水下目标工频磁场扰动信号检测方法研究

田斌 文仕强 胡桐 梁冰 洪汉玉

摘 要：為了解决水下目标磁场近程化探测中磁信号衰减快、干扰强及扰动特征不明确、无法有效探测信号等问题，提出了一种基于混合神经网络与注意力机制（Att-CNN-GRU）的工频磁场水下目标时间序列扰动信号检测方法。将CNN，GRU神经网络与Attention机制相结合拟合信号，构建分类神经网络，对目标信号进行分类识别，同时与未引入注意力机制的CNN-LSTM模型及单一CNN和LSTM网络模型的预测及检测性能进行比较。结果表明，相较于传统方法，信号拟合效果将误差分别减小了36.24%，14.44%和4.878%，目标检测准确率达到83.3%。因此，加入Attention机制的CNN-GRU模型检测性能比CNN，LSTM和CNN-GRU模型更优异，作为辅助手段，能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题，实现对水下目标造成的工频磁场扰动信号的拟合与检测。

关键词：信号检测;磁场时间序列;GRU神经网络;前兆异常;工频磁场探测

中图分类号：TN911   文献标识码：A

doi：10.7535/hbkd.2021yx05007

收稿日期：2021-07-18;修回日期：2021-09-18;责任编辑：张士莹

基金项目：国家自然科学基金（61433007，61671337）

第一作者简介：田 斌（1975—），男，湖北襄阳人，副教授，博士，主要从事电磁场与电磁波和深度学习方面的研究。

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

国内水下目标磁近程探测多见于地磁探测以及基于主动激励源的甚低频磁场探测，大部分已公开的研究仍处于仿真阶段。例如：王杨婧等[1]利用ansys仿真3 kHz甚低频信號主动激励源探测野狼级潜艇;严英杰等[2]对水雷目标定位进行了理论分析;李沅等[3]制作了一种地磁探测陆上铁磁性目标的装置。国外文献大多基于地磁异常、极低频和甚低频进行相关报道，其中HUANG等[4]使用10台磁强计构造的传感器矩阵探测目标，根据目标产生的地磁异常大小及梯度确定水下目标相对于探测器的距离; LENG等[5]提出了一种基于地磁的半空间水下目标磁异常测量方法，并于实验室进行了环境验证。工频磁场具有频率低、波长长、分布广泛等特征，世界各国输变电网络均能在空中和海域产生分布均匀、强度稳定的可探测工频磁场[6]，其探测技术能对低噪声、低热辐射、高消磁的重要目标进行探测，可作为传统探测技术的补充手段[7]，并与反探测技术在目标探测、埋地线缆定位等应用领域成为国内外研究热点[8]。目前，国内尚未见利用工频磁场探测的相关报道，国际上利用工频磁场进行水下目标的测量研究也在探索中。

工频背景场信号受温度、电缆结冰、风速、雷雨等因素影响较大，且本身为微弱小信号，所以产生的工频背景磁场具有一定的混沌性，是典型的混沌时间序列[9]。目前，对于混沌时间序列预测与分类的主流方式分为3类：①传统时间序列预测模型，如ARIMA模型、指数平滑法和状态空间模型[10];②现代预测应用深度神经网络（deep neural networks，DNN），识别时间序列内部和时间序列之间的复杂模式[11];③融合传统统计模型与深度学习的新型预测方法[12]。在现代混沌时间序列分析中，传统模型无法从相似的时间序列数据集合中推断出共享模式，导致产生繁重的计算任务和大量人力劳动需求。近年来，随着深度学习技术和硬件技术的发展，大量深度学习算法被用于混沌时间序列分析中。例如：熊有成等[13]用长短期记忆网络 （long short-term memory，LSTM） 搭配合适的组合策略，验证了低维条件下 LSTM 在混沌时间序列预测方面能够取得较好的效果;张安冉等[14]进一步验证了使用 GRU神经网络，对混沌时间序列不仅能够取得较好的分类效果，分类模型还具有相当的鲁棒性;黄伟建等[15]验证了结合注意力机制的混合神经网络（Att-CNN-LSTM）预测模型对混沌时间序列的预测性能优于单一模型。

上述方法解决了对Logistic，Lorenz 和太阳黑子等诸多混沌时间序列的分类及预测问题，提高了模型的分类准确率，但在解决工频磁场水下目标探测问题方面仍无建树。这是由于水下目标扰动产生的微弱小信号难以被捕捉到，且海洋河流中产生的杂波多、干扰噪声大，使得信号容易淹没在噪声中。本文针对目前磁探测技术存在的距离短、探测准确率低等问题，提出了基于混合神经网络与注意力机制的水下目标工频磁场扰动信号检测方法。

