文献类型：期刊文章

作　　者：周翔宇[1] 程勇[2] 王军[1,2]

ZHOU Xiangyu;CHENG Yong;WANG Jun(School of Computer & Software,Nanjing University of Information Science and Technology,Nanjing Jiangsu 210044,China;Division of Science & Technology,Nanjing University of Information Science and Technology,Nanjing Jiangsu 210044,China)

机构地区：[1]南京信息工程大学计算机与软件学院,南京210044 [2]南京信息工程大学科技产业处,南京210044

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(41875184);江苏省"六大人才高峰"项目(2015-DZXX-015;TD-XYDXX-004);江苏高校"青蓝工程"项目~~

年　　份：2019

卷　　号：39

期　　号：4

起止页码：1053-1058

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对浅层神经网络面对温室复杂多变环境因子表征能力低、学习时间长的问题,提出一种基于改进深度信念网络并结合经验模态分解与门控循环单元的温室预测方法。首先,通过经验模态分解将温度环境因子进行信号分解,之后将分解出来的固有模态函数与残差信号进行不同程度的预测;然后,引入神经胶质改进深度信念网络,并将分解信号结合光照和二氧化碳进行多属性的特征提取;最后,将门控循环单元预测的信号分量相加获得最终的预测结果。仿真实验结果表明,与经验模态分解-深度信念网络(EMD-DBN)和深度信念网络-神经胶质链(DBN-g)相比,所提方法的预测误差分别降低了6.25%和5.36%,验证了其在强噪声、强耦合的温室时序环境下预测的有效性和可行性。

关 键 词：循环神经网络 深度信念网络  门控循环单元  时间序列预测 神经胶质链  

分 类 号：TP183]