水下目標工頻磁場擾動信號檢測方法研究

田斌 文仕強 胡桐 梁冰 洪漢玉

摘 要：為了解決水下目標磁場近程化探測中磁信號衰減快、干擾強及擾動特征不明確、無法有效探測信號等問題，提出了一種基于混合神經網絡與注意力機制（Att-CNN-GRU）的工頻磁場水下目標時間序列擾動信號檢測方法。將CNN，GRU神經網絡與Attention機制相結合擬合信號，構建分類神經網絡，對目標信號進行分類識別，同時與未引入注意力機制的CNN-LSTM模型及單一CNN和LSTM網絡模型的預測及檢測性能進行比較。結果表明，相較于傳統方法，信號擬合效果將誤差分別減小了36.24%，14.44%和4.878%，目標檢測準確率達到83.3%。因此，加入Attention機制的CNN-GRU模型檢測性能比CNN，LSTM和CNN-GRU模型更優異，作為輔助手段，能有效解決工頻磁場探測中擾動信號微弱、擾動規律不明確、背景噪聲多等問題，實現對水下目標造成的工頻磁場擾動信號的擬合與檢測。

關鍵詞：信號檢測;磁場時間序列;GRU神經網絡;前兆異常;工頻磁場探測

中圖分類號：TN911?? 文獻標識碼：A

doi：10.7535/hbkd.2021yx05007

收稿日期：2021-07-18;修回日期：2021-09-18;責任編輯：張士瑩

基金項目：國家自然科學基金（61433007，61671337）

第一作者簡介：田 斌（1975—），男，湖北襄陽人，副教授，博士，主要從事電磁場與電磁波和深度學習方面的研究。

E-mail：tianbinwh@wit.edu.cn

Study on detection method of power frequency magnetic field disturbance signal for underwater target

TIAN Bin1，2，WEN Shiqiang1，HU Tong1，LIANG Bing1，HONG Hanyu1，2

（1.School of Electronics and Information Engineering，Wuhan Institute of Technology，Wuhan，Hubei 430205，China;2.Hubei Critical Laboratory of Optical Information and Pattern Recognition，Wuhan，Hubei 430205，China）

Abstract：A hybrid neural network and attention mechanism （Att-CNN-GRU） is presented to solve the problems of fast attenuation，strong interference，ambiguous disturbance characteristics and ineffective signal detection in magnetic field proximity detection of underwater targets.A method for detecting time series disturbance signal of underwater target with power frequency magnetic field is presented.The method combines CNN，GRU neural network and Attention mechanism to fit the signal，and constructs a classification neural network to classify and identify the target signal.The method is compared with the prediction and detection performance of CNN-LSTM model without attention mechanism and single CNN and LSTM network model.The results show that the error of signal fitting is reduced by 36.24%，14.44%，4.878% and the target detection accuracy is 83.3% compared with the traditional methods.Therefore，the CNN-GRU model with Attention mechanism has better performance than CNN，LSTM and CNN-GRU models.As an auxiliary means，it can effectively solve the problems of weak disturbance signal，unclear disturbance law and more background noise in power frequency magnetic field detection，to realize the fitting and detection of power frequency magnetic disturbance signal to underwater target.

Keywords：

signal detection;magnetic field time series;GRU neural network;precursory anomaly;power frequency magnetic field detection

國內水下目標磁近程探測多見于地磁探測以及基于主動激勵源的甚低頻磁場探測，大部分已公開的研究仍處于仿真階段。例如：王楊婧等[1]利用ansys仿真3 kHz甚低頻信號主動激勵源探測野狼級潛艇;嚴英杰等[2]對水雷目標定位進行了理論分析;李沅等[3]制作了一種地磁探測陸上鐵磁性目標的裝置。國外文獻大多基于地磁異常、極低頻和甚低頻進行相關報道，其中HUANG等[4]使用10臺磁強計構造的傳感器矩陣探測目標，根據目標產生的地磁異常大小及梯度確定水下目標相對于探測器的距離; LENG等[5]提出了一種基于地磁的半空間水下目標磁異常測量方法，并于實驗室進行了環境驗證。工頻磁場具有頻率低、波長長、分布廣泛等特征，世界各國輸變電網絡均能在空中和海域產生分布均勻、強度穩定的可探測工頻磁場[6]，其探測技術能對低噪聲、低熱輻射、高消磁的重要目標進行探測，可作為傳統探測技術的補充手段[7]，并與反探測技術在目標探測、埋地線纜定位等應用領域成為國內外研究熱點[8]。目前，國內尚未見利用工頻磁場探測的相關報道，國際上利用工頻磁場進行水下目標的測量研究也在探索中。

