典型文献
基于A-GRU的瓦斯浓度序列预测研究
文献摘要：
为了解决时序性和非线性瓦斯浓度序列预测误差较大的问题,提出融合注意力机制的门控循环单元神经网络对瓦斯预测进行研究.该算法首先对数据集进行预处理,接着引入更新门和重置门设计门控循环单元神经网络的算法结构,并加入注意力机制调整网络隐藏层参数,以误差损失最小化为目标预测瓦斯浓度.以吉林板石瓦斯灾害风险管控平台的监控数据为例,通过该算法预测得到结果与实际值之间的最小均方根误差为3.95％,最小平均绝对误差为0.71％,并将其与卷积神经网络、循环神经网络和多层感知机进行比较,实验表明该算法相较于传统方法,预测精度更高.
文献关键词：
门控循环单元;卷积神经网络;注意力机制;多层感知机;瓦斯浓度预测
中图分类号：
作者姓名：
冉啟华;吴何碧;丁力生;李旭;赖永标;杨扬;杨黎明;赖祥威
作者机构：
云南卫士盾科技有限公司,云南昆明650500;中建铁路投资建设集团有限公司,北京100053;昆明理工大学理学院,云南昆明650031
文献出处：
引用格式：
[1]冉啟华;吴何碧;丁力生;李旭;赖永标;杨扬;杨黎明;赖祥威-.基于A-GRU的瓦斯浓度序列预测研究)[J].软件导刊,2022(05):38-42
A类：
B类：
GRU,度序列,序列预测,预测研究,时序性,预测误差,注意力机制,门控循环单元神经网络,瓦斯预测,重置,算法结构,板石,瓦斯灾害,灾害风险,风险管控,管控平台,监控数据,算法预测,最小均方,平均绝对误差,循环神经网络,多层感知机,瓦斯浓度预测
AB值：
0.30529
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。
