基于MATLAB灰色Elman网络中长期电力负荷预测

良好的负荷预测模型能够精准且快速地计算预测值,有利于合理地规划分配电能,提升电网运行稳定性.基于MATLAB搭建灰色Elman网络电力负荷预测模型,参考安徽省淮南市"十三五"能源规划[1],以对淮南市进行中长期电力负荷预测为例,同时设置基于MATLAB搭建的Elman网络和灰色理论中的GM(1,1)模型为对照组进行对比仿真实验.提出灰色Elman网络相比对照组具有更高的运算精度,灰色Elman网络对比Elman网络有更好的训练效果.     

基于像素偏转模型和机器学习的室外图像天空像素检测

图像中的天空区域对于基于视觉的地面机器人导航具有重要意义,为了识别图像中的天空部分,本文提出了一种基于像素偏转模型的BP神经网络天空识别方法.首先,制作天空图像集和非天空图像集,天空图像集由各种天气情况下的天空提取而成,非天空图像集由非天空的景物构成,主要包括建筑、汽车、树木、植物等;其次,使用提出的像素偏转模型提取天空图像集和非天空图像集的像素特征并进行处理,对天空像素点和非天空像素点进行标注,利用BP神经网络对像素特征进行训练,得到权重文件;最后,使用得到的权重文件进行天空的识别.为了更好的说明本文算法和模型的优越性,使用本文算法与Otsu算法、YeHu算法、Graph-cut算法和Mask-Rcnn算法模型进行了比较,并设计了两组组对比实验,第一组实验进行识别效果的主观评价,第二组实验利用CamVid数据集的天空类进行算法精度的定量分析.     

地铁机电安装绩效领先指标自动预测方法

目前的绩效领先指标的预测中对样本数据的平稳性考虑不足,样本数据波动性大,影响最终的预测准确性.因此提出地铁机电安装绩效领先指标自动预测方法,首先对影响项目绩效的指标进行拟定描述,确定指标后使用Lasso方法来确定其中变量对绩效指标影响程度,然后使用ADF单位根检验法对相关波动数据进行平稳化处理,运用BP神经网络技术来实现自动预测.为了验证设计方法是否满足设计目的 ,设计实验,使用某地铁机电安装工程的数据作为样本数据并进行自动预测,预测结果显示:本文设计方法对比其他方法结果更接近实际值,设计满足设计要求.     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level，SPL）作为单一评价指标，既不能全面反映噪声的物理属性，也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声，引入声品质，运用大涡模拟（Large eddy simulation，LES）对风振噪声进行数值仿真，根据实车道路试验判断仿真的准确性；对仿真结果进行声品质客观评价与主观评价，综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型；利用遗传算法（Genetic algorithm，GA），进一步对BP神经网络的结构参数进行优化，建立GA-BP声品质预测模型。研究结果表明，GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果，其预测值可以代替传统的声压级评价指标，为风振噪声提供更为准确合理的评价。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

基于系统性能的近地告警技术研究

基于多种导航信息综合处理、告警计算的近地告警系统，对于避免可控撞地事故、 提升飞机安全具有重要意义。本文首先介绍了近地告警系统的工作原理，研究了基于 SOC 曲线的告警包线设计技术，并以过大近地速率告警模式为例进行了告警包线的仿真。最后，利用实际飞行数据分析验证了告警包线合理性以及导航信息可靠性对系统性能的影响。     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.     

基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。     

基于NR-Transformer的集群作业运行时间预测

高性能集群的作业调度通常使用作业调度系统来实现，准确填写作业运行时间能在很大程度上提升作业调度效率。现有的研究通常使用机器学习的预测方式，在预测精度和实用性上还存在一定的提升空间。为了进一步提高集群作业运行时间预测的准确率，考虑先对集群作业日志进行聚类，将作业类别信息添加到作业特征中，再使用基于注意力机制的NR-Transformer网络对作业日志数据建模和预测。在数据处理上，根据与预测目标的相关性、特征的完整性和数据的有效性，从历史日志数据集中筛选出7维特征，并按作业运行时间的长度将其划分为多个作业集，再对各作业集分别进行训练和预测。实验结果表明，相比于传统机器学习和BP神经网络，时序神经网络结构有更好的预测性能，其中NR-Transformer在各作业集上都有较好的性能。     

基于音频特征的工程车辆工况识别研究

高效率地使用工程车辆是工程项目管理中节约成本的有效方法，无人监管环境下工程车辆的工况识别，是实现工程车辆高效率使用的有效手段。目前以GPS等技术为核心的车辆智能管理系统未对工程车辆进行工况识别，提出一种基于GRU循环神经网络的工程车辆工况识别方法，通过对工程车辆在不同工况下产生的音频信号进行分析，从中提取Mel倒谱系数作为主要特征，构建GRU循环神经网络模型进行训练和识别。实验结果表明，该方法可以实现对工程车辆工况的有效识别。