工頻背景場信號受溫度、電纜結冰、風速、雷雨等因素影響較大，且本身為微弱小信號，所以產生的工頻背景磁場具有一定的混沌性，是典型的混沌時間序列[9]。目前，對于混沌時間序列預測與分類的主流方式分為3類：①傳統時間序列預測模型，如ARIMA模型、指數平滑法和狀態空間模型[10];②現代預測應用深度神經網絡（deep neural networks，DNN），識別時間序列內部和時間序列之間的復雜模式[11];③融合傳統統計模型與深度學習的新型預測方法[12]。在現代混沌時間序列分析中，傳統模型無法從相似的時間序列數據集合中推斷出共享模式，導致產生繁重的計算任務和大量人力勞動需求。近年來，隨著深度學習技術和硬件技術的發展，大量深度學習算法被用于混沌時間序列分析中。例如：熊有成等[13]用長短期記憶網絡 （long short-term memory，LSTM） 搭配合適的組合策略，驗證了低維條件下 LSTM 在混沌時間序列預測方面能夠取得較好的效果;張安冉等[14]進一步驗證了使用 GRU神經網絡，對混沌時間序列不僅能夠取得較好的分類效果，分類模型還具有相當的魯棒性;黃偉建等[15]驗證了結合注意力機制的混合神經網絡（Att-CNN-LSTM）預測模型對混沌時間序列的預測性能優于單一模型。

上述方法解決了對Logistic，Lorenz 和太陽黑子等諸多混沌時間序列的分類及預測問題，提高了模型的分類準確率，但在解決工頻磁場水下目標探測問題方面仍無建樹。這是由于水下目標擾動產生的微弱小信號難以被捕捉到，且海洋河流中產生的雜波多、干擾噪聲大，使得信號容易淹沒在噪聲中。本文針對目前磁探測技術存在的距離短、探測準確率低等問題，提出了基于混合神經網絡與注意力機制的水下目標工頻磁場擾動信號檢測方法。

1 基于混合神經網絡與注意力機制的探測方法

相比最小支持向量機（LSSVM）、極端學習機等傳統機器學習算法，LSTM和CNN等深度學習算法具有更強大的學習能力[16-19]，在處理回歸問題上，其對非線性數據具有很好的逼近能力。為了進一步提高混沌時間序列的預測精度，采用文獻[20]中的數據預處理方法并加以改進，基于文獻[14]和文獻[16]的卷積神經網絡，并結合文獻[13]和文獻[21]的LSTM與GRU網絡模型，提出了Att-CNN-GRU神經網絡模型結構。

1.1 數據預處理方法

工頻磁場數據由磁力儀連續采集得到，由于工頻磁場信號微弱、干擾雜波較多、設備制造工藝有待加強等原因，因而數據源有一定的傳輸噪聲，導致產生異常值。為了分離出實際磁場數據，結合歐幾里德距離法與均值平滑法消除噪聲信號。

工頻磁場信號為連續時間信號f（t），傳感器以時間間隔Δt=0.002 ms進行采樣，得到離散信號f（n，Δt）≡fn（n=1，2，3，…，N-1），其中N為信號長度。工頻磁場數據背景場信號不穩定，采用歐幾里德距離法分離出異常信號與背景信號，取同軸近鄰2個位置數據x和y，每次檢測共取6組數據，分別來自x，y，z軸，所以在數據中取得2個近鄰點的下標為{xx，yx，xy，yy，xz，yz} ，其歐幾里德距離表示為

d（x，y）：=（xx-yx）2+（xy-yy）2+（xz-yz）2=∑ni（xi-yi）2。（1）

式中i=x，y，z，分別表示3個維度數據。

為避免單個數據異常造成誤判，本文設置一個閾值，僅當臨近簇的異常數據點大于閾值時，才定義為異常信號。同時定義50個數據點為一組序列（0.1 s），作為時間窗進行赫爾滑動平均（HMA），消除噪聲，其中赫爾滑動平均如式（2）所示。相較于普通移動平均線（SMA），赫爾滑動平均解決了均線滯后性的問題，在減少滯后的同時，有效提高了均線的平滑程度。

