利用蚁群算法优化长短期记忆循环神经网络以预测涡轮发动机振动
神经与进化计算
2017-10-12 v1 人工智能
摘要
本文扩展了先前开发能够使用长短期记忆 (LSTM) 神经元预测航空发动机振动的循环神经网络 (RNN) 的研究。LSTM RNN 能够提供比发动机振动解析计算更具泛化性和鲁棒性的预测方法，因为解析计算必须基于特定的经验发动机参数迭代求解，导致该方法无法在多台发动机间泛化。在初期工作中，提出、评估并比较了多种 LSTM RNN 架构。本研究通过使用一种基于蚁群算法 (ACO) 的极具前景的神经进化方法来开发并增强网络的 LSTM 单元结构，从而改进了先前工作中提出的最有效 LSTM 网络设计的性能。我们开发了并行化的 ACO 神经进化算法，并将进化后的 LSTM RNN 与先前使用的固定拓扑进行了比较。进化后的网络在从一家航空公司获取的包含发生过度振动航班的大型飞行数据记录数据库上进行训练。结果是在高性能计算 (HPC) 集群上使用 MPI (Message Passing Interface) 获得的，在 4 天内使用 168 个核心进化了 1000 种不同的 LSTM 单元结构。新进化的 LSTM 单元表现出 1.35% 的提升，在预测未来 10 秒的发动机过度振动时将预测误差从 5.51% 降至 4.17%，同时将权重数量从 21,170 大幅减少至 11,810。
引用
@article{arxiv.1710.03753,
title = {Optimizing Long Short-Term Memory Recurrent Neural Networks Using Ant Colony Optimization to Predict Turbine Engine Vibration},
author = {AbdElRahman ElSaid and Travis Desell and Fatima El Jamiy and James Higgins and Brandon Wild},
journal= {arXiv preprint arXiv:1710.03753},
year = {2017}
}