典型文献
基于LSTM神经网络的缺失数据随机功率谱估计
文献摘要：
为了解决随机功率谱中的数据缺失问题,提出了一种基于K近邻回归(K neighbors regressor)与长短期记忆神经网络(long short term memory,LSTM)的预测方法.在实际工程应用中,功率谱的精度随着时程样本的增加而提高.但是,由于测量的限制或数据损坏,存在一些数据难以获取或丢失的情况.对此,引入了机器学习的方法来还原随机功率谱.首先,利用K近邻回归方法填充缺失的数据以获得完整时间历史的样本.其次,建立相应的LSTM神经网络模型进行数据训练.模拟实验结果为在缺失30％和50％数据情况下,采用K近邻回归和LSTM神经网络的方法可以很好地还原目标功率谱.目标功率谱与机器学习还原后的功率谱之间的比较证明了方法的准确性和有效性.
文献关键词：
数据缺失;数据恢复;K近邻回归;LSTM;随机功率谱
中图分类号：
作者姓名：
赵万祥;张远进;李晓荣
作者机构：
武汉理工大学 中国应急管理研究中心,湖北 武汉 430070;武汉理工大学 安全科学与应急管理学院,湖北 武汉430070;斯旺西大学 工程学院,威尔士 斯旺西 SA28PP
文献出处：
引用格式：
[1]赵万祥;张远进;李晓荣-.基于LSTM神经网络的缺失数据随机功率谱估计)[J].武汉理工大学学报（信息与管理工程版）,2022(06):993-998
A类：
随机功率谱,数据损坏
B类：
缺失数据,功率谱估计,数据缺失,近邻回归,neighbors,regressor,长短期记忆神经网络,long,short,term,memory,实际工程应用,时程,建立相应,数据训练,模拟实验,数据恢复
AB值：
0.254514
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
