基于误差修正 NLSTM 神经网络的无人机航迹预测

无人机产业近年来发展迅猛,在军用和民用方面都拥有广泛的应用前景。无人机的航迹记录在其航行过程中发挥着重要作用,无人机的航迹预测也成为当前世界研究的热点,使用神经网络进行航迹预测更可以充分发挥其优势。首先对国内外学者关于航迹预测的文献进行了梳理,根据航迹预测的原理对目前飞行器航迹预测算法进行了总结和分类,针对利用神经网络模型预测无人机航迹并逐步改进模型以提高预测精度的问题进行了研究。接着对于传统神经网络模型预测精度不够高的问题,提出一种带误差修正的嵌套长短期记忆 (ENLSTM) 神经网络预测模型。ENLSTM 在嵌套长短期记忆网络模型的基础上引入了误差修正项,从而使得预测精度更高。最后使用 BP、RNN、LSTM 和 ENLSTM 四种神经网络模型分别对无人机的真实航迹数据和模拟航迹数据进行仿真实验,得出结论：循环神经网络相对 BP 神经网络在无人机航迹的预测上更具有优势,基于基础循环神经网络的逐步改进提升了模型的预测能力,ENLSTM 模型对于无人机的航迹预测具有更好的效果。     

一种雷达与AIS航迹关联算法的研究

在船舶交通管理系统(VTS)中,雷达与AIS航迹关联的精度很重要。给出雷达与AIS航迹数据关联模型,讨论一种基于多义性处理并考虑航迹历史数据的航迹关联算法,并进行算法性能的推理,给出仿真结果,可以看到仿真在密集环境中取得很好的效果。     

基于改进LSTM的航运物流路径轨迹修复研究

目的 提高航运物流路径轨迹信息的挖掘精度和安全效率。方法 对宁波舟山港条帚门水域窄口航道船舶的类型、数量、长度进行统计分析,对货运船AIS物流路径轨迹异常进行识别与修复。考虑船舶实际航行的环境因素,提出一种新的数据纠偏方法。考虑船舶属性与环境因素,以通航宽度和三自由度运动学的转向能力识别异常数据,然后运用Bi-LSTM法对筛选后航运物流路径进行轨迹修复。结果 所提筛选方法不需要轨迹聚类或建立额外的模型进行判别,筛选数据量占总数量的34.26%,修复后的AIS货船物轨迹数据量在原有基础上提升了115.34%。结论 使用文中方法可以有效纠偏和修复异常航运物流路径轨迹数据,为航运物流轨迹数据挖掘提供一定的基础方法。     

RANSAC算法在空间目标光电跟踪中的应用研究

基于光电跟踪设备对空间目标进行跟踪测量时,由于电磁干扰、云层遮挡或者地影等因素的影响,造成空间目标成像在设备视场中无法提取,严重时甚至导致系统闭环跟踪不能平稳进行。此时可以采用理论引导的方式,利用预测轨迹继续进行跟踪搜索。本文将广泛用于计算机视觉领域特征提取的随机抽样一致性(RANSAC)算法引入轨迹预测,并根据观测数据分布的特点进行改进提出WRANSAC算法,用于实时处理有限的历史观测数据,进行轨迹预测。引入该算法后,在对空间目标轨迹预测时,对历史观测数据的容错能力提高,对模型的敏感性降低,预测结果的准确性和鲁棒性远远优于最小二乘法。通过对比预测轨迹和实际轨迹,证明了该算法的有效性。     

面向船舶柴油机活塞加工质量管控的数字孪生应用技术研究

针对船舶柴油机活塞加工质量管控的问题,该文研究了融合工艺设计数据和实时数据,从而得到加工数字孪生数据,进而构建活塞加工质量管控模型,最后融合自适应遗传算法改进径向基函数神经网络（Radial Basis Function Neural Network, RBF）并应用于模型。结果表明,该方法下的刀具预测寿命平均相对误差为3.21%,误差率较低。对加工质量的实时预测准确率最高达到98%,耗时仅1.0 s左右,该方法能够满足加工质量管控要求,可以为船舶柴油机活塞加工的信息化发展提供参考。     

