预测双摆系统动力响应的lstm深度学习仿真研究【字数：13318】
摘 要在科技蓬勃发展的今天，人工智能早已走进了人们的日常生活。人工智能现在大都具备学习能力，渗透的领域极多，不仅解放了人们的双手也大大提高了办事效率。本文简略介绍了什么是人工智能以及人工智能的来源与历史，叙述了LSTM神经网络的深度学习是如何对所需信息进行记忆并对于未来发生事件进行预测。其算法核心为递归神经网络（RNN）——一种功用非常强大的神经网络类型，被人们誉为最具有前途的一种算法，由于它是独一具备内部储存器的算法。此项深度学习算法主要依仗于大数据以及LSTM神经网络的发明，将它的潜力激发了出来。由于内部的记忆功能，能够将咱们所需知的信息进行练习记忆，从而对未来或许发生的事情进行十分精确的预测。现如今此项技术广泛用于预测环境气候变化、金融市场波动、医学事件发生等多个科学领域。在软件运用方面，主要采用Python语言及TensorFlow。了解学习相关代码对与LSTM神经网络相关程序进行反复的调试学习，最终通过LSTM模型对双摆系统运动的轨迹进行预测。
目 录
第一章 绪论 1
1.1研究背景 1
1.1.1 人工智能 1
1.1.2 机器学习 1
1.1.3 深度学习 2
1.2 国内外研究现状 2
1.3 人工智能的核心驱动力 3
1.3.1 大数据 3
1.3.2 算法 3
1.3.3 硬件 3
第二章 软件安装及调试 5
2.1主要软件介绍 5
2.1.1软件定义 5
2.2安装及调试 5
2.2.1 Python安装 5
2.2.2 TensorFlow安装 12
2.2.3 numpy及matplotlib模块安装 16
第三章 LSTM神经网络介绍 18
3.1 LSTM神经网络概念定义 18
3.2 LSTM神经网络实际应用 18
3.3 LSTM神经网络应用作用 18
3.4 LSTM模型工作原理 19
3.4.1 遗忘门 19
3.4.2输入门 20
3.4.3输出门 21
*好棒文|www.hbsrm.com +Q: ^351916072^
/> 3.5 未来畅想 22
第四章 LSTM模型相关例子学习调试 23
4.1 TensorFlow Time Series模块简介 23
4.2 AR模型预测时间序列 23
4.3 LSTM模型预测时间序列 28
第五章 单摆系统及双摆系统的混沌性介绍 33
5.1 单摆运动和双摆运动 33
5.2混沌现象 33
第六章 基于LSTM神经网络的单双摆系统动力响应预测 35
6.1 预测单摆系统运动轨迹 35
6.2 不同变量对LSTM预测单摆系统精确度的影响 37
6.3 预测双摆系统运动轨迹 40
6.4 不同变量对LSTM预测双摆系统精确度的影响 42
6.5 本章小结 45
第六章 总结与展望 46
6.1 总结 46
6.2 展望 46
致谢 47
参考文献 48
附录A 49
第一章 绪论
1.1研究背景
如今人工智能的发展较于前几十年已经发展到了令人惊叹的地步。人工智能不仅仅只是可以解放人们的双手，代替人们更高效的办事，现在乃至未来还成为了一种“智慧服务”，像是医疗器械或者无人汽车这样。每一天人工智能都在飞速的提升，人们相信未来10年人工智能将要改变世界。
而LSTM神经网络这个深度学习算法早已也渗入了我们的生活。在翻译人类话语、控制机器人、图片分析、文档择要、语音辨识、图像辨识、手写辨识、控制谈天机器人、预测疾病发生率、蛋白质同源检测和股票价格预测等等方面都已经有了出色的成就。相信在未来有了大数据的精进以及更先进的运算处理器，LSTM神经网络会更加发光发热。
针对这些背景，本文提出通过LSTM神经网络深度学习算法来预测双摆系统运动轨迹，并讨论摆角大小与时间问题的关系。对程序进行调试运行并画出图像从而对双摆系统动力预测进行分析研究，深入探讨LSTM神经网络算法原理，为后续的预测工作作为支柱。
1.1.1 人工智能
人工智能（Artificial Intelligence，AI），用专业术语来描述就是研究一个机器是如何去模仿人类的智能活动的一个新学科。通俗易懂的讲，人工智能就是运用计算机模仿人类行为的科学的统称，经过一系列的训练，使机器具备如同人类一样自主学习、记忆、决策、判别等等的人类行为。
因此，人工智能是一门知识工程学[1]，其将知识作为学习对象，获取知识，对知识进行剖析研究从而筛选有用的知识，学习有用知识的应用方式和表达形式，进而达到模拟人类智能活动的效果。
1.1.2 机器学习
统计机器学习是机器学习的别称，是人工智能下的分支。其运用数据构建统计模型对数据进行反复的训练，再对数据进行新一步的分析和预测。机器学习的核心工作思想就是用算法来剖析数据，从众多的数据中得出特点规律，并将其记忆住，使机器可以在面对现实的事件或时间做出判断或者预测。
简单来讲就是用大量的数据让机器进行训练，训练完成后可以让机器自行解决问题。
1.1.3 深度学习
深度学习在曾经还只是一个机器学习的算法而已，又被称作是人工神经网络。在人工智能还未像如今这么发达的时候，被算法理论、数据采集和硬件跟不上的制约，一直都是简单的单层网络。后来，算法总结出了更多的规律和方法；还有随着互联网、物联网的卓越发展使大数据得到受益良多；以及市场上以英伟达为首的GPU设备功能不断提升，使得深度学习的神经网络得到相当的重视。
1.2 国内外研究现状
Hinton利用神经网络训练过程中的权值让其找到无限接近最优解的初始值，并用“微调技术”优化训练，缓解算法中梯度消失的问题。他神经网络起了个新的名字——深度学习。
