融合LSTM和MoE的倒闸操作识别

• 全文链接
• 请求原文

作   者：

张晓青;  肖万芳;  郭英杰;  刘博文;  韩学森;  马经纬;  高高;  黄赫;  夏时洪; 

作者机构：

国网北京城区供电公司;  中国科学院计算技术研究所; 

关键词：

倒闸操作;  长短期记忆神经网络;  神经网络;  混合专家系统; 

期刊名称：

系统仿真学报

i s s n：

1004-731X

年卷期：

2022 年 34 卷 008 期

页   码：

1899-1907

摘   要：

为解决不同人员相同操作的个体差异以及同一人员不同时间相同操作差异的问题,提出一种基于混合专家系统(mixture of experts,MoE)和长短期记忆神经网络(long short-term memory,LSTM)的倒闸操作识别方法MoE-LSTM.基于MoE对LSTM进行集成,学习不同来源数据的特征分布.采集加速度动作数据构建倒闸操作数据集,基于滑动窗口对动作序列进行切分;将动作序列输入到MoE-LSTM中,由不同LSTM独立学习不同动作的时序依赖;通过门控网络选择对当前输入分类较好的LSTM的输出作为动作识别结果.仿真结果表明:不同LSTM对来自不同时空的动作数据都有擅长分类的特征空间.