基于DNN和改进K-means的船舶辐射噪声开集识别方法

为提高船舶噪声识别系统的性能,实现开集识别,提出了基于深度神经网络(Deep Neural Network, DNN)和改进K-means的船舶辐射噪声开集识别方法。首先,采用Welch功率谱估计方法提取船舶辐射噪声的特征;然后,设计并应用DNN模型进一步提取特征向量;最后,使用改进的K-means模型实现开集识别。在实测数据上进行了实验,结果表明,所提方法能实现船舶辐射噪声开集识别,对于实测数据的平均识别正确率为93.5%,较DNN+K-means++方法提高了6.2个百分点。对实测数据添加实验船发动机噪声或渔船噪声进行实验,结果表明,识别方法在其他船只噪声干扰下具有较好的鲁棒性。     

ABC-BP风力发电机组短期功率预测方法

稳定可控的风力发电系统是风力资源开发利用的核心,提出一种基于人工蜂群-神经网络算法（artificial bee colony-back propagation, ABC-BP）的风力发电机短期功率预测方法,进一步提高短期风电功率预测的准确性。针对现有短期功率预测方法中遇到的收敛速度慢、局部最优等缺陷,结合ABC人工蜂群算法,提出改进ABC-BP算法。在对其数学模型收敛性证明的基础上,采用实际风电数据进行仿真验证,并通过模拟风力发电平台,进行实验,实验结果表明,预测数据达到实验要求,所提出的改进算法模型是可行的。改进ABC-BP算法应用于风力发电机监测系统中,为降低风电系统运维成本、提高监测效率提供一种有效解决方案。     

SA-GA-CNN-LSTM新型冷暖系统负荷预测方法研究

为提高预测精度,给新型相变储能供冷供暖系统提供准确的储能参考,结合该系统的特点,提出新的负荷预测方法。该方法先对数据进行模糊C均值聚类,然后将聚类结果分别传入由遗传算法（genetic algorithm, GA）、自注意力机制（self-attention, SA）和卷积长短时记忆神经网络（CNN-LSTM）相结合的模型进行预测。采用北京昌平某变电所的相变储能冷暖系统的实测数据进行训练并确定了该预测模型,最后用该模型进行负荷预测,预测数据和实测数据对比,证明了该模型的有效性。与单一神经网络模型CNN、LSTM和混合神经网络模型CNN-LSTM、GA-CNNLSTM相比,所提出的SA-GA-CNN-LSTM神经网络模型的预测精度最高。在平均绝对误差（MAPE）指标下,比表现较好的单一神经网络模型LSTM误差降低2.32%,比混合神经网络模型CNN-LSTM误差降低1.49%。     

一种基于降维密度聚类的船舶异常轨迹识别方法

目的 有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法 针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果 以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9 048、0.9 534、0.8 218、0.6 627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论 研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。     

基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测

为解决短期电力负荷预测模型中迭代训练过程的误差累积,预测结果精度低的问题,基于双向门控循环单元（BiGRU）在短期电力负荷预测中的理论基础,在BiGRU的底层结构上进行改进,并对预测过程中产生的误差进行补偿,提出一种基于SRDHLGRU神经网络和差分误差补偿的短期电力负荷预测方法。第一阶段,建立堆叠的反向双层高低级门控循环单元（SRDHLGRU）网络模型,得到模型预测过程中产生的误差序列。第二阶段采用差分分解（DD）方法将第一阶段产生的误差序列进行一阶前向差分得到误差变化量序列,再次建立SRDHLGRU模型进行训练和预测,从而对第一阶段结果进行误差补偿。结合西部某市负荷数据集,基于Python算法开展短期电力负荷预测的仿真,对比几种主流预测算法,仿真结果表明该组合模型的预测精度和稳定性比传统模型都有一定提升。     

基于AIS数据的航运物流港口调度优化研究

目的 针对宁波舟山港区的复杂航道水域与密集物流交通流,研究更加有效的调度方案,达成调度时间和等待时间最小化,即效率最大化。方法 分析宁波舟山港区航道的航行情况,提出交会处复杂航道水域存在的问题,以调度时间和等待时间最小为目标的多目标函数,建立复杂航道水域船舶调度模型。针对大量的船舶AIS数据,构建基于神经网络的航道水域调度模型,对不同类型、不同大小的船舶建立速度变化和船舶预测模型,实现对船舶调度状态的预测。设计以传统粒子群算法为基础的改良版船舶调度算法。结果 算法对模型求解表明,根据不同船长与间距可判别交通流拥挤程度进而对船舶进行调度。通过模型预测到可能产生拥挤,则应当选择小型船只走条帚门航道,大型船只走虾峙门航道,并且尽量避免产生拥堵。结论 使用该模型与算法可以有效地提升船舶调度效率,为复杂航运物流港口调度优化研究提供了一定理论基础。     