1 基于混合神经网络与注意力机制的探测方法

相比最小支持向量机（LSSVM）、极端学习机等传统机器学习算法，LSTM和CNN等深度学习算法具有更强大的学习能力[16-19]，在处理回归问题上，其对非线性数据具有很好的逼近能力。为了进一步提高混沌时间序列的预测精度，采用文献[20]中的数据预处理方法并加以改进，基于文献[14]和文献[16]的卷积神经网络，并结合文献[13]和文献[21]的LSTM与GRU网络模型，提出了Att-CNN-GRU神经网络模型结构。

1.1 数据预处理方法

工频磁场数据由磁力仪连续采集得到，由于工频磁场信号微弱、干扰杂波较多、设备制造工艺有待加强等原因，因而数据源有一定的传输噪声，导致产生异常值。为了分离出实际磁场数据，结合欧几里德距离法与均值平滑法消除噪声信号。

工频磁场信号为连续时间信号f（t），传感器以时间间隔Δt=0.002 ms进行采样，得到离散信号f（n，Δt）≡fn（n=1，2，3，…，N-1），其中N为信号长度。工频磁场数据背景场信号不稳定，采用欧几里德距离法分离出异常信号与背景信号，取同轴近邻2个位置数据x和y，每次检测共取6组数据，分别来自x，y，z轴，所以在数据中取得2个近邻点的下标为{xx，yx，xy，yy，xz，yz} ，其欧几里德距离表示为

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

式中i=x，y，z，分别表示3个维度数据。

为避免单个数据异常造成误判，本文设置一个阈值，仅当临近簇的异常数据点大于阈值时，才定义为异常信号。同时定义50个数据点为一组序列（0.1 s），作为时间窗进行赫尔滑动平均（HMA），消除噪声，其中赫尔滑动平均如式（2）所示。相较于普通移动平均线（SMA），赫尔滑动平均解决了均线滞后性的问题，在减少滞后的同时，有效提高了均线的平滑程度。

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

1.2 CNN，GRU与Attention机制结合的神经网络

本文将CNN，GRU和Attention机制融合在一起，合成一种新的神经网络，用于各种序列连续识别任务。对于磁场信号建模能力来说，CNN擅长减小频域变化[17]，GRU可以提供长时记忆[21]，Attention机制能有效聚焦关键特征，所以将三者联合进行特征提取，可以获得比单独网络更好的性能。

采用的模型结构如图1所示。先使用一维conv层提取特征，提供良好的学习效果，再利用GRU层与Attention机制良好的时间序列特性，集中于重点特征训练，达到良好的训练效果。

2 试验结果及分析

实验代码均部署于戴尔PowerEdge R740机架式服务器，CPU类型为Intel至强金牌6238R，2.2 G，28 C/56 T，10.4 GT/s，38.5 M缓存，Turbo，HT （165 W） DDR4-2933，内存64 GB RDIMM，3 200 MT/s，GPU为NVIDIA V100 TENSOR CORE。所有程序使用Python（3.8.6版本）语言编写，编辑器为VScode，操作系统为Ubuntu18.04。数据均在武汉与红安交界处的夏家寺水库实地采集得到，共计8×37 496 130条数据（8通道，0.002 s采样率），其中所使用传感器带宽为40～60 Hz，测量范围为±20 nT。目标物为水下无人潜航器，材质为Q235碳钢，平均磁导率为200～400，最大下潜深度为10 m。实验中探测距离为18 m，潜深为3 m。

为验证Att-CNN-GRU模型能在工频磁场信号预测与分类上具备良好的效果，除利用该模型进行预测外，还要与Att-CNN-LSTM模型、未加入注意力机制的CNN-GRU模型、单一的LSTM模型和CNN模型以及LSSVM模型进行误差对比。

2.1 背景信号处理

原始信号分为2部分，一是2个三轴感应式传感器，用于测量信号扰动;另一部分是2个单轴磁通门传感器用于标定，通过测量静磁，确定目标物同步出现的时间。传感器实际布设如图2所示，单轴感应式传感器B7和磁通门传感器B1位于前测点，单轴感应式传感器B8和磁通门传感器B2位于后测点。

实验地点位于湖心，50 Hz信号较微弱，杂波干扰较小。提取出三轴磁通门磁力仪测量的50 Hz背景磁场信号的幅值基本稳定在0.43～0.67 nT。三轴磁通门传感器50 Hz磁场幅度随时间变化图如图3所示。由图3可以看出，B1传感器的x，y，z轴幅值与对应的B2传感器的x，y，z幅值极其接近。

