基于GRU和XGBoost的矿压显现规律预测

采用光纤传感器监测的光纤频移值对矿压显现规律进行表征的过程中,传感器采集的数据存在缺失现象,无法准确预测矿压显现规律。针对该问题,以千秋煤矿为工程背景,在假设光纤下半部分数据丢失的前提下,引入GRU(门控循环单元)和LSTM(长短期记忆网络)2种预测模型,对缺失的光纤频移值进行对比预测,得出GRU模型的收敛速度优于LSTM模型的收敛速度,说明基于GRU模型的缺失值处理方法较优。将原始完整的光纤频移值转换为可表征矿压显现位置的光纤平均频移变化度,引入XGBoost(极端梯度提升)模型和BP神经网络模型进行对比预测,XGBoost模型能准确预测出测试集中所有出现“尖峰”的位置,而BP神经网络模型只预测出2处“尖峰”位置,说明XGBoost模型的预测效果优于BP神经网络模型的预测效果。将预测出的光纤频移缺失值替换至缺失位置,形成“完整”光纤频移值数据,将该数据转换为光纤平均频移变化度后,采用XGBoost模型进行预测。验证结果表明:LSTM模型及GRU模型均可准确预测出光纤下半部分的数据,且GRU模型准确性较LSTM模型准确性高;使用XGBoost可准确预测出测试集中出现的周期来压;通过GRU模型预测出的缺失数据经整合至缺失位置后,使用XGBoost模型仍可进行有效的矿压预测。     

基于可变时序移位Transformer-LSTM的集成学习矿压预测方法

现有的矿压预测模型多为依赖固定长度时序序列特征的单一预测模型,难以准确捕捉矿压时序数据的复合特征,影响矿压预测的准确度。针对该问题,提出一种基于可变时序移位Transformer-长短时记忆（LSTM）的集成学习矿压预测方法。基于拉依达准则和拉格朗日插值法,剔除矿压监测数据中的异常值,插入缺失值,并进行归一化预处理;提出可变时序移位策略,划分不同尺度的矿压时序数据,避免固定长度时序序列可能存在的数据偏移问题;在此基础上,构建基于Transformer-LSTM的集成学习矿压预测模型,通过结合注意力机制和准确的时序特征表示能力,多层次捕捉矿压变化规律的动态特征,采用集成学习的投票算法,联合预测矿压数据,克服单一预测模型的局限性。实验结果表明：采用集成学习的投票算法可降低矿压预测平均绝对误差（MAE）和均方根误差（RMSE）的波动性,有效减小不同尺度特征序列对矿压预测结果的敏感性影响;Transformer-LSTM模型在2个综采工作面顶板矿压数据集上预测结果的MAE较Transformer模型分别提高了8.9%和9.5%,RMSE分别提高了12.7%和16.5%,且高于反向传播（BP）神...     

基于改进萤火虫算法优化的电力光纤线路状态预测模型研究

为了提升电力通信系统光纤线路状态预测的准确率,提出一种基于改进萤火虫(Firefly Algorithm, FA)算法优化的电力光纤线路状态预测模型(FA-ARIMA-GRU)。首先,针对FA寻优过早收敛和寻优精度低等问题,对整体距离进行指数加权平均,设计了迭代衰减步长因子,并且对偏差修正进行考虑,从而改善上述FA所存在的问题;其次,将改进的FA用于ARIMA-GRU光功率预测模型输入参数的优化,从而在一定程度提升ARIMA-GRU预测模型输入参数的准确性;最终,通过仿真试验对FA-ARIMA-GRU预测模型的效果进行验证,结果表明FA-ARIMA-GRU预测模型具有较优的预测效果,精准预测光功率值,提前掌握电力光纤的线路状态,预知光纤线路故障、有效规避故障和保障电力通信传输通畅不间断。     

