空调系统自动故障诊断已经成为保障空调机组安全稳定运行的重要手段。针对传统机器学习方法难以自学习和适应故障时间序列特征从而准确性下降的问题,结合长短期记忆(Long-short Term Memory,LSTM)神经网络适用于处理高度时间相关性和高...空调系统自动故障诊断已经成为保障空调机组安全稳定运行的重要手段。针对传统机器学习方法难以自学习和适应故障时间序列特征从而准确性下降的问题,结合长短期记忆(Long-short Term Memory,LSTM)神经网络适用于处理高度时间相关性和高维耦合性数据的特点,本文提出了一种基于LSTM的故障时间序列分析方法处理典型的故障前后时序数据,搭建故障智能诊断模型。采集实际运行的风冷螺杆机组低压保护故障时间序列数据,用于训练LSTM网络。结果表明:基于LSTM网络的模型在测试集上分类准确率达92.86%,验证了其相对于传统的机器学习算法具有更高的准确度,随着数据量的提升,LSTM有望能发挥其更好的预测性能。展开更多
动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LST...动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LSTM的长短期偏好序列推荐方法LLSPRec(Long Short-term Preference Recommendation Based on LSTM)。该方法使用LSTM对用户的时间序列进行建模,聚合了序列之间的相关特征信息,得到用户的近期偏好,通过距离度量学习对用户本身和候选项目距离进行建模,得到用户的长期偏好,并根据用户的意图动态地整合用户的长期和近期偏好,从而准确地描述用户兴趣,提高推荐结果的多样性。展开更多
文摘空调系统自动故障诊断已经成为保障空调机组安全稳定运行的重要手段。针对传统机器学习方法难以自学习和适应故障时间序列特征从而准确性下降的问题,结合长短期记忆(Long-short Term Memory,LSTM)神经网络适用于处理高度时间相关性和高维耦合性数据的特点,本文提出了一种基于LSTM的故障时间序列分析方法处理典型的故障前后时序数据,搭建故障智能诊断模型。采集实际运行的风冷螺杆机组低压保护故障时间序列数据,用于训练LSTM网络。结果表明:基于LSTM网络的模型在测试集上分类准确率达92.86%,验证了其相对于传统的机器学习算法具有更高的准确度,随着数据量的提升,LSTM有望能发挥其更好的预测性能。
文摘动态时间序列是许多现代推荐系统的关键特征,主要是为了寻求基于用户最近执行的动作来捕获用户活动的“上下文”,然而大部分基于长短期记忆网络的序列模型只考虑了用户的短期兴趣,忽略了长期兴趣。为提升序列推荐的性能,提出一种基于LSTM的长短期偏好序列推荐方法LLSPRec(Long Short-term Preference Recommendation Based on LSTM)。该方法使用LSTM对用户的时间序列进行建模,聚合了序列之间的相关特征信息,得到用户的近期偏好,通过距离度量学习对用户本身和候选项目距离进行建模,得到用户的长期偏好,并根据用户的意图动态地整合用户的长期和近期偏好,从而准确地描述用户兴趣,提高推荐结果的多样性。
