[发明专利]基于代价敏感LSTM循环神经网络的稳压器水位预测方法

摘要

本发明涉及船舶核动力稳压器水位预测技术领域，特别涉及一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法。一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法，包括如下步骤：S1，选取与稳压器水位耦合度较高的p个参数xt∈Rp作为输入参数；S2，构建基于LSTM稳压器水位预测模型及其框架；S3，采用BPTT算法对步骤S2中构建的水位预测模型进行训练和优化。本发明LSTM模型比SVR模型和BP神经网络模型能够更好的逼近水位的真实值，具有更强的学习能力和预测能力，且基于代价敏感型的LSTM模型精度更好、收敛更快。

主权项

1.一种基于代价敏感LSTM循环神经网络的稳压器水位预测方法，其特征在于，包括如下步骤：S1，选取与稳压器水位耦合度较高的p个参数x_t∈R^p作为输入参数；S2，构建基于LSTM稳压器水位预测模型及其框架；所述步骤S2包括：S21，应用RUN模型计算出隐藏层序列和输出序列；S22,将隐藏层的RNN细胞替换为LSTM细胞，使其具有长期记忆能力，构建LSTM模型；计算方法如下：i_t＝σ(W_xi⊙x_t+W_hi⊙h_t‑1+W_ci⊙c_t‑1+b_i)       (4)f_t＝σ(W_xf⊙x_t+W_hf⊙h_t‑1+W_cf⊙c_t‑1+b_f)       (5)c_t＝f_t⊙c_t‑1+i_t⊙tanh(W_xc⊙x_t+W_hc⊙h_t‑1+b_c)  (6)o_t＝σ(W_xo⊙x_t+W_ho⊙h_t‑1+W_co⊙c_t+b_o)        (7)h_t＝o_t⊙tanh(c_t)                       (8)其中，i、f、c、o分别代表输入门、遗忘门、细胞状态、输出门，W和b分别代表对应的权重和偏置值，σ和tanh分别为sigmoid和双曲正切激活函数；选取与稳压器水位耦合度较高的p个参数x_t∈R^p作为输入参数，选择预测值与真实值的MAE为损失函数LOSS，LSTM网络中的权值W和偏置值b为决策变量(包括W_xi W_hi W_ci W_xf W_hf W_cf W_xc W_hc W_xo W_ho W_co W_hy b_i b_f b_c b_o b_y)，其中，y_t和分别为稳压器水位在t时刻的真实值和预测值，m为训练集样本总数，训练集样本按时序排列；S3，采用BPTT算法对步骤S2中构建的水位预测模型进行训练和优化。