基于伪梯度提升决策树的内网防御算法

结合TF-IDF算法思想,提出了特征频率、森林频率以及伪梯度提升决策树,解决了梯度提升决策树随着迭代次数的增加,错误数据被边缘化的问题。在伪梯度提升决策树中,所有决策树分别在原始数据集的Bootstrapping后的数据集上产生,无须针对每次迭代来对数据集采样。在分布式集群上进行内网防御的实验,结果表明在一定规模的训练集上,伪梯度提升决策树具有更好的预测准确度。     

引入改进的K-means算法的电缆监测数据优化技术的研究

分布式光纤是一种新型在线监测技术,能极大程度提高电缆健康状态的监测效率。由于光纤处于复杂环境影响中,以及分布式节点实时产生庞大的数据群,这对监测数据的处理技术提出了更高的要求。基于传统的数字式平均法,引入一种改进的k-means聚类算法,实时对各节点产生的数据集处理,能准确的识别因噪声影响而产生的奇异数据,提高了数据反馈的效率和准确性,从而减少了监测系统的漏报和误报现象。现有的实验仿真表明改进的算法较传统算法在数据处理的准确性和快速性上都有明显的提升。     

基于CatBoost算法的多传感器信息融合可燃气体燃爆状态监测系统

设计了基于CatBoost算法的多传感器信息融合可燃气体燃爆状态监测系统，其中甲烷采集使用响应更快的催化燃烧传感器和测量范围更大的红外甲烷传感器进行配合采集，使其能在高浓度气体环境中快速检测甲烷浓度。首先将获取的传感器数据通过梯度提升树算法筛选出最能表征燃爆状态的特征；然后使用SMOTEENN算法对特征集进行类不平衡处理；最后通过CatBoost算法对数据进行分类训练得到预测模型。该模型对可燃气体燃爆状态的分类具有较高的准确率。     

基于LSTM的光纤复合架空相线分布式应力监测模型研究

本文针对输电架空线路在线监测问题,提出了一种基于LSTM算法的光纤复合架空相线分布式应力检测方法。该方法利用光纤复合架空相线中的通讯光纤,通过刻录光纤光栅,使其具备传感能力,将分布式应力监测问题转化为模型回归问题。同时考虑到光纤传感器的线性分布特点,利用LSTM进行特征学习,训练得到分布式应力传感监测模型。经实验论证,该模型能够很好地实现对导线的分布式应力检测,其均方根误差为1.023,对应应力大小的检测结果平均检测误差为2.032N,应力位置的平均检测误差为1.41mm。相较于基于ELM、SVM方法的检测结果,本方法有一定提升,为光纤复合架空相线分布式应力监测提供了新思路。     

改进类电磁机制算法预测应用

改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.     

矿压显现观测数据的时间序列分析

正确分析和处理矿山压力观测数据以了解和掌握矿压显现规律,对于保证煤矿安全生产具有重要意义。文章首先对原始的矿压显现观测数据进行预处理,得出各数据间存在的统计相关性,然后采用时间序列分析方法,分别对矿压显现数据进行平稳化处理、正态性检验和正态性处理、建立模型并最终得出模型的预测。预测结果表明,采用时间序列分析方法分析矿压显现规律是一种可行的研究方法,且预测的步长越大,误差越大。     

基于时域卷积网络的水文模型

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测,为预防自然灾害提供科学依据,提出一种结合改进的灰狼优化（MGWO）算法与时域卷积网络（TCN）的预测模型MGWO-TCN。针对标准灰狼优化（GWO）算法存在早熟停滞的不足引入差分进化（DE）算法,扩展灰狼种群的多样性;改进灰狼种群更新时的收敛因子和变异时的变异算子,以自适应的形式对参数进行调整,提升算法的收敛速度,均衡算法的全局与局部搜索能力;利用MGWO算法对TCN的重要参数寻优,提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测,预测结果的均方根误差（RMSE）为0.039。实验结果表明,与对比模型相比,MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。     