HMA=WMA（2×WMA（y，int（T2））-WMA（y，T），int（T））。（2）

1.2 CNN，GRU與Attention機制結合的神經網絡

本文將CNN，GRU和Attention機制融合在一起，合成一種新的神經網絡，用于各種序列連續識別任務。對于磁場信號建模能力來說，CNN擅長減小頻域變化[17]，GRU可以提供長時記憶[21]，Attention機制能有效聚焦關鍵特征，所以將三者聯合進行特征提取，可以獲得比單獨網絡更好的性能。

采用的模型結構如圖1所示。先使用一維conv層提取特征，提供良好的學習效果，再利用GRU層與Attention機制良好的時間序列特性，集中于重點特征訓練，達到良好的訓練效果。

2 試驗結果及分析

實驗代碼均部署于戴爾PowerEdge R740機架式服務器，CPU類型為Intel至強金牌6238R，2.2 G，28 C/56 T，10.4 GT/s，38.5 M緩存，Turbo，HT （165 W） DDR4-2933，內存64 GB RDIMM，3 200 MT/s，GPU為NVIDIA V100 TENSOR CORE。所有程序使用Python（3.8.6版本）語言編寫，編輯器為VScode，操作系統為Ubuntu18.04。數據均在武漢與紅安交界處的夏家寺水庫實地采集得到，共計8×37 496 130條數據（8通道，0.002 s采樣率），其中所使用傳感器帶寬為40～60 Hz，測量范圍為±20 nT。目標物為水下無人潛航器，材質為Q235碳鋼，平均磁導率為200～400，最大下潛深度為10 m。實驗中探測距離為18 m，潛深為3 m。

為驗證Att-CNN-GRU模型能在工頻磁場信號預測與分類上具備良好的效果，除利用該模型進行預測外，還要與Att-CNN-LSTM模型、未加入注意力機制的CNN-GRU模型、單一的LSTM模型和CNN模型以及LSSVM模型進行誤差對比。

2.1 背景信號處理

原始信號分為2部分，一是2個三軸感應式傳感器，用于測量信號擾動;另一部分是2個單軸磁通門傳感器用于標定，通過測量靜磁，確定目標物同步出現的時間。傳感器實際布設如圖2所示，單軸感應式傳感器B7和磁通門傳感器B1位于前測點，單軸感應式傳感器B8和磁通門傳感器B2位于后測點。

實驗地點位于湖心，50 Hz信號較微弱，雜波干擾較小。提取出三軸磁通門磁力儀測量的50 Hz背景磁場信號的幅值基本穩定在0.43～0.67 nT。三軸磁通門傳感器50 Hz磁場幅度隨時間變化圖如圖3所示。由圖3可以看出，B1傳感器的x，y，z軸幅值與對應的B2傳感器的x，y，z幅值極其接近。

2個三軸磁通門傳感器50 Hz磁場強度數據差分結果見圖4。由圖4可以看出，B1x與B2x，B1y與B2y，B1z與B2z經過差分處理后的峰值分別為0.03，0.02，0.012 nT，在無目標物背景場中，B1x與B2x，B1y與B2y，B1z與B2z的磁場強度幅值相似度為95.52%，97.01%和98.20%，即幅值差分別為4.48%，2.99%和1.80%。由此可得出結論，在該試驗場地下，可將其距離（18 m）近似視為勻強場，證明該場景中的其他影響因素較小。

背景信號相關系數熱力圖如圖5所示，分別作出皮爾遜、斯皮爾曼、phi_k相關系數圖像。其中皮爾遜相關系數如式（3）所示，斯皮爾曼相關系數如式（4）所示（其中r是相關系數;X和Y是用于對比的樣本集合）。皮爾遜相關系數用于離散數據相關度的分析，但在符合正態分布的數據中其表現更好，主要用于符合線性規律的數據。

