文献类型：期刊文章

作　　者：陈中林[1] 杨翠丽[1] 乔俊飞[1]

CHEN Zhong-lin;YANG Cui-li;QIAO Jun-fei(Faculty of Information Technology,Beijing University of Technology,Beijing Key Laboratory of Computational Intelligence and Intelligent System,Beijing Laboratory for Intelligent Environmental Protection,Beijing Institute of Artificial Intelligence,Beijing 100124,China)

机构地区：[1]北京工业大学信息学部,计算智能与智能系统北京市重点实验室,智能环保北京实验室,北京市人工智能研究院,北京100124

出　　处：《控制理论与应用》

基　　金：国家自然科学基金项目(61890930–5,62021003,61973010);国家重点研发计划项目(2021ZD0112302);北京市自然科学基金项目(4202006)资助。

年　　份：2022

卷　　号：39

期　　号：5

起止页码：867-878

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG-LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG-LSTM单元结构;其次,基于TG-LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG-LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG-LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.

关 键 词：数据缺失  非完整时间序列  长短期记忆神经网络  前向传播算法  学习算法

分 类 号：TP183] O211.61]