基于深度学习算法的粮堆温度预测研究
Grain Science and Technology and Economy(2019)
摘要
针对粮堆温度的非线性时间序列特点,本文提出一种基于长短时记忆网络(Long Short-Term Memory,LSTM)算法的粮堆温度预测模型,该模型不但解决了传统方法处理非线性数据能力较差的问题,而且较其他现有方法能够更好地处理时间序列数据.本文根据已有的粮仓环境数据搭建模型结构,进行模型训练和测试,并设置支持向量机和整合移动平均自回归模型作为对比实验.实验表明,该模型的均方误差MSE为0.048,较其他方法对粮堆温度的预测效果更好,准确性更高.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要