[发明专利]基于量子加权门限重复单元神经网络的趋势预测方法

摘要

本发明涉及一种基于量子加权门限重复单元神经网络的趋势预测方法，包括以下步骤：构建门限重复单元模型、具有权值量子位和活性值量子位的加权神经元模型以及量子加权门限重复单元神经网络结构；实时采集原始性态退化振动数据；通过小波变换对数据进行降噪处理；从降噪后的信号中提取排列熵信息构成性态退化指标集；QWGRUNN网络的训练和预测；得出最终预测结果。本发明引入量子位表示网络权值和活性值，构造量子相移门权值矩阵并通过门参数的修正实现权值量子位和活性值量子位的更新，改善了网络泛化能力，进而提高了对监控对象运行趋势预测的精度；采用与自身结构相适应的动态学习参数，改善了网络收敛速度，提高了计算效率。

主权项

1.基于量子加权门限重复单元神经网络的趋势预测方法，其特征在于，包括以下步骤：(1)构建门限重复单元模型、具有权值量子位和活性值量子位的加权神经元模型以及量子加权门限重复单元神经网络结构，并由一位相移门来实现权值量子位和活性值量子位的更新，其中，量子加权门限重复单元神经网络简称为QWGRUNN；(2)实时采集监控对象的原始运行数据，作为训练样本和测试样本；(3)通过小波变换对所述原始运行数据进行降噪处理，从降噪的信号中提取排列熵信息构成排列熵指标集；(4)对所述排列熵指标集进行归一化操作；(5)将所述排列熵指标集输入所述QWGRUNN完成网络的训练，并用训练好的网络完成对监控对象的运行趋势预测。(6)对所述QWGRUNN输出的预测值进行反归一化操作，得到最终的预测结果。