基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

非迭代式分布式混合试验方法研究

提出了一种基于模型的预测-修正算法(M-PC)用于子结构混合试验。M-PC在预测时采用静力凝聚得到的边界刚度矩阵求解动力方程以得到预测位移,解决了传统差分方程无法预测静力边界位移的困难。M-PC是一种非迭代式的算法,效率较高。首先介绍了M-PC积分算法的基本公式和进行子结构混合试验的具体步骤,然后通过门式框架的子结构数值试验和物理试验对M-PC算法进行验证。结果表明,M-PC算法有效地预测静力边界位移,结构整体响应合理,正确地模拟了各子结构的非线性行为。     

基于随机森林的数据分类应用研究

机器学习在近几年得到了迅猛的发展,其中随机森林(Random Forest)在决策树的基础上演变出来的一种机器学习方法,利用其可以进行数据建模,分类,预测等。探索了随机森林算法在数据预测上的应用,基于一个泰坦尼克乘客数据集,预测泰坦尼克号乘客的命运(是否生存)。此数据集包含了将近80%乘客的信息和生存状态,包含1 309个样本,每个样本包含14个属性。实验验证了随机森林算法在受试者工作特征曲线等方面表现较好,具有一定的参考性和可拓展性。     

基于机器学习的雷达数据分析与仿真

本文以机器学习为基础,研究了机器学习中最为经典的一种算法SVM(Supportvector machine)支持向量机算法,并通过该算法对雷达数据进行了拟合和预测。     

两种智能高效预测方法及其在人机系统中的应用

提出了两种高预测效率、高泛化能力的数值计算方法,一种方法是小波神经网络(Wavelet NeuralNetwork,WNN)算法;另一种是基于小波尺度函数的WSK-SV(Wavelet Scaling Kernel-Support Vector)算法.WNN算法将小波函数与BP神经网络方法相结合,通过输入层、隐含层、输出层间的连接权重以及隐含层使用的激励函数构成了这种算法的关键技术;WSK-SV算法将小波的尺度函数与SV(Support Vector)方法相结合,使这种算法既保持了SVM(Support Vector Machine)的优点,又具有很好的泛化能力.上述两种算法都属于计算智能(Computational Intelligence,简称CI)方法并用于人机系统的性能预测.     

基于高光谱成像反射和透射技术的雨生红球藻叶绿素含量研究

通过高光谱成像仪采集雨生红球藻(Haematococcus pluvialis)反射和透射的光谱信息,结合化学计量学方法,对雨生红球藻叶绿素a、叶绿素b含量进行预测。比较了5种预处理方法[原始光谱(raw)、基线校正(baseline correction,BO)、卷积平滑(Savitzky-Golay smoothing,SG)、多元散射校正(multiplicative scatter correction,MSC)、变量标准化(standard normal variate,SNV)],并结合偏最小二乘回归(partial least square,PLS)建模的结果,选择较好的预处理方法后采用连续投影算法(successive projections algorithm,SPA)提取特征波长,并比较3种建模算法[PLS、多元线性回归(multiple linear regression,MLR)、最小二乘支持向量机(least square support vector machine,LS-SVM)]的预测结果,选择效果较好的建模算法用于预测叶绿素含量。其中,高光谱成像反射法对叶绿素a含量的预测,显示SNV预处理算法和SPA-MLR建模算法的效果较好,预测的剩余预测偏差(residual predictive deviation,RPD)达到3.429 6;高光谱成像透射法对雨生红球藻叶绿素a含量的预测显示,BO预处理算法和SPA-LS-SVM建模算法的效果较好,预测的RPD值达到3.156 3;同样地,对于高光谱成像反射法和透射法雨生红球藻叶绿素b含量的预测,显示均是采用BO预处理算法和SPA-MLR建模算法的效果较好,预测的RPD值分别为1.822 1和2.013 2。研究表明,采用高光谱成像反射和透射系统,通过一定的预处理结合建模算法可以对雨生红球藻叶绿素a、叶绿素b含量进行预测,为叶绿素a、叶绿素b含量的检测提供了1种新的方法。     

改进GA-BP算法的油气管道腐蚀剩余强度预测

利用人工神经网络能够逼近任意复杂函数的特性,可对在役油气管道的腐蚀剩余强度进行预测,但其缺点在于人工神经网络的权值和阈值的初始化分配具有随机性且只是一种局部优化算法,收敛过程中容易出现局部极小解。引入遗传算法的全局搜索特性和不依赖于梯度信息特性,对采用Levenberg-Marquardt(L-M)算法的BP神经网络的权值和阈值进行优化,并结合由敏感性分析确定的油气管道失效压力的影响因素,建立GA-BP(L-M)网络预测模型。采用Modified ASME B31G计算出的样本数据训练网络并进行预测。预测结果表明,GA-BP(L-M)网络预测模型可以相对更好地预测油气管道的失效压力,在满足工程需要的前提下,是一种更加科学、准确的预测模型。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于CRITIC-XGB算法的岩爆倾向等级预测模型

为了更精确地对岩爆倾向等级进行预测,根据岩爆的成因和特点选取了围岩切向应力,围岩切向应力和单轴抗压强度的比值,岩石脆性指数和岩石的弹性变形能量指数作为岩爆倾向等级预测指标,然后运用改进的CRITIC算法对指标样本进行加权处理,在此基础上引入新的机器学习算法XGBoost对样本进行计算训练,最终建立岩爆倾向等级预测的CRITIC-XGB模型。运用该模型对收集的岩爆实例进行了岩爆倾向等级预测,并将预测结果与XGBoost、随机森林(RF)和支持向量机(SVM)算法的预测结果进行分析研究。研究结果表明:CRITIC-XGB预测模型较单一的XGBoost模型的收敛性能有较为明显的提高;CRITIC-XGB预测模型较单一的XGBoost算法、RF和SVM算法,有更高的预测准确性,为岩爆倾向等级预测提供了一种新的可靠方法。