论文摘要
针对传统状态预测方法难以从伺服系统历史数据中有效提取特征的问题,提出一种基于深度学习的伺服系统状态预测算法。该算法利用长短时记忆网络LSTM（Long Short-Term Memory）从时序和特征参数两个维度在系统状态参数中提取数据特征。并在多任务学习MTL（Multi-task Learning）框架下将具有相同特征参数的预测任务整合到同一个模型当中,所有预测任务共享LSTM网络权重。在每一状态参数预测阶段,独立地引入注意力机制,以调节不同时刻、不同特征对所预测状态的影响。针对应用中预测参数的重要性不同,构建加权损失函数,以减小重要参数的预测误差。实验结果表明,该算法与传统LSTM模型、单任务模型STL-LSTM相比,预测误差平均降低40.9%、19.8%。
论文目录
文章来源
类型: 期刊论文
作者: 张鹏,杨涛,刘亚楠
关键词: 深度学习,伺服系统,状态预测,多任务学习,注意力机制
来源: 计算机应用与软件 2019年03期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 电力工业,自动化技术
单位: 中国民航大学适航学院,中国民航大学电子信息与自动化学院
基金: 国家自然科学基金民航联合研究基金重点支持项目(U1533201),中央高校基本科研业务费资助项目(ZYGX2018035)
分类号: TP18;TM921.541
页码: 236-242
总页数: 7
文件大小: 1590K
下载量: 148