像信息进行采集,利用图像二值化方法对图像边缘信息进行获取,以其为基础,通过曲率计算公式对智能车行驶路径的曲率与转角信息进行计算,从而得到智能车行驶路径完整信息,采用协同神经网络最终完成对智能车行驶路径的记忆。通过实验得到,采用优化智能车行驶路径记忆算法的智能车在低速试跑时使用时间比采用传统算法的智能车少了1.8h,在竞速赛跑时使用时间比采用传统算法的智能车少了2.1h,充分说明优化的智能车行驶路径记忆算法具备更高的效率。(本文来源于《太原学院学报(自然科学版)》期刊2019年03期）
记忆神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对基于循环神经网络(recurrent neural network,RNN)的对话系统缺乏上下文记忆能力的问题,提出一种带有额外记忆能力模块的深度学习模型。以序列到序列框架为基础,增加一个基于双向循环神经网络(Bi-directional RNN)和全连接神经网络的记忆选择模块。通过把当前对话和上下文输入到记忆选择模块中得到一个选择值,比较选择值与阈值决定是否把上下文语句也加入到当前对话的序列到序列结构的编码端,使模型在需要使用上下文信息的时候可以选择性地获取,使得模型具备记忆能力。实验结果表明,使用相同的语料库进行训练,加入了记忆能力模块的模型相比没有记忆能力的模型明显具备了结合上下文的记忆能力,可以生成更准确的回复。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
记忆神经网络论文参考文献
[1].陈亿雄,李苑,刘小明,李淑珍.长短记忆神经网络在流行性感冒暴发预测中的应用[J].江苏预防医学.2019
[2].易炜,何嘉,邹茂扬.基于循环神经网络的对话系统记忆机制[J].计算机工程与设计.2019
[3].李相俊,许格健.基于长短期记忆神经网络的风力发电功率预测方法[J].发电技术.2019
[4].彭怡伟.基于长短期记忆神经网络的燃气数据分析设计[J].上海煤气.2019
[5].翟毅,徐丽燕,季学纯,季慧英,王纪立.基于长短期记忆神经网络的短期负荷预测[J].信息技术.2019
[6].黎旭成,唐校辉,王卓,陈振武,耿东雪.基于卷积神经网络和长短期记忆模型的交通状态预测[C].品质交通与协同共治——2019年中国城市交通规划年会论文集.2019
[7].车畅畅,王华伟,倪晓梅,付强.基于多尺度排列熵和长短时记忆神经网络的航空发动机剩余寿命预测[J].交通运输工程学报.2019
[8].汪云,杨海博,徐建,郑梦琪,韩智昕.基于长短期记忆神经网络模型的地下水水位预测研究[J].节水灌溉.2019
[9].朱翔,谢峰,李楠.基于长短期记忆神经网络的刀具磨损状态监测[J].制造技术与机床.2019
[10].童友波.基于协同神经网络的智能车行驶路径记忆算法优化[J].太原学院学报(自然科学版).2019
论文知识图