电力计量数据驱动的电力故障预测方法研究

传统的电力计量故障诊断方法过度依赖于人工判断,工作效率偏低。针对此问题,提出一种基于LR优化的Tradaboost算法,并将其应用在电力的故障诊断领域,提升故障预测模型的样本容量及预测准确率。由实验结果可知,LR-Tradaboost算法预测误差相对SVR、Tradaboost-R2均降低了误差率。LR-Tradaboost在迭代次数为50时已经收敛,而Tradaboost-R2在迭代次数100次后才收敛,所以LR-Tradaboost算法的预测性能更好。     

分布式光纤传感器监测裂缝理论优化与研究

分布式光纤传感器具有分布式无损检测的特点,且精度较高,特别适合监测混凝土的裂缝。目前,国内已经有研究人员使用分布式光纤监测裂缝的尝试,但结果并不理想,为此进行优化研究。首先,研究光纤监测裂缝的机理,分析使用分布式光纤监测裂缝时的影响因素,并针对这些因素提出解决方案;然后,通过模型、算法及布置方式的优化提高监测精度;最后,通过对钢筋混凝土梁的试验数据优化分析,验证研究结果的准确性。结果证明,光纤经过优化后监测数据更准确合理。     

基于光纤传感的电力变压器运行状态监测方法

为了提升电力变压器运行状态监测效果,提高监测绕组局部微小变形的灵敏度,进而实现快速定位,提出基于光纤传感的电力变压器运行状态监测方法。首先,根据光纤传感布里渊散射频谱的拟合方法定位电信号;其次,通过互相关拟合来辨识电力变压器绕组变形的特征;接着,结合在线测量的绕组参数数据,实现对电力变压器运行状态的监测;最后,以对比实验验证提出方法的可行性。实验验证了分布式光纤监测电力变压器变形的时间是传统方法的■,证明了新设计的电力变压器运行状态监测方法效果更好。     

粒子群优化混合核极限学习机的构造煤厚度预测方法

在构造煤厚度的预测中,针对预测精度不高的问题,提出利用粒子群优化（PSO）算法优化极限学习机（ELM）的方法来对构造煤厚度进行预测。首先,利用主成分分析（PCA）对三维地震属性进行降维处理,在降低地震属性的维数的同时消除变量之间的相关性。然后,构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机（HKELM）模型,并利用PSO算法优化HKELM的核参数。同时,针对PSO算法存在容易陷入局部最优的问题,在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重,以及基于反向学习的变异操作,使PSO算法可以更容易跳出局部极小值点,得到更优结果。此外,为了增强模型的泛化能力,在核函数的基础上加入L2正则项,有效地避免了噪声和异常点对模型泛化性能的影响。最后,将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中,预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明,利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小,可以推广用于实际采区的构造煤厚度预测。     

Asyn-SimRank：一种可异步执行的大规模 SimRank 算法

SimRank 算法利用网络结构来评估网络中任意2点的相似性,它被广泛应用于社交网络和链接预测等诸多领域中．近年来,随着大数据技术的发展,SimRank 算法处理的数据不断增大,人们利用MapReduce 等分布式计算模型设计实现分布式的大规模 SimRank 算法来适应大数据处理的需求．但是,由于 SimRank 算法包含开销较大的迭代过程,每次迭代之后都需要一个全局同步,且每次迭代的计算复杂度高、通信量大,SimRank 算法不能在分布式环境下高效地实现．1）提出 Asyn‐SimRank 算法,该算法采用迭代‐累积的方式完成迭代计算,异步执行 SimRank 的核心迭代过程,避免了大规模分布式计算中的大量同步开销,同时有效降低计算量并减少通信开销;2）提出关键点优先调度计算,提升了 Asyn‐SimRank 算法的全局收敛速度;3）证明了 Asyn‐SimRank 算法的正确性和收敛性以及关键点优先调度计算的有效性;4）支持异步迭代的分布式框架 Maiter 上实现了 Asyn‐SimRank 算法．实验结果显示,相比较于 Hadoop ,Spark 上实现的 SimRank 算法和 Delta‐SimRank 算法,Asyn‐SimRank 算法大大提升了算法的计算效率,加速了算法收敛．     

