典型文献
CNN-GRU模型预测高炉煤气产生量
文献摘要：
为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络(CNN)和门结构循环单元(GRU)网络相结合的预测模型.模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测.这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度.
文献关键词：
高炉煤气预测;数据挖掘;卷积神经网络;时间序列;门结构循环单元网络;循环神经网络
中图分类号：
作者姓名：
李志刚;张鑫
作者机构：
华北理工大学信息工程学院,河北唐山 063210;华北理工大学电气工程学院,河北唐山 063210
文献出处：
引用格式：
[1]李志刚;张鑫-.CNN-GRU模型预测高炉煤气产生量)[J].机械设计与制造,2022(04):69-72,76
A类：
高炉煤气预测,门结构循环单元网络
B类：
GRU,测高,产生量,用海,海量数据,蕴藏,钢铁企业,生产作业,非平稳,词向量,时间信息,温度数据,联成,特征向量,输入数据,唐山,测速,循环神经网络
AB值：
0.213313
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。
