控制理论与应用

作者：陈中林,杨翠丽,乔俊飞

单位：北京工业大学,北京工业大学,北京工业大学

关键词：数据缺失; 非完整时间序列; 长短期记忆神经网络; 前向传播算法; 学习算法

基金：国家自然科学基金项目(61890930 – 5, 62021003, 61973010), 国家重点研发计划项目(2021ZD0112302), 北京市自然科学基金项目(4202006) 资助.

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题, 利用长短期记忆(LSTM)神经网络强大的时序建模能力, 提出一种带时间门的长短期记忆(TG–LSTM)神经网络. 首先, 提出一种能同时对输入值在线估计和输出值实时预测的TG–LSTM单元结构; 其次, 基于TG–LSTM结构设计一种网络的前向传播算法, 实现输入填补和输出预测同步进行; 然后, 建立TG–LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练; 最后,通过在Mackey-glass基准数据集, 月平均气温数据集和污水处理出水氨氮预测中的实验结果表明: 与传统方法相比,TG–LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.

来源：2022年第5期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2022年第5期