基于CNN-LSTM的QAR数据特征提取与预测

来源：计算机应用研究杂志2019年第10期北京时间：

作者：张鹏,杨涛,刘亚楠,樊志勇,段照斌,

单位：中国民航大学a.适航学院;b.电子信息与自动化学院;c.工程技术训练中心,天津300300；

摘要：针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long short-term memory，LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制（attention）融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%，为基于QAR数据的故障诊断提供一种新的研究思路。

关键词：深度学习,融合卷积神经网络,长短时记忆网络,特征提取,时间序列预测,

基金资助：国家自然基金民航联合研究基金重点支持项目(U1533201)；中央高校基本科研业务费专项资助项目(3122016D006)；；