2个三轴磁通门传感器50 Hz磁场强度数据差分结果见图4。由图4可以看出，B1x与B2x，B1y与B2y，B1z与B2z经过差分处理后的峰值分别为0.03，0.02，0.012 nT，在无目标物背景场中，B1x与B2x，B1y与B2y，B1z与B2z的磁场强度幅值相似度为95.52%，97.01%和98.20%，即幅值差分别为4.48%，2.99%和1.80%。由此可得出结论，在该试验场地下，可将其距离（18 m）近似视为匀强场，证明该场景中的其他影响因素较小。

背景信号相关系数热力图如图5所示，分别作出皮尔逊、斯皮尔曼、phi_k相关系数图像。其中皮尔逊相关系数如式（3）所示，斯皮尔曼相关系数如式（4）所示（其中r是相关系数;X和Y是用于对比的样本集合）。皮尔逊相关系数用于离散数据相关度的分析，但在符合正态分布的数据中其表现更好，主要用于符合线性规律的数据。

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）

背景场信号基本符合皮尔逊相关系数的使用条件。由图5 a）可知，B7与B8之间皮尔逊相关系数达到0.83，且与B1x和B2x相关系数均在0.5以上，由于B7和B8放置方向与x轴同向，所以该相关系数表现符合电磁学规律（图5中表现为颜色越蓝，越趋近于正相关，其极值为1;颜色越红，越趋近于负相关，其极值为-1）。斯皮尔曼相关系數如式（4）所示（其中r是相关系数;X和Y是用于对比的样本集合），其是皮尔逊系数的改进变体，降低了离散点对相关系数的影响，由于背景场信号离散点较少，因而并未造成较大影响（图5 b）各传感器各轴之间的相关度与图5 a）所表现的结果差别不大）;phi_k相关系数是科研人员为解决等距、等级和分类3种不同数据类型无法同时进行统计解释提出的新型相关系数，该相关系数通过结合皮尔逊相关系数和卡方检验方法，有效判断非线性相关的情况。由图5 c）可以看出，B1和B2传感器的z轴与B1和B2传感器其他轴及磁通门B7和B8的phi_k相关系数较大。结合皮尔逊和斯皮尔曼相关系数可以看出，背景场测算基本符合相关电磁规律，即不同传感器同方向轴相关度较高，同时B7和B8与用于标定的磁通门传感器同轴相关度极高，垂直轴负相关度较高，即具有高灵敏度的传感器B7和B8能作为主要探测设备使用。

2.2 扰动信号分析及处理

通过三轴磁通门和感应式磁力仪采集水下目标扰动信号，采集得到的部分信号时域图像如图6 a）所示。在实际探测过程中，该段信号存在16次目标物产生的扰动。传感器自身存在大量毛刺（如图6 a）中箭头所示），经HMA滑动平均处理去除毛刺后单次扰动图像如图6 b）所示。由图6 a）可知，直接测量得到的扰动信号并不明显。但由图6 b）可以看出，目标造成的扰动在近测点B7比远测点B8平均幅值高14.06%，且信号形状基本相似。可以证明在背景场中，相同传感器在13.5 m布设距离的幅值差不超过5%，即可认为传感器B7与B8采集到扰动信号特征。

对扰动信号同样作出皮尔逊、斯皮尔曼、phi_k相关系数图像，如图7所示。

当信号出现扰动时，离散点增加，数据中的线性程度下降，人工标定的目标出现点（target标签）为分类数据。由图7 a）与图7 b）可以看出，target标签并未与其他数据产生良好的相关度特征，与前述解释一致，即皮尔逊相关系数与斯皮尔曼相关系数仅能用于离散数据相关度分析。但在图7 c）中，B7和B8仍具有0.6和0.3左右的相关度（如红框中所示）。结合图6的相关分析，可认为B7和B8感应式传感器有效捕捉到了目标信号。

2.3 神经网络时间序列拟合分析

将处理过的信号送入Att-CNN-GRU神经网络，分别与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型进行对比，每组均设置为50个Epoch，滑动时间窗设置为60 s。采用均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）评价预测性能：

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 为预测样本数;yi 和y^i 分别为预测值和真实值。

各模型拟合效果与损失值对比如图8所示，4种模型拟合性能对比见表1。

由表1及图8可知，Att-CNN-GRU模型MSE达到0.00 468，相较于CNN，LSTM和CNN-LSTM分别提升了36.24%，14.44%和4.878%，且RMSE与MAE均处于领先地位。从loss图可知，Att-CNN-GRU同样具有更快的收敛速度。

