基于精确的铁路客运量预测对于國家和企业的规划管理非常重要为提高预测的精度,提出改进粒子群算法(IPSO)和将粒子群算法(PSO)与长短时记忆lstm神经网络络相结合的预测模型(IPSO-LSTM)LSTM與传统的全连接lstm神经网络络不同,其避免梯度消失具有记忆过去信息的能力。由于LSTM的神经元数量、学习率和迭代次数难以确定利用IPSO对這些参数进行优化。提出利用非线性惯性权重变化来提高PSO的全局寻优能力和收敛速度将相关性分析得到的铁路营业里程、国家铁路客车擁有量、国内生产总值和年末总人口作为铁路客运量的影响因素并对铁路客运量进行预测。预测结果表明当LSTM具有2层隐含层时,IPSO-LSTM具有更高嘚精确度
基于深度LSTMlstm神经网络络的软件可靠性预测 |
1.1 研究背景及意义 |
1.2.1 基于传统假设验证的预测模型 |
1.2.2 基于数据驱动的预测模型 |
1.2.3 基于传统lstm神经网络络优化的預测模型 |
1.2.4 基于深度学习的预测模型 |
1.3 研究目标及内容 |
1.4 论文后续组织结构 |
第2章 多层异质粒子群优化算法 |
2.1 粒子群算法 |
2.1.2 PSO算法流程及其特点分析 |
2.2 粒子群算法改进分析 |
2.2.1 基于种群拓扑结构改进的粒子群算法 |
2.2.2 基于粒子行为改进的粒子群算法 |
2.3 多层异质粒子群优化算法 |
2.3.1 合理性分析 |
第3章 基于MHPSO算法优化的深度LSTMlstm神经网络络 |
3.2 深度LSTMlstm神经网络络分析 |
3.2.1 深度LSTM网络优势忣缺陷 |
3.3 基于MHPSO算法优化的深度LSTMlstm神经网络络 |
3.3.1 粒子编码方式 |
3.3.2 适应度函数 |
第4章 仿真实验及结果分析 |
4.1 实验目的及意义 |
4.2 實验仿真环境 |
4.3 粒子群改进算法仿真实验 |
4.3.1 基准测试函数 |
4.3.2 实验结果对比与分析 |
4.4 软件可靠性预测仿真实验 |
4.4.1 实驗数据及其预处理 |
4.4.2 实验指标 |
4.4.3 实验结果对比分析 |
攻读硕士学位期间发表的论文和取得的科研成果 |
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。