典型文献
基于Attention⁃LSTM⁃Kalman建模的风洞动态流量软测量
文献摘要：
针对风洞流量测量中传统静态软测量模型估计精度低、鲁棒性差等问题,提出了注意力机制(Attention mechanism,Attention)、长短时记忆神经网络(Long short?term memory,LSTM)和卡尔曼滤波(Kalman filtering,Kalman)结合的Attention?LSTM?Kalman软测量模型:通过LSTM网络建立静态软测量模型,在此基础上,提出一种基于注意力机制的改进方案,考虑到系统的动态特性,使用卡尔曼滤波动态调整软测量模型输出序列.实验结果表明,静态预测模型LSTM的预测效果优于循环神经网络(Recurrent neural network,RNN)和门控循环单元(Gated recurrent unit,GRU)等模型;基于LSTM、Attention?LSTM和Attention?LSTM?Kalman的3种模型的对比预测测量结果表明,注意力机制能有效提高模型精准度,引入卡尔曼滤波改善了模型的动态测量特性.该模型方案在风洞系统的流量测量验证了其可行性和有效性.
文献关键词：
深度学习;长短时记忆神经网络;注意力机制;卡尔曼滤波;软测量技术
中图分类号：
作者姓名：
周隽杰;付东翔
作者机构：
上海理工大学光电信息与计算机工程学院,上海 200093
文献出处：
引用格式：
[1]周隽杰;付东翔-.基于Attention⁃LSTM⁃Kalman建模的风洞动态流量软测量)[J].数据采集与处理,2022(02):463-470
A类：
B类：
Attention,Kalman,风洞,动态流量,流量测量,软测量模型,模型估计,估计精度,注意力机制,mechanism,长短时记忆神经网络,Long,short,term,memory,卡尔曼滤波,filtering,改进方案,动态特性,模型输出,静态预测,循环神经网络,Recurrent,neural,network,RNN,门控循环单元,Gated,recurrent,unit,GRU,动态测量,测量特性,软测量技术
AB值：
0.329482
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。
