基于简化型LSTM神经网络的时间序列预测方法
针对标准长短期记忆(long short-term memory,LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand,BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.
时间序列预测、长短期记忆(long short-term memory、LSTM)神经网络、门耦合、参数精简、梯度下降算法、污水处理过程
47
U461;TP308(汽车工程)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家重点研发计划;北京市教委科技项目
2021-05-28（万方平台首次上网日期，不代表论文的发表时间）
共9页
480-488