2.4 目标检测结果分析

在混合神经网络与Attention机制结合的模型拟合获得良好效果之后，使用该模型对扰动信号进行目标检测，

由于所测得信号中背景场居多，有目标信号在总信号中数量偏少，因而样本偏移十分严重。本文将大量背景场信号输入模型，结合阈值法与欧几里德距离对目标信号进行检测，并将其与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型进行对比。

分类试验中以准确率、召回率、查准率、F1值4个指标作为信号检测模型的评价标准，结果如表2所示。准确率可以直观体现模型的准确率;查准率和召回率可以反映模型是否处于过拟合状态，查准率较低说明模型偏向于预测为异常结果，召回率较低说明模型偏向于预测为正常结果;F1值则综合反映查准率和召回率2个指标，其值越高，说明模型识别效果越好。

由表2可知：1）Att-CNN-GRU网络模型的准确率比CNN，LSTM和CNN-LSTM模型分别高出20.01%，31.08%和13.80%;2）Att-CNN-GRU网络模型的F1值比CNN，LSTM和CNN-LSTM模型分别高出9.30%，16.37%和1.91%。结果表明，在工频磁场目标探测中，不论是在准确度还是在克服模型偏斜方面，加入Attention机制的CNN-GRU模型性能都比CNN，LSTM和CNN-GRU模型性能更优异。该结果证明了基于混合神经网络与注意力机制的检测方法能有效用于水下目标工频磁场扰动信号的检测。

3 结 语

1）基于混合神经网络与注意力机制的检测方法能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题，可实现对水下目标造成的工频磁场扰动信号的拟合与检测。

2）基于混合神经网络与注意力机制的检测方法首先对目标信号进行特征提取，在多传感器条件下确定探测到目标信号的传感器，通过读取传感器背景场数据和目标数据，送入Att-CNN-GRU深度学习神经网络进行训练，分别对背景场信号和目标信号进行拟合，利用训练好的Att-CNN-GRU深度学习神经网络，结合阈值法与欧几里德距离对目标进行分类，基于实测数据评估模型。

3）加入Attention机制的CNN-GRU模型在实测拟合过程中MSE达到0.00 468，相较于CNN，LSTM和CNN-LSTM分别提升了36.24%，14.44%和4.878%。在目标检测方面，该模型的准确率达到83.33%，F1值达到0.581 7。基于混合神经网络与注意力机制的检测方法，完全可以用作水下目标探测的辅助手段。

实际测量中，由于无目标样本远比有目标样本多，因而易造成检测结果的偏移，可考虑增加样本采样等方式，消除样本偏移。今后可以通过采用样本平衡性、神经网络对不平衡样本进行进一步加权处理等方式，对工频磁场扰动信号探测方法进行更为深入的研究。

参考文献/References：

[1] 王杨婧，谢拥军，雷振亚，用于射频超导量子干涉器的新型单CSRR磁通聚焦器和谐振器[J].物理学报，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，王辉，等.基于高维随机矩阵大数据分析模型的输变电设备关键性能评估方法[J].中国电机工程学报，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，胡冠华，李凯，等.基于磁探测技术的铁磁性目标探测系统设计[J].测试技术学报，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，李丽，等.一种新型工频磁场测量仪的设计[J].现代电子技术，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] 王凯奇，张华，沈立群，等.复杂环境下超高压输电线路的工频磁场特性[J].浙江电力，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，趙建国，李可军，等.特高压交流输电线路空间工频磁场特性的预测研究[C]//京津冀晋蒙鲁电机工程（电力）学会第19届学术交流会论文集.[S.l.]：[s.n.]，2009：74-79.

[10]余楠，丁国荣，童梦，王文波.基于多尺度自适应阶ARMA的混沌序列多步预测[J].数学的实践与认识，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]朱经红.基于混沌时间序列的城网饱和负荷预测方法[J].自动化技术与应用，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，陈顺，王陈恩，等.基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测[J/OL].电网技术.[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，赵鸿.长短期记忆网络预测混沌时间序列[J].中国科学：物理学 力学 天文学，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]张安冉，廖祎玮，赵国生，等.群智感知环境中基于GRU网络的用户位置预测模型[J].计算机工程与科学，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]黄伟建，李永涛，黄远.基于混合神经网络和注意力机制的混沌时间序列预测[J].物理学报，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]张学清，梁军，张熙，等.基于样本熵和极端学习机的超短期风电功率组合预测模型[J].中国电机工程学报，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混合模型的原油期货次日价格变化方向和波动率大小预测方法[J/OL].控制与决策.[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.