基于LSTM-BLS的突发气象灾害事件中公众情感倾向分析罗嘉1 王乐豪2 涂姗姗1 宋鸽1 韩莹21湖北省公众气象服务中心,武汉,4300742南京信息工程大学自动化学院,南京,210044摘要:近年来长短期记忆网络(LSTM)在文本情感倾向分析方面显示出一定优势,但L...
基于LSTM-BLS 的突发气象灾害事件中公众情感倾向分析
9.有鉴于此,本发明提供了一种基于bls和lstm的剩余使用寿命预测方法及系统,其中,bls具有强大的特征表征和预测能力,能够准确地表示数据特征与预测结果之间的关系;训练速度高且具有增量学习的优势,当网络没有达到预期的性能时,只需要增量学习,且只需要计算增量部分而无需重构整个网络,这大大提高了数据处理的效率。同时,l...
本发明涉及生产计划排程的技术领域,尤其是涉及基于BLS和LSTM的云排产方法及系统,包括:客户端向云排产系统发起排产请求;云排产系统建立任务队列并划分各个任务的优先级;云排产系统获取各个数据处理服务器的负荷率,为各个任务选择合适的数据处理服务器作为节点服务器;得到初步云排产信息;云排产系统利用BLS技术和LSTM技术对...
摘要:基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象, 而宽度学习系统(Broad Learning System, BLS) 无需多次迭代的特点有助于解决LSTM的上述缺点. 加权宽度学习系统(Weighted Broad Learning System, WBLS)通过在...
2.13 BLS宽度学习时序、回归预测和分类 2.14 PNN脉冲神经网络分类 2.15 模糊小波神经网络预测和分类 2.16 时序、回归预测和分类 2.17 时序、回归预测预测和分类 2.18 XGBOOST集成学习时序、回归预测预测和分类 方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池...
基于BLS和LSTM的云排产方法及系统 喜欢 0 阅读量: 79 申请(专利)号: 202111266251 申请(专利权)人: 广东工业大学 发明人:徐雍,陈建焰,鲁仁全,彭慧,饶红霞 收藏 引用 批量引用 报错 分享 全部来源 求助全文 cprs.patentstar.com.cn 研究点推荐云排产 BLS ...
2.13 BLS宽度学习时序、回归预测和分类 2.14 PNN脉冲神经网络分类 2.15 模糊小波神经网络预测和分类 2.16 时序、回归预测和分类 2.17 时序、回归预测预测和分类 2.18 XGBOOST集成学习时序、回归预测预测和分类 方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池...
The proposed two methods possess three advantages: 1) higher accuracy due to the simultaneous learning of multiple information, even compared to deep LSTM that extracts deeper but single information only; 2) significantly faster training time due to the noniterative learning in BLS, compared to ...
This paper proposes a novel hybrid scheme through read-first-LSTM (RLSTM) encoder-decoder and broad learning system (BLS) for bearings degradation monitoring and remaining useful life (RUL) estimation, which aims to describe the nonlinear characteristics of the degradation process. Firstly, the raw...