基于CNN-LSTM的QAR数据特征提取与预测

• 作者: 刘亚楠 张鹏 杨涛 樊志勇 段照斌
• 来源期刊: 计算机应用研究
• 关键词: 深度学习 融合卷积神经网络 长短时记忆网络 特征提取 时间序列预测
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2958-2961
• 页数: 4页
• 分类号: TP277
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.04.0214

摘要

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题,提出一种融合卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)的双通道融合模型CNN-LSTM.CNN与LSTM分别作为两个通道,通过注意力机制(attention)融合,从而使模型能同时表达数据在空间维度和时间维度上的特征,并以时间序列预测的方式验证融合模型特征提取的有效性.实验结果表明,双通道融合模型与单一的CNN、LSTM相比,能够更有效地提取数据特征,模型单步预测与多步预测误差平均降低35.3％,为基于QAR数据的故障诊断提供一种新的研究思路.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张鹏	中国民航大学适航学院	68	249	8.0	11.0
2	杨涛	中国民航大学电子信息与自动化学院	16	12	2.0	3.0
3	段照斌	中国民航大学工程技术训练中心	13	26	3.0	4.0
4	刘亚楠	中国民航大学电子信息与自动化学院	5	8	2.0	2.0
5	樊志勇	中国民航大学工程技术训练中心	1	4	1.0	1.0