本文主要研究内容
作者张鹏,杨涛,刘亚楠（2019）在《基于深度学习的伺服系统状态预测算法》一文中研究指出：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%。
Abstract
zhen dui chuan tong zhuang tai yu ce fang fa nan yi cong ci fu ji tong li shi shu ju zhong you xiao di qu te zheng de wen ti ,di chu yi chong ji yu shen du xue xi de ci fu ji tong zhuang tai yu ce suan fa 。gai suan fa li yong chang duan shi ji yi wang lao LSTM(Long Short-Term Memory)cong shi xu he te zheng can shu liang ge wei du zai ji tong zhuang tai can shu zhong di qu shu ju te zheng 。bing zai duo ren wu xue xi MTL(Multi-task Learning)kuang jia xia jiang ju you xiang tong te zheng can shu de yu ce ren wu zheng ge dao tong yi ge mo xing dang zhong ,suo you yu ce ren wu gong xiang LSTMwang lao quan chong 。zai mei yi zhuang tai can shu yu ce jie duan ,du li de yin ru zhu yi li ji zhi ,yi diao jie bu tong shi ke 、bu tong te zheng dui suo yu ce zhuang tai de ying xiang 。zhen dui ying yong zhong yu ce can shu de chong yao xing bu tong ,gou jian jia quan sun shi han shu ,yi jian xiao chong yao can shu de yu ce wu cha 。shi yan jie guo biao ming ,gai suan fa yu chuan tong LSTMmo xing 、chan ren wu mo xing STL-LSTMxiang bi ,yu ce wu cha ping jun jiang di 40.9%、19.8%。
论文参考文献
论文详细介绍
论文作者分别是来自计算机应用与软件的张鹏,杨涛,刘亚楠，发表于刊物计算机应用与软件2019年03期论文，是一篇关于深度学习论文,伺服系统论文,状态预测论文,多任务学习论文,注意力机制论文,计算机应用与软件2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自计算机应用与软件2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度学习论文; 伺服系统论文; 状态预测论文; 多任务学习论文; 注意力机制论文; 计算机应用与软件2019年03期论文;