1.一种增强短期记忆的LSTM网络模型,其特征在于:包括数据输入模块、数据计算单元、特征提取模块和输出模块,数据输入模块与数据计算单元的数据输入端连接,数据输入模块用于输入外部处理数据,数据计算单元的输出端分别与特征提取模块和输出模块连接,特征提取模块的输出端与数据计算单元的输入端连接,数据计算单元用于实现对信息的记忆和遗忘,特征提取模块将数据计算单元输出的向量进行提取特征值,然后再循环回到数据计算单元,实现已处理数据的再次记忆,同时提高数据处理效率,外部处理数据包括视频、图像和语音;
特征提取模块用于对输出的特征向量进行特征提取,经过特征提取后减少数据量,同时在处理时间t的时候又一起处理t-2数据的特征值,处理数据加倍,效率提高;
数据计算单元的计算过程为:
ht=ot*tanh(ct) (6)
其中,xt代表t时刻的输入,ht代表t时刻的隐藏状态值,不同下标代表不同输入值的权重,不同下标代表不同输入的偏置,代表当前输入记忆信息的细胞状态,代表门控激活函数sigmoid,h’t-2代表t-2时刻的隐藏单元值的特征,Wh-2、bh-2分别代表t-2时刻隐藏单元值的参数和偏置。
2.根据权利要求1所述的一种增强短期记忆的LSTM网络模型,其特征在于:数据计算单元包括输入门、遗忘门、输出门和临时记忆单元,在输入门、遗忘门、输出门和临时记忆单元的计算中,加入在t-2时刻隐藏状态的特征值,提高数据处理效率。
3.根据权利要求1所述的一种增强短期记忆的LSTM网络模型,其特征在于: 网络模型的验证过程为:
1、数据准备和处理,根据实验方案,对人工数据集和自然数据集进行处理,其中人工数据集通过加入高斯噪声和平滑处理模拟周期和非周期的序列数据,将序列数据集处理为实验用数据,划分为训练数据集和测试数据集;自然数据集采用风力发电、太阳能发电、电力负载数据,将序列数据集处理为实验用数据,划分为训练数据集和测试数据集;
2、模型训练,将时间序列预测训练数据集导入模型,寻找合适的超参数进行模型训练,并将训练结果导出;
3、模型测试,根据训练结果对模型进行测试,并根据RMSE和R2指标计算测试结果;
4、模型评价,保存模型测试结果,对不同情况下的模型收敛和预测表现情况进行对比和评价。