Iyyer[7]等人通过循环神经网络建立文本组合型的模型，将其应用在quiz bowl任务。
Wang等人通过双向LSTM网络使机器学习并训练问答本文中的信息来解决问题答案对的表示。
Peter等人基于现有的全球温度异常专用预测模型的预测数据来和LSTM模型预测数据结果进行比对，发现LSTM模型的预测能力确实是十分强大。
目 录
第一章 绪论 1
1.1研究背景 1
1.1.1 人工智能 1
1.1.2 机器学习 1
1.1.3 深度学习 2
1.2 国内外研究现状 2
1.3 人工智能的核心驱动力 3
1.3.1 大数据 3
1.3.2 算法 3
1.3.3 硬件 3
第二章 软件安装及调试 5
2.1主要软件介绍 5
2.1.1软件定义 5
2.2安装及调试 5
2.2.1 Python安装 5
2.2.2 TensorFlow安装 12
2.2.3 numpy及matplotlib模块安装 16
第三章 LSTM神经网络介绍 18
3.1 LSTM神经网络概念定义 18
3.2 LSTM神经网络实际应用 18
3.3 LSTM神经网络应用作用 18
3.4 LSTM模型工作原理 19
3.4.1 遗忘门 19
3.4.2输入门 20
3.4.3输出门 21
*好棒文|www.hbsrm.com +Q: ^351916072^
/> 3.5 未来畅想 22
第四章 LSTM模型相关例子学习调试 23
4.1 TensorFlow Time Series模块简介 23
4.2 AR模型预测时间序列 23
4.3 LSTM模型预测时间序列 28
第五章 单摆系统及双摆系统的混沌性介绍 33
5.1 单摆运动和双摆运动 33
5.2混沌现象 33
第六章 基于LSTM神经网络的单双摆系统动力响应预测 35
6.1 预测单摆系统运动轨迹 35
6.2 不同变量对LSTM预测单摆系统精确度的影响 37
6.3 预测双摆系统运动轨迹 40
6.4 不同变量对LSTM预测双摆系统精确度的影响 42
6.5 本章小结 45
第六章 总结与展望 46
6.1 总结 46
6.2 展望 46
致谢 47
参考文献 48
附录A 49
第一章 绪论
1.1研究背景
如今人工智能的发展较于前几十年已经发展到了令人惊叹的地步。人工智能不仅仅只是可以解放人们的双手，代替人们更高效的办事，现在乃至未来还成为了一种“智慧服务”，像是医疗器械或者无人汽车这样。每一天人工智能都在飞速的提升，人们相信未来10年人工智能将要改变世界。
而LSTM神经网络这个深度学习算法早已也渗入了我们的生活。在翻译人类话语、控制机器人、图片分析、文档择要、语音辨识、图像辨识、手写辨识、控制谈天机器人、预测疾病发生率、蛋白质同源检测和股票价格预测等等方面都已经有了出色的成就。相信在未来有了大数据的精进以及更先进的运算处理器，LSTM神经网络会更加发光发热。
针对这些背景，本文提出通过LSTM神经网络深度学习算法来预测双摆系统运动轨迹，并讨论摆角大小与时间问题的关系。对程序进行调试运行并画出图像从而对双摆系统动力预测进行分析研究，深入探讨LSTM神经网络算法原理，为后续的预测工作作为支柱。
1.1.1 人工智能
人工智能（Artificial Intelligence，AI），用专业术语来描述就是研究一个机器是如何去模仿人类的智能活动的一个新学科。通俗易懂的讲，人工智能就是运用计算机模仿人类行为的科学的统称，经过一系列的训练，使机器具备如同人类一样自主学习、记忆、决策、判别等等的人类行为。
因此，人工智能是一门知识工程学[1]，其将知识作为学习对象，获取知识，对知识进行剖析研究从而筛选有用的知识，学习有用知识的应用方式和表达形式，进而达到模拟人类智能活动的效果。
1.1.2 机器学习
统计机器学习是机器学习的别称，是人工智能下的分支。其运用数据构建统计模型对数据进行反复的训练，再对数据进行新一步的分析和预测。机器学习的核心工作思想就是用算法来剖析数据，从众多的数据中得出特点规律，并将其记忆住，使机器可以在面对现实的事件或时间做出判断或者预测。
简单来讲就是用大量的数据让机器进行训练，训练完成后可以让机器自行解决问题。
1.1.3 深度学习
深度学习在曾经还只是一个机器学习的算法而已，又被称作是人工神经网络。在人工智能还未像如今这么发达的时候，被算法理论、数据采集和硬件跟不上的制约，一直都是简单的单层网络。后来，算法总结出了更多的规律和方法；还有随着互联网、物联网的卓越发展使大数据得到受益良多；以及市场上以英伟达为首的GPU设备功能不断提升，使得深度学习的神经网络得到相当的重视。
1.2 国内外研究现状
Hinton利用神经网络训练过程中的权值让其找到无限接近最优解的初始值，并用“微调技术”优化训练，缓解算法中梯度消失的问题。他神经网络起了个新的名字——深度学习。
Iyyer[7]等人通过循环神经网络建立文本组合型的模型，将其应用在quiz bowl任务。
Wang等人通过双向LSTM网络使机器学习并训练问答本文中的信息来解决问题答案对的表示。
Peter等人基于现有的全球温度异常专用预测模型的预测数据来和LSTM模型预测数据结果进行比对，发现LSTM模型的预测能力确实是十分强大。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jzgc/tmgc/648.html