r=∑ni=1（Xi-X-）（Yi-Y-）∑ni=1（Xi-X-）2∑ni=1（Yi-Y-）2，（3）

r=∑ni=1（Xi-X-）（Yi-Y-）∑ni=1（Xi-X-）2∑ni=1（Yi-Y-）2。（4）

背景場信號基本符合皮爾遜相關系數的使用條件。由圖5 a）可知，B7與B8之間皮爾遜相關系數達到0.83，且與B1x和B2x相關系數均在0.5以上，由于B7和B8放置方向與x軸同向，所以該相關系數表現符合電磁學規律（圖5中表現為顏色越藍，越趨近于正相關，其極值為1;顏色越紅，越趨近于負相關，其極值為-1）。斯皮爾曼相關系數如式（4）所示（其中r是相關系數;X和Y是用于對比的樣本集合），其是皮爾遜系數的改進變體，降低了離散點對相關系數的影響，由于背景場信號離散點較少，因而并未造成較大影響（圖5 b）各傳感器各軸之間的相關度與圖5 a）所表現的結果差別不大）;phi_k相關系數是科研人員為解決等距、等級和分類3種不同數據類型無法同時進行統計解釋提出的新型相關系數，該相關系數通過結合皮爾遜相關系數和卡方檢驗方法，有效判斷非線性相關的情況。由圖5 c）可以看出，B1和B2傳感器的z軸與B1和B2傳感器其他軸及磁通門B7和B8的phi_k相關系數較大。結合皮爾遜和斯皮爾曼相關系數可以看出，背景場測算基本符合相關電磁規律，即不同傳感器同方向軸相關度較高，同時B7和B8與用于標定的磁通門傳感器同軸相關度極高，垂直軸負相關度較高，即具有高靈敏度的傳感器B7和B8能作為主要探測設備使用。

2.2 擾動信號分析及處理

通過三軸磁通門和感應式磁力儀采集水下目標擾動信號，采集得到的部分信號時域圖像如圖6 a）所示。在實際探測過程中，該段信號存在16次目標物產生的擾動。傳感器自身存在大量毛刺（如圖6 a）中箭頭所示），經HMA滑動平均處理去除毛刺后單次擾動圖像如圖6 b）所示。由圖6 a）可知，直接測量得到的擾動信號并不明顯。但由圖6 b）可以看出，目標造成的擾動在近測點B7比遠測點B8平均幅值高14.06%，且信號形狀基本相似。可以證明在背景場中，相同傳感器在13.5 m布設距離的幅值差不超過5%，即可認為傳感器B7與B8采集到擾動信號特征。

對擾動信號同樣作出皮爾遜、斯皮爾曼、phi_k相關系數圖像，如圖7所示。

當信號出現擾動時，離散點增加，數據中的線性程度下降，人工標定的目標出現點（target標簽）為分類數據。由圖7 a）與圖7 b）可以看出，target標簽并未與其他數據產生良好的相關度特征，與前述解釋一致，即皮爾遜相關系數與斯皮爾曼相關系數僅能用于離散數據相關度分析。但在圖7 c）中，B7和B8仍具有0.6和0.3左右的相關度（如紅框中所示）。結合圖6的相關分析，可認為B7和B8感應式傳感器有效捕捉到了目標信號。

2.3 神經網絡時間序列擬合分析

將處理過的信號送入Att-CNN-GRU神經網絡，分別與未引入注意力機制的CNN-LSTM模型、單一的CNN和LSTM網絡模型進行對比，每組均設置為50個Epoch，滑動時間窗設置為60 s。采用均方誤差（MSE）、均方根誤差（RMSE）和平均絕對誤差（MAE）評價預測性能：

MSE=1I∑1i=1（yi-y^i）2，（5）

RMSE=1I∑1i=1（yi-y^i）2，（6）

MAE=1I∑1i=1yi-y^i。（7）

式中：I 為預測樣本數;yi 和y^i 分別為預測值和真實值。

各模型擬合效果與損失值對比如圖8所示，4種模型擬合性能對比見表1。

由表1及圖8可知，Att-CNN-GRU模型MSE達到0.00 468，相較于CNN，LSTM和CNN-LSTM分別提升了36.24%，14.44%和4.878%，且RMSE與MAE均處于領先地位。從loss圖可知，Att-CNN-GRU同樣具有更快的收斂速度。

2.4 目標檢測結果分析

在混合神經網絡與Attention機制結合的模型擬合獲得良好效果之后，使用該模型對擾動信號進行目標檢測，

由于所測得信號中背景場居多，有目標信號在總信號中數量偏少，因而樣本偏移十分嚴重。本文將大量背景場信號輸入模型，結合閾值法與歐幾里德距離對目標信號進行檢測，并將其與未引入注意力機制的CNN-LSTM模型、單一的CNN和LSTM網絡模型進行對比。

分類試驗中以準確率、召回率、查準率、F1值4個指標作為信號檢測模型的評價標準，結果如表2所示。準確率可以直觀體現模型的準確率;查準率和召回率可以反映模型是否處于過擬合狀態，查準率較低說明模型偏向于預測為異常結果，召回率較低說明模型偏向于預測為正常結果;F1值則綜合反映查準率和召回率2個指標，其值越高，說明模型識別效果越好。

