典型文献
基于TG–LSTM神经网络的非完整时间序列预测
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
陈中林;杨翠丽;乔俊飞
作者机构：
北京工业大学信息学部,计算智能与智能系统北京市重点实验室,智能环保北京实验室,北京市人工智能研究院,北京100124
文献出处：
引用格式：
[1]陈中林;杨翠丽;乔俊飞-.基于TG–LSTM神经网络的非完整时间序列预测)[J].控制理论与应用,2022(05):867-878
A类：
非完整时间序列,前向传播算法
B类：
时间序列预测,传统模型,数据缺失,序列预测精度,时序建模,建模能力,在线估计,实时预测,单元结构,输出预测,同步进行,Mackey,glass,基准数据集,平均气温,污水处理,氨氮,长短期记忆神经网络
AB值：
0.242844
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。
