Aug, 2023

基于 LSTM 的 GRACE 加速度计数据预测模型

PDF
TL;DR该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法，使用了 Long Short-Term Memory（LSTM）网络来训练一个能够预测三个轴加速度计数据的模型，并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 GRACE 加速度计数据方面的有效性。
gravity recovery and climate experimentgraceaccelerometer datalong short-term memory networksdata gaps
发现论文，激发创造
  • 基于召回的精确优化：利用 LSTM 揭示准确的摔倒检测

    该研究提出了一种创新方法来解决老年人跌倒事件的紧迫问题，通过开发一种准确的跌倒检测系统。我们的系统结合了最先进的技术，包括加速度计和陀螺仪传感器，以及深度学习模型，特别是长短期记忆网络。通过树莓派硬件的集成实现了实时执行能力。我们引入了修剪技术，通过策略性地调整 LSTM 模型的架构和参数来优化系统性能。我们优先考虑召回率而不是精确度，旨在准确识别跌倒事件并最小化误报，以便及时干预。大量实验和细致评估表明了出色的性能指标，强调高召回率和 96% 的特异性。我们的研究取得了一种处于最前沿的跌倒检测系统，能够及时发送通知，确保脆弱个体得到及时帮助并改善其整体健康状况。应用 LSTM 模型并加入修剪技术代表了跌倒检测技术的重大进展，提供了一种有效可靠的跌倒预防和干预解决方案。

    Sep, 2023

  • 人工智能时代的风暴潮模拟：基于 LSTM 的机器学习用于提高预测准确性

    利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正，能够提高预测准确性。

    Mar, 2024

  • 基于历史数据和环境因素的数据驱动能耗预测

    本研究通过使用历史能源数据、占用模式和天气条件，引入了一种基于长短期记忆（LSTM）模型的建筑能源消耗预测方法。该 LSTM 模型对于住宅和商业建筑的短期、中期和长期能源预测相比现有的预测模型具有更高的准确性。通过与线性回归、决策树和随机森林等已有预测方法的比较，我们的 LSTM 模型在所有指标上表现出色，具有 0.97 的最高 R2 得分和 0.007 的最佳平均绝对误差（MAE）。我们的模型还具有在受限数据集上实现高效能源消耗预测的能力。通过在实际数据上的严格训练和评估，我们解决了过拟合（方差）和欠拟合（偏差）的问题。总结而言，我们的研究通过提供一种优于其他方法的、具有出色效率、普适性和可靠性的强大 LSTM 模型，为能源预测做出了贡献。

    Sep, 2023

  • 改善年龄预测：利用基于 LSTM 的动态预测增强多变量时间序列分析

    通过数据增强和验证框架结合长短期记忆网络来丰富神经成像数据集，从而提高深度学习模型的性能，克服神经成像数据集规模有限的挑战。

    Dec, 2023

  • 降水预测的深度学习：基准和新模型

    该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

    Jun, 2017

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 大学校园中基于卷积 LSTM 的电网频率预测

    通过使用卷积神经网络（CNN）和长短期记忆网络（LSTM），本文介绍了一种创新的方法来建立可靠的时间序列预测模型，用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性，显著提高预测准确性并增强电网可靠性。

    Oct, 2023

  • 基于 LSTM 神经网络和多项式回归的实时物体定位预测

    该研究报告详细介绍了基于惯性测量和全球定位系统数据的长短期记忆 (LSTM) 神经网络和多项式回归的对象位置坐标的预测与插值系统的设计和实现。通过对真实世界车辆和全球定位系统传感器的数据处理，我们的 LSTM 系统在实时低延迟和高精度中展现了较传统的卡尔曼滤波方法更低的平均误差和类似的推断时间。

    Nov, 2023

  • 一种用于作物生长模型的 EnKF-LSTM 同化算法

    通过将集合卡尔曼滤波器和 LSTM 神经网络相结合，本文提出了一种适用于各种作物的 EnKF-LSTM 数据同化方法，该方法有效避免了现有数据同化方法的过拟合问题，并消除了测量数据的不确定性，从而提高了预测的准确性。通过农田上部署的传感器设备收集的数据集进行了所提出的 EnKF-LSTM 方法的验证，并与其他数据同化方法进行了比较。

    Mar, 2024