由表2可知：1）Att-CNN-GRU網絡模型的準確率比CNN，LSTM和CNN-LSTM模型分別高出20.01%，31.08%和13.80%;2）Att-CNN-GRU網絡模型的F1值比CNN，LSTM和CNN-LSTM模型分別高出9.30%，16.37%和1.91%。結果表明，在工頻磁場目標探測中，不論是在準確度還是在克服模型偏斜方面，加入Attention機制的CNN-GRU模型性能都比CNN，LSTM和CNN-GRU模型性能更優異。該結果證明了基于混合神經網絡與注意力機制的檢測方法能有效用于水下目標工頻磁場擾動信號的檢測。

3 結 語

1）基于混合神經網絡與注意力機制的檢測方法能有效解決工頻磁場探測中擾動信號微弱、擾動規律不明確、背景噪聲多等問題，可實現對水下目標造成的工頻磁場擾動信號的擬合與檢測。

2）基于混合神經網絡與注意力機制的檢測方法首先對目標信號進行特征提取，在多傳感器條件下確定探測到目標信號的傳感器，通過讀取傳感器背景場數據和目標數據，送入Att-CNN-GRU深度學習神經網絡進行訓練，分別對背景場信號和目標信號進行擬合，利用訓練好的Att-CNN-GRU深度學習神經網絡，結合閾值法與歐幾里德距離對目標進行分類，基于實測數據評估模型。

3）加入Attention機制的CNN-GRU模型在實測擬合過程中MSE達到0.00 468，相較于CNN，LSTM和CNN-LSTM分別提升了36.24%，14.44%和4.878%。在目標檢測方面，該模型的準確率達到83.33%，F1值達到0.581 7。基于混合神經網絡與注意力機制的檢測方法，完全可以用作水下目標探測的輔助手段。

實際測量中，由于無目標樣本遠比有目標樣本多，因而易造成檢測結果的偏移，可考慮增加樣本采樣等方式，消除樣本偏移。今后可以通過采用樣本平衡性、神經網絡對不平衡樣本進行進一步加權處理等方式，對工頻磁場擾動信號探測方法進行更為深入的研究。

參考文獻/References：

[1] 王楊婧，謝擁軍，雷振亞，用于射頻超導量子干涉器的新型單CSRR磁通聚焦器和諧振器[J].物理學報，2012，61（9）：263-269.

WANG Yangjing，XIE Yongjun，LEI Zhenya，Novel flux concentrator with a single CSRR surrounded by a resonator for radio frequency superconducting quantum interference device[J].Acta Physica Sinaca，2012，61（9）：263-269.

[2] 嚴英杰，盛戈皞，王輝，等.基于高維隨機矩陣大數據分析模型的輸變電設備關鍵性能評估方法[J].中國電機工程學報，2016，28（2）：435-445.

YAN Yingjie，SHENG Gehao，WANG Hui，et al.The key state assessment method of power transmission equipment using big data analyzing model based? on large dimensional random matrix[J].Chinese Journal of Electrical Engineering，2016，28（2）：435-445.

[3] 李沅，胡冠華，李凱，等.基于磁探測技術的鐵磁性目標探測系統設計[J].測試技術學報，2014（3）：223-225.

LI Yuan，HU Guanhua，LI Kai，et al.Ferromagnetic target detection system design based on magnetic detection technology[J].Journal of Testing? Technology，2014（3）：223-228.

[4] HUANG Y A， HAO B.Effect of three no-co-point axes in a magnetometer on underwater geomagnetic localization precision[J].Journal of Huazhong University of Science and Technology（Nature Science Edition），2010，2（2）：125-138.

[5] LENG J，CHENG H，ZHOU T.Computing method of lower half space of underwater targets magnetic anomaly[J].Journal of Detection & Control，2017（2）：12-19.

[6] 廖文平，魏明生，李麗，等.一種新型工頻磁場測量儀的設計[J].現代電子技術，2015，51（4）：110-113.

LIAO Wenping，WEI Mingsheng，LI Li，et al.Design for new measurement instrument of power frequency magnetic field[J].Modern Electronics Technique，2015，51（4）：110-113.

[7] GODDARD K F，WANG P，LEWIN P L，et al.Detection and location of underground cables using magnetic field measurements[J].Measurement Science & Technology，2012，23（5）：55002-55010.

[8] 王凱奇，張華，沈立群，等.復雜環境下超高壓輸電線路的工頻磁場特性[J].浙江電力，2016，35（12）：50-55.

WANG Kaiqi，ZHANG Hua，SHEN Liqun，et al.Power frequency magnetic field characteristics of UHV transmission lines in complicated environment[J].Zhejiang Electroic Power，2016，35（12）：50-55.

