本文主要研究内容
作者涂建维,高经纬,李召,张家瑞（2019）在《基于长短时记忆网络的结构智能控制算法研究》一文中研究指出：为提高建筑结构智能控制的控制精度及稳定性,在长短时记忆（LSTM）网络理论基础上,提出一种基于深度学习的智能控制算法.通过构建深度学习框架,设计LSTM智能控制器,并将其性能测试结果与反向传播（BP）和径向基函数（RBF）神经网络控制器进行对比.以Benchmark模型为对象,分析了不同外部激励工况下LSTM智能控制器的泛化能力,并提出了基于结构响应的H2范数评价指标.结果表明:BP和RBF神经网络框架的预测结果相比LSTM框架可能发生局部最优现象,且收敛精度较低;原输入工况下,LSTM控制器的误差为3.30×10-4,控制效果最高达65.0%;变激励工况下,LSTM控制器的响应峰值及H2范数评价指标均优于BP和RBF神经网络控制器,说明LSTM智能控制器具有良好的控制和泛化性能.
Abstract
wei di gao jian zhu jie gou zhi neng kong zhi de kong zhi jing du ji wen ding xing ,zai chang duan shi ji yi （LSTM）wang lao li lun ji chu shang ,di chu yi chong ji yu shen du xue xi de zhi neng kong zhi suan fa .tong guo gou jian shen du xue xi kuang jia ,she ji LSTMzhi neng kong zhi qi ,bing jiang ji xing neng ce shi jie guo yu fan xiang chuan bo （BP）he jing xiang ji han shu （RBF）shen jing wang lao kong zhi qi jin hang dui bi .yi Benchmarkmo xing wei dui xiang ,fen xi le bu tong wai bu ji li gong kuang xia LSTMzhi neng kong zhi qi de fan hua neng li ,bing di chu le ji yu jie gou xiang ying de H2fan shu ping jia zhi biao .jie guo biao ming :BPhe RBFshen jing wang lao kuang jia de yu ce jie guo xiang bi LSTMkuang jia ke neng fa sheng ju bu zui you xian xiang ,ju shou lian jing du jiao di ;yuan shu ru gong kuang xia ,LSTMkong zhi qi de wu cha wei 3.30×10-4,kong zhi xiao guo zui gao da 65.0%;bian ji li gong kuang xia ,LSTMkong zhi qi de xiang ying feng zhi ji H2fan shu ping jia zhi biao jun you yu BPhe RBFshen jing wang lao kong zhi qi ,shui ming LSTMzhi neng kong zhi qi ju you liang hao de kong zhi he fan hua xing neng .
论文参考文献
论文详细介绍
论文作者分别是来自华中科技大学学报(自然科学版)的涂建维,高经纬,李召,张家瑞，发表于刊物华中科技大学学报(自然科学版)2019年12期论文，是一篇关于深度学习论文,长短时记忆网络论文,智能控制论文,时间序列预测论文,泛化能力论文,华中科技大学学报(自然科学版)2019年12期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自华中科技大学学报(自然科学版)2019年12期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度学习论文; 长短时记忆网络论文; 智能控制论文; 时间序列预测论文; 泛化能力论文; 华中科技大学学报(自然科学版)2019年12期论文;