Resumen

En este trabajo se propone un nuevo método de identificación de parámetros bajo excitación de ruido no blanco utilizando un codificador transformador y redes de memoria a corto plazo de larga duración (LSTMs). En este trabajo, el procesamiento de los datos mediante la técnica de decremento aleatorio (RDT) equivale a eliminar el ruido de los datos brutos. En general, la adición de la puerta en las LSTM permite a la red almacenar datos de forma selectiva, lo que evita en cierta medida la desaparición de gradientes y la explosión de gradientes. Cabe mencionar que el codificador puede aprender la esencia de los datos, lo que reduce la carga para la LSTM. Más concretamente, establecer una estructura LSTM lo más simple posible para aprender los datos de esta esencia para conseguir el mejor efecto de entrenamiento. Por último, el método propuesto se utiliza para la simulación y verificación experimental, y los resultados muestran que el método tiene las ventajas de alta precisión de reconocimiento, fuerte capacidad anti-ruido, y la tasa de convergencia rápida. En especial, los resultados indicaron la precisión adecuada propuesta por el aprendizaje profundo combinado con el método tradicional para la identificación de parámetros, así como el rendimiento adecuado del método propuesto.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:datos, método, nuevo método de identificación de parámetros, mejor efecto de entrenamiento, rápida tasa de convergencia, alta precisión de reconocimiento, técnica de decremento aleatorio, estructura lstm simple, redes de memoria de término, excitación por ruido blanco
• Keywords:data, method, new parameter identification method, best training effect, fast convergence rate, high recognition accuracy, random decrement technique, simple lstm structure, term memory networks, white noise excitation