[9] 牛林，趙建國，李可軍，等.特高壓交流輸電線路空間工頻磁場特性的預測研究[C]//京津冀晉蒙魯電機工程（電力）學會第19屆學術交流會論文集.[S.l.]：[s.n.]，2009：74-79.

[10]余楠，丁國榮，童夢，王文波.基于多尺度自適應階ARMA的混沌序列多步預測[J].數學的實踐與認識，2021，51（7）：137-145.

YU Nan，DING Guorong，TONG Meng，et al.Multi-step prediction of Chaotic time series based on multiscale adaptive order ARMA[J].Mathematics in Practice and Theory，2021，51（7）：137-145.

[11]朱經紅.基于混沌時間序列的城網飽和負荷預測方法[J].自動化技術與應用，2021，40（7）：146-150.

ZHU Jinghong.Saturated load forecasting method of urban power network based on chaotic time series [J].Automation Technology and Application 2021，40（7）：146-150.

[12]孟安波，陳順，王陳恩，等.基于混沌CSO優化時序注意力GRU模型的超短期風電功率預測[J/OL].電網技術.[2021-06-16].https：//kns.cnki.net/kcms/detail/11.2410.TM.20210616.1104.001.html.

MENG Anbo，CHEN Shun，WANG Chenen，et al.An ultra-short-term wind power prediction based on chaotic CSO optimized temporal attention GRU model[J/OL].Power System Technology.[2021-06-16].https：//kns.cnki.net/kcms/detail/11.2410.TM.20210616.1104.001.html.

[13]熊有成，趙鴻.長短期記憶網絡預測混沌時間序列[J].中國科學：物理學 力學 天文學，2019，49（12）：88-95.

XIONG Youcheng，ZHAO Hong，Chaotic time series prediction based on long short-term memory neural networks[J].Scientia Sinica Physica，Mechanica & Astronomica，2019，49（12）：88-95.

[14]張安冉，廖祎瑋，趙國生，等.群智感知環境中基于GRU網絡的用戶位置預測模型[J].計算機工程與科學，2021，43（10）：1750-1757.

ZHANG Anran，LIAO Yiwei，ZHAO Guosheng，et al.A user location prediction model based on GRU network in crowd sensing environment[J].Computer Engineering and Science，2021，43（10）：1750-1757.

[15]黃偉建，李永濤，黃遠.基于混合神經網絡和注意力機制的混沌時間序列預測[J].物理學報，2021，70（1）：235-243.

HUANG WeiJian，Li Yongtao，HUANG Yuan.Prediction of chaotic time series using hybrid neural network and attention mechanism[J].Acta Physica Sinaca，2021，70（1）：235-243.

[16]WAIBEL A，HANAZAWA T，HINTON G E，et al.Phoneme recognition using time-delay neural networks[J].Readings in Speech Recognition，1990，1（3）：393-404.

[17]COMAK E，POLAT K，GUENES S，et al.A new medical decisionmaking system：Least square support vector machine （LSSVM） with fuzzy weighting pre-processing[J].Expert Systems with Applications，2007，32（2）：409-414.

[18]張學清，梁軍，張熙，等.基于樣本熵和極端學習機的超短期風電功率組合預測模型[J].中國電機工程學報，2013，33（25）：33-40.

ZHANG Xueqing，LIANG Jun，ZHANG Xi，et al.Combined model for ultra short-term wind power prediction based on sample entropy and extreme learning machine[J]，Proceeding of the CSEE，2013，33（25）：33-40.

[19]WU C L，CHAU K W，FAN C.Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques[J].Journal of Hydrology，2010，389：146-167.

[20]趙戈雅，薛明皋.基于TN-LP-LSTM-SVM混合模型的原油期貨次日價格變化方向和波動率大小預測方法[J/OL].控制與決策.[2021-09-02].https：//kns.cnki.net/kcms/detail/21.1124.TP.20210901.1219.036.html.

ZHAO Geya，XUE Minggao.A new method for predicting the next-day price change direction and volatility size of crude oil futures based on a hybrid TN-LP-LSTM-SVM mode[J/OL].Journal of Control and Decision.[2021-09-02].https：//kns.cnki.net/kcms/detail/21.1124.TP.20210901.1219.036.html.

[21]KONG W，DONG Z Y，JIA Y，et al.Short-term residential load forecasting based on LSTM recurrent neural network[J].IEEE Transactions on Smart Grid，2017.doi：10.1109/TSG.2017.2753802.