.png){kind=icon}
返回
Embedded deep reservoir computing for modelling complex industrial systems
.png){kind=icon}
OA
AI
DOI：10.1177/10692509251376129.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业过程正变得越来越复杂，需要先进的建模技术来理解其行为并改善其性能。在此背景下，深度学习算法已被证明是建模动态系统的有效工具，其中循环神经网络（RNNs）特别适用于时间序列数据。然而，深度学习模型的计算复杂性在工业环境中可能构成限制，因为此类环境需要实时响应。
本研究提出使用深度回声状态网络（Deep Echo State Networks）来建模工业系统。目的是评估其在嵌入式设备上运行时在实时工业应用中的性能。该方法是针对一个由四个相互连接的水箱组成的过程进行验证的，该过程表现出典型的非线性工业动态。在多种候选架构（包括标准RNNs或LSTMs）中，Deep ESNs因其精度与计算效率的平衡而被选中。测试了不同的输入-输出设置和Deep ESN层数，并将结果在精度和执行时间方面与LSTMs进行比较。最后，将最优的Deep ESN模型部署到工业嵌入式设备上，以评估这些模型实时运行的可能性。
所提出的方法相比传统储备池计算，实现了高达33%的RMSE降低和14%的R2改进，凸显了其优越的预测性能。结果表明，Deep ESN模型能够有效建模工业系统，最优配置在实现高精度的同时具有低执行时间，证明了这些模型在工业环境中实时运行的可行性。
期刊
I
IF:
5.3
论文数:
491
被引数:
735
机构
引用论文
Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network递归神经网络 (RNN) 和长短期记忆 (LSTM) 网络的基本原理
OAAI
.png){kind=icon}
OAAI分享收藏Improving the competitiveness of aircraft manufacturing automated processes by a deep neural networkOAAI
OAAI分享收藏分享收藏A weakly supervised active learning framework for non-intrusive load monitoring一种用于非侵入式负荷监测的弱监督主动学习框架OAAI
OAAI分享收藏
查看更多内容