没有合适的资源?快使用搜索试试~ 我知道了~
基于深度学习的无局部结构矩阵序列预测.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 108 浏览量
2022-11-04
16:41:33
上传
评论
收藏 175KB DOCX 举报
温馨提示
试读
8页
基于深度学习的无局部结构矩阵序列预测.docx
资源推荐
资源详情
资源评论
0 引言
如何通过对外在事物的观察和处理,来把握其内在规律,进而实现对未来事物的预测,指导人类活
动,是一项非常有价值且难度大的研究课题,多年来一直受到学者们的关注.特别是近几年随着深度学习
技术的发展,基于深度学习的各种预测方法层出不穷,在网约车供需缺口短时预测、安全缺陷报告预测、
磨矿系统故障诊断、城市交通态势预测、薄板冷轧颤振预报等方面得到较成功应用
[1-5]
.其中,卷积神经网
络因其卷积核可以有效地对输入数据如图像、视频等中的局部结构进行学习和处理,通过级联的卷积层逐
步提取到输入数据的表层结构与内在的语义信息,由此构成的深度神经网络在处理视觉任务上效果明显
[6-
7]
.
与图像相比,因视频多了时间维度,视频不仅具有空域相关性,也存在很强的时域相关性,视频数
据量的爆炸式增长使其已经成为网络大数据的主体,思科公司预测,到 2022 年全球网络视频数据量将占
全部网络数据流量的 82%
[8]
,视频预测成为人工智能领域的研究热点,不断涌现出大量预测算法
[9]
.现有的
主流视频预测方法
[10-15]
,多是基于卷积神经网络与循环神经网络开展的,首先通过卷积神经网络提取图像
序列中的空间结构,然后再通过循环神经网络(RNN)或长短时记忆网络(LSTM)来提取这些特征的时序信
息,并最后实现预测.其中,Srivastava
[10]
提出用 LSTM 处理视频预测任务的基本框架 FcLSTM,即采用
两个 LSTM 分别作为编码器和解码器,通过对给定输入视频序列先编码、再解码的方式生成预测序列.
Shi 等
[11-12]
在前人研究基础上,提出了 ConvLSTM 和 TrajGRU 方法,并将其用于视频预测算法中,形成
了视频预测方法的基本框架. Wang 等
[13-15]
针对时空序列预测问题,提出了采用 STLSTM 的 PredRNN,
通过分别对序列中的时序记忆和空间记忆进行处理,很好地解决了视频预测问题,并提出 PredRNN++与
MIM 等改进版本.
然而,实际任务中经常面对没有明显局部近邻结构、甚至稀疏的数据.对于这样的数据,卷积神经网
络的处理往往难以奏效.这些看似杂乱无序的局部结构对卷积核产生极大干扰,使卷积神经网络失去作用.
视频预测任务中,这种情况尤为突出.这类问题被称为无局部结构矩阵序列预测问题,即以一些局部结构
丢失的矩阵序列作为输入,来预测未来时刻的矩阵序列.通常情况,这种局部结构的丢失来源于数据观测.
大多数情况下,数据的整体结构很难被完整观测,现实中得到的数据往往是原始数据的一种采样.无局部
结构矩阵序列数据中广泛存在着全局依赖如图 1 所示,局部结构并不明显,如何从这些无局部结构的观
测数据学习到其内在变化特征,从而对整体数据进行预测,是一个重要且具有挑战性的问题.
为解决上述问题,本文构建了一种无局部结构矩阵预测网络(Ordinary Matrix Prediction Network,
OMPNet),提出一种专门用于处理图像、视频等高维数据的线性运算模块、对偶线性连接(dual linearized
connecting,DLC),实现对广泛存在于无结构矩阵序列中的全局依赖和长时依赖(如图 1)进行提取和学
习,有效地生成预测结果.
图 1 无局部结构矩阵序列全局依赖现象 Fig.1 Global dependence phenomenon of ordinary matrix sequence
图选项
资源评论
罗伯特之技术屋
- 粉丝: 3684
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功