科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对实际工业过程的非线性和动态性特点，并考虑过程变量中存在的冗余信息，提出一种带自注意力机制的卷积有序神经元长短时记忆网络(ordered neurons long short-term memory, ONLSTM)多层时序预测模型。首先利用卷积神经网络降低局部特征维度，对输入变量进行局部特征提取，并通过构建层级重要性指标对长短时记忆网络(long short-term memory, LSTM)隐藏层神经元进行特定排序，以辨识层级结构信息，提高网络模型的重要信息判断能力；其次将自注意力机制引入ONLSTM网络，根据各输入变量之间内部相关性，自适应地为其分配不同的注意力权重，以提高模型预测性能；最后将模型应用于青霉素发酵过程的产物浓度预测，并与其他先进网络模型进行对比，验证了模型的有效性。
- 单位