小样本跳变水质时序数据预测方法

根据三峡库区某些断面水质监测数据具有样本小、成库前后数据出现跳变的特点,提出一种适用于三峡库区的水质参数预测模型（ELS-SVM）。ELS-SVM通过建立数据预处理模型对原始小样本时序数据进行处理,增强了时序数据的平稳性,并使用模拟退火（SA）算法优选最小二乘支持向量机（LS-SVM）模型参数。与典型的小样本预测模型的比较实验表明,ELS-SVM模型更适用于三峡库区小样本水质时序数据的预测。     

基于GIHCMAC神经网络的建筑电负荷预测方法

随着能源供应与经济快速发展的矛盾日益加剧，建筑节能成为可持续发展战略的一个关键环节，研究一种快速、精准的建筑用电量预测方法是实现建筑节能优化控制的重要前提.本文将遗传算法与蚁群聚类算法相融合，对基于聚类的IHCMAC （Improvement Hyperball CMAC）神经网络的网络节点进行改进，将GIHCMAC （Genetic Algorithm Ant Colony Clustering Algorithm based on IHCMAC）作为建筑电力负荷预测模型，对潍坊某一办公建筑用电负荷进行预测.研究结果表明，该预测模型迭代次数最小、准确度较高，其迭代次数、训练误差、泛化误差分别为9、0.0045、0.0014，较IHCMAC、KHCMAC （K-means Hyperball CMAC）、IKHCMAC （Improvement K-means Hyperball CMAC）模型的收敛速度更快，精度更高，泛化能力更强.     

基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法

针对网络入侵检测模型自适应能力不足的问题,将麻雀搜索算法（SSA）中的大范围快速搜索能力引入到粒子群优化（PSO）算法,提出基于麻雀搜索算法的改进粒子群优化（SSAPSO）算法。该算法通过对轻量级梯度提升机（LightGBM）算法中难以整定的参数进行寻优,使PSO算法在保证寻优精度的同时快速收敛,并得到最优的网络入侵检测模型。仿真实验结果表明,在4种基准函数上,SSAPSO比基本PSO算法收敛速度更快;在KDDCUP99数据集上,SSAPSO优化LightGBM后得到的SSAPSO-LightGBM算法比分类特征和梯度提升（CatBoost）算法的准确率、召回率、精确率和F1指数分别提升了15.12%、3.25%、21.26%和12.25%;SSAPSO-LightGBM算法在上述数据集中正常流量（Normal）、未授权远程访问（R2L）攻击、未授权本地访问（U2R）攻击、监听（PROBE）攻击的检测准确率比LightGBM算法分别提升了0.61%、3.14%、4.24%、1.04%和5.03%。     

基于Hadoop的GA-BP网络在山洪预测中的研究

研究了山洪灾害监测预警系统中雨情数据的分布式存储和分布式预测;针对采集到的水文数据急剧增长和对预测精度和预报时效的要求不断提高,分别应用Hadoop分布式文件系统对数据进行分布式存储和 MapReduce框架结合遗传算法优化神经网络的权值和阈值进行分布式预测;采用基于BP神经网络的多因子山洪灾害雨量预测模型,结合遗传算法能够实现全局优化特点来优化神经网络的权值和阈值,并在数据并行处理过程中,采用了批处理和MapReduce工作流的方式,以误差和准确率来评估预测模型,解决了神经网络在处理海量数据时训练时间长等问题;实验表明,该方法可以在不影响准确度的前提下,大大缩短运行时间,提高预测效率。     

分布式光纤温度和应变传感系统研究进展

基于布里渊散射的分布式光纤传感系统是面向温度、应变等参数的高测量精度、高空间分辨率、高频率分辨率的监测手段.分别从光纤传感器设计与模拟、传感光纤的选用、传感技术辅助提升等三个方向总结和分析了基于布里渊散射的分布式光纤温度-应变传感系统的研究与发展现状;介绍了分布式光纤传感系统在油井、海底电缆等领域的应用;并展望了未来的研究发展趋势.