面向复杂太赫兹信道的智能调制系统设计

太赫兹通信是未来高速无线通信极具潜能的技术,受到广泛关注。在本文中,提出基于简单、稀疏空域调制的太赫兹通信系统,探索了由硬件缺陷导致的信号失真对系统性能的影响,并结合收发端失真相关性,进行了系统噪声建模,得到了发端噪声、背景噪声和收端噪声的联合模型。在此多维度噪声背景下,依据后验概率最大化准则,本文推导了太赫兹空间调制系统极大似然信号检测算法。此外,考虑到未来太赫兹通信在多域多维度通信的应用场景,传统检测算法匹配度差且复杂,本文提出了利用具有简单结构的极端学习机来实现太赫兹空间调制系统的低复杂度智能算法。仿真结果表明,本文所提出的极大似然检测算法的性能优于传统的极大似然算法,另外本文中所提出的基于极端学习机的接收机方案,其性能接近最优检测方案,并且明显优于基于深度学习网络和支持向量机的方案。      

基于遗传算法和ELM神经网络的目标威胁估计

目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。为准确估计目标威胁情况,提出了基于遗传算法和极限学习机(Genetic Algorithm and Extreme Learning Machine, GA-ELM)的目标威胁评估方法。采用遗传算法优化ELM神经网络的输入权重和隐含层阈值,优化后的ELM神经网络能够克服传统ELM网络不稳定的缺点,具有更好的目标威胁估计性能。实验结果表明,基于GA-ELM的目标威胁估计误差明显小于传统ELM方法,且输出的威胁结果更加稳定。     

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解（BEMD）与核极限学习机（KELM）相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。     

提升极端条件应急通信保障能力研究

极端条件应急通信保障是当前应急通信面临的重点和难点。分析了极端条件应急通信需求以及当前应急通信保障能力存在的薄弱环节,提出了极端条件应急通信保障能力提升方案,包括研制先进适用的应急通信装备、构建鲁棒性与韧性较好的应急通信网络、发展智能精准的指挥调度系统、建设完备专业的应急通信队伍等。     

基于双精英进化樽海鞘群算法优化ELM的焦炭价格预测

焦炭是焦化企业生产的重要工业原料之一,准确地预测其未来价格趋势对焦化企业制定排产计划具有重要意义。极限学习机(ELM)泛化能力强,计算速度快,适合作为焦炭价格预测的模型,但ELM的预测性能受模型关键参数影响较大,故需对其参数进行优化。基于此,文中提出了基于双精英进化樽海鞘群算法的ELM焦炭价格预测方法。首先,采用Logistic混沌映射、改进的收敛因子、自适应惯性权重和双精英进化机制来改进樽海鞘群算法,提出了双精英进化樽海鞘群算法(MDSSA),提高算法的搜索能力;其次,运用MDSSA优化ELM的连接权值与阈值,找到ELM的最优参数组合,构建MDSSA-ELM焦炭价格预测模型;最后,在8个基准测试函数上测试MDSSA的收敛性能,在实际焦炭价格数据集上对MDSSA-ELM模型的预测性能进行实验,实验结果表明,MDSSA-ELM相比其他方法预测能力更优,MDSSA相比其他群智能算法搜索能力更强,为焦化企业实现焦炭智慧排产提供了有效的预测工具。     

基于XGBoost的管道防腐层裂纹损伤识别算法研究

埋地管道因为在长期服役后防腐层产生的裂纹易导致管道金属层受到损害,为了避免损伤造成管道泄漏,有必要建立管道防腐层裂纹损伤识别智能化平台。通过引入集合经验模态分解,提取管道防腐层结构在裂纹损伤状态下的频域特征值并构建裂纹损伤数据系统。依次利用孤立森林、缺失森林和核主成分分析对损伤数据进行异常检测、数据补全和特征降维优化,构建适于管道防腐层裂纹损伤识别的extreme gradient boosting（XGBoost）模型。研究表明：基于XGBoost的管道防腐层裂纹损伤识别模型可准确地对裂纹长度进行有效检测,与gradient boosting decision tree（GBDT）和随机森林算法相比,其决定系数最大且均方误差最小,裂纹长度识别误差保持在4.37厘米以内,为管道防腐层结构健康检测和安全运输提供了有效的识别方法。     

基于深度信念网络的模拟电路故障诊断

为及时精准地发现模拟电路故障,保障电子仪表的安全稳定运行,提出了基于深度信念网络的模拟电路故障诊断方法。采用自动编码器模拟电路初始故障信号进行降噪处理,将降噪后信号输入到深度信念网络中提取特征,极限学习机根据特征建立故障诊断模型,结果表明,深度信念网络可以有效提取模拟电路各类故障特征,模拟电路各类故障的整体诊断精确率可达到98.47%,可为模拟电路保障诊断提供了一种新的工具。     

阶段化改进的海洋捕食者算法及其应用

针对海洋捕食者算法自适应能力有限、局部桎梏概率高等不足,提出阶段化改进的海洋捕食者算法.在高速度比阶段实施差分演化,在原始猎物群体的变异与交叉中扩大全局探索范围,遍历优化个体质量;引入正余弦算法等概率波动等速度比阶段的并行架构,提升莱维飞行群体与布朗运动群体的灵活性,促进群体间渗透,同节奏优化算法的开发能力与探索能力;融合柯西变异策略与反向学习策略改进低速度比阶段捕食者,生成具备自我调节能力的柯西镜像捕食者,避免迭代末期种群同化过度,强化算法反早熟能力.通过基准函数对比寻优实验及Wilcoxon符号秩检验来评估改进算法的性能,实验结果验证了阶段化改进策略对算法整体表现力的提升.利用改进算法优化在线序列极限学习机参数并应用于变压器故障诊断,进一步验证阶段化改进策略的有效性及工程实用性.     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

极端负荷下并联有源滤波器谐波补偿方法

对畸变电流信号的无静差追踪不能通过单一的PI控制完成,为提升电网电流质量,提出极端负荷下并联有源滤波器谐波补偿方法。创建极端负荷下三相四线制系统中并联有源滤波器的主电路拓扑结构,获得需补偿的畸变电流。建立基于SAPF控制与PI控制的复合控制系统,以畸变电流信号的基波周期特性为依据,重复控制误差信号,以提高追踪信号的稳定性与精准性。在此基础上,融入固定次数无静差控制技术,实现并联有源滤波器谐波补偿。搭建三相四线制系统平台进行实验,结果表明,该方法可降低电流畸变率,改善电流波形的正弦度,具有优越的动态性能与稳态性能。