基于基因表达式编程的FRP约束混凝土极限轴向应变预测

纤维增强树脂复合材料(FRP)以其质量轻、强度高、耐腐蚀和施工方便等优势被广泛应用于混凝土结构性能提升和受损构件加固中。FRP约束混凝土的极限条件是选择FRP种类、选择FRP厚度及确定包裹层数等必须要考虑的因素,现有极限应力模型的预测结果能够较好反地映真实情况,而现有极限轴向应变模型的预测精度偏低,故本文对极限轴向应变进行了研究。由于影响FRP约束混凝土极限轴向应变的因素较多,许多研究人员提出的模型在输入参数的选择上存在较大差异,故本文在通过基因表达式编程建立极限轴向应变模型的同时还探讨了不同输入形式对模型预测精度的影响。采用决定系数及平均绝对误差等5种统计指标对模型预测结果进行评价,并将其与现有模型进行对比分析。研究结果表明:原始数据和新数据组合的输入形式对应的模型具有最高的预测精度,因此在模型输入参数的选择上不能仅考虑原始数据或者新数据;与其他研究人员所提模型相比,本文所提模型预测精度更高,其决定系数为0.893,平均绝对误差等指标均在0.35以下。      

线性FBM过程随机退化设备剩余寿命自适应预测

现有文献主要通过马尔科夫过程来描述设备的退化轨迹,鲜有考虑历史状态对未来退化轨迹的影响.鉴于此,为了反映退化轨迹的记忆效应对剩余寿命预测的影响,首先基于分数布朗运动建立一种线性随机退化模型,并通过引入随机效应来反映不同样本间的退化差异性;其次,基于弱收敛性理论与分数布朗运动的特性推导剩余寿命分布的近似解析解;再次,基于...     

基于长短期记忆神经网络的风力发电功率预测方法

风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。     

基于圆柱螺线法的偏置机构控制算法仿真及实验研究

偏置机构芯轴偏心位移的精确控制是实现导向钻进的核心问题.针对一种新型静态指向式偏置机构,首先介绍了其结构组成以及轨迹控制原理;其次,建立基于圆柱螺线法的井眼轨迹控制算法数学模型,并以三维多目标井眼轨迹为例,讨论了如何通过该机构实现井眼轨迹的控制,并基于SolidWorks和ADAMS进行机构虚拟模型的建立和运动仿真,得到偏置机构运动情况曲线;最后,建立基于LabVIEW的实验平台对偏置机构样机的导向性能进行验证.通过仿真结果、实验值和理论值的比较,确定该算法产生较好的控制效果,证明了实现机构导向控制的可行性,从而为旋转导向钻井工具实际轨迹控制算法设计与优化奠定理论基础.     

Theory and algorithms for image reconstruction on chords and within regions of interest

We introduce a formula for image reconstruction on a chord of a general source trajectory. We subsequently develop three algorithms for exact image reconstruction on a chord from data acquired with the general trajectory. Interestingly, two of the developed algorithms can accommodate data containing transverse truncations. The widely used helical trajectory and other trajectories discussed in literature can be interpreted as special cases of the general trajectory, and the developed theory and algorithms are thus directly applicable to reconstructing images exactly from data acquired with these trajectories. For instance, chords on a helical trajectory are equivalent to the n-PI-line segments. In this situation, the proposed algorithms become the algorithms that we proposed previously for image reconstruction on PI-line segments. We have performed preliminary numerical studies, which include the study on image reconstruction on chords of two-circle trajectory, which is nonsmooth, and on n-PI lines of a helical trajectory, which is smooth. Quantitative results of these studies verify and demonstrate the proposed theory and algorithms.     

Identification of the important variables for prediction of individual medical costs billed by health insurance

The cost of health care insurance is one of the most important factors in the health care development. To establish a better health care system, there is a need to estimate the cost of health insurance. The prediction of the cost is one possibility to improve health care development. There is a need for more advanced methods other than traditional regression approaches, because the prediction of the health insurance costs are now a big data problem. To simplify the prediction process in this study, a selection procedure was performed to identify the most important factors for the prediction of the health care insurance costs. Artificial neural network, namely adaptive neuro fuzzy inference system (ANFIS), was used for the identification procedure. ANFIS architecture was employed to model nonlinear relationships between data samples. Five input factors were considered in the analyzing (age of primary beneficiary, insurance contractor gender, Body mass index, Number of children covered by health insurance, and smoking). The obtained results showed that smoking has the highest impact on the cost of health insurance. Moreover, prediction accuracy is acceptable and could be used for future management of health care development.