相空间重构-最小二乘支持向量机用于间歇过程变量在线预报

时间序列预测技术可实现过程参数未来变化趋势的早期预报,从而为分析判断工况是否正常、确定转入下一工序的时机提供依据.针对间歇过程数据长度短、非线性、动态、不同批次数据不等长等特点,提出了一种基于相空间重构-最小二乘支持向量机的非线性时间序列预测方法.首先将多批次数据随机的拼接组成长数据向量,差分处理后采用相空间重构关联积分C-C方法计算该序列的延迟时间τ和嵌入维数m,从而构建训练集和检验集,然后采用最小二乘支持向量机算法建立预测模型.对某间歇蒸馏过程上升气温度建立的5步预测模型可用于生产现场的在线预报.     

基于FPGA的动态重构系统重构过程研究

有效融合了专用集成系统(Application Specific Integrated Circuit,ASIC)与通用目的处理器(General Purpose Processor,GPP)优势的动态可重构系统,以其良好的灵活性、可重构性以及优异的计算性能,逐步应用于从嵌入式系统到高性能计算的许多领域。针对动态可重构系统的重构过程控制进行了研究,详细分析了动态重构过程中的一些潜在问题。针对重构过程中重构模块与固定模块之间的耦合问题和数据交互问题,提出了一种新的动态重构过程通信控制机制。该机制将重构过程划分为重构前、重构中和重构后3个阶段,并在各个阶段对数据交互和通道隔离进行了有效控制。实验验证表明,该机制能够有效保证动态重构过程的正确性。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿,采集了近20G数据,以瓦斯浓度、风速、温度三种传感器数据进行实验,实验结果表明：对于特征层的融合,每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003,较目前的最小误差值0.05,误差大大下降,故融合预测效果较好,可以较准确地预测未来15分钟后的传感器数据,可有充足时间进一步为井下的安全评估提供决策依据。     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

面向动态导航系统的短时交通流SVR预测方法

短时交通流预测是动态导航系统中的重要技术,本文从城市道路交通流系统的高度复杂性特点出发,研究基于支持向量回归的短时交通流预测方法.通过分析动态导航系统对短时交通流预测的实时性、准确性要求,提出对交通流时间序列进行归一化处理,并通过相空间重构技术确定输入输出样本点集合,利用支持向量回归机建立输入输出间的函数关系以此作为预测模型.本文实例验证了基于相空间重构SVR预测方法的有效性.     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

基于Hermite神经网络的混沌时间序列预测

针对混沌时间序列的混沌性,提出一种改进的相空间重构方法——交集寻优法;针对传统的BP神经网络、RBF神经网络及AR模型对混沌时间序列预测效率和预测精度较低的缺点,提出两种不同的Hermite神经网络预测模型。以四阶蔡氏电路为模型,结合粒子群算法建立预测模型。仿真结果表明,利用交集寻优法进行相空间重构能很好地保留原系统的动力学特性,证实了该方法的有效性;Hermite神经网络较传统的预测模型精度更高,便于基于粒子群算法的Hermite神经网络预测方法的推广和应用。     

基于数据动态冗余的分布式并行系统重构机制

设计高可用分布式并行数据库系统,系统重构不能只局限于单节点状态变化,为此提出了基于数据动态冗余的分布式并行系统重构机制。该机制通过相关事件触发系统检测,及时分布采集节点状态信息,借助数据的再生和转移,在各节点并行完成负载失衡和节点状态变化下的系统自动重构。实际应用表明,该机制解决了多节点状态同时变化的系统资源和数据资源的重构问题,保证了数据库系统的高可用性。     

一种基于自组织过程神经网络的动态样本半监督学习算法

针对时变信号模式分类和未标记样本信息的有效利用问题,提出了一种基于自组织过程神经网络的动态样本半监督学习算法。根据获得的已标记和未标记的过程函数样本信号,分别构建基于竞争学习规则和有教师示教方法的自组织过程神经网络模型,利用该网络的自组织特性,实现动态样本的分类标识。文中分析了算法的信息处理机制,给出了具体的实现步骤。以油田开发水淹状况判别为例,实验结果验证了方法的有效性。     

基于多嵌入维数的风力发电功率组合预测模型

为了减小混沌系统的重构参数对预测结果的影响,提出了基于多嵌入维数的风力发电功率组合预测模型.分别使用线性加权算法和神经网络算法对单一的基于相空间重构的神经网络模型进行组合,既综合了各嵌入维数下的信息,又将各维数下的预测偏差进行融合,从而有效提高了预测精度.通过对黑龙江富锦风电场的功率时间序列进行验证,证实了该组合模型的有效性,神经网络非线性组合算法的预测误差小于7%.     

小波网络在带噪声的混沌时间序列预测中的研究

在采用网络模型对带有噪声的混沌时间序列进行建模的过程中,噪声会影响模型的泛化能力。针对上述问题,本文提出了基于小波去噪的小波网络预测框架。在预处理阶段使用小波阈值方法抑制噪声,运用相空间重构理论确定嵌入维数和延迟时间,进而确定改进的小波网络模型的结构,结合BP算法和遗传算法对模型的参数进行学习。最后,在带噪声的Mackey-Glass混沌序列预测实验中验证了该框架的有效性。     

级联RTAC系统动态神经网络辨识与分散镇定控制

针对含不确定关联项的级联RTAC系统的镇定控制问题, 提出了一种基于动态神经网络辨识的分散控制方 案. 应用拉格朗日方程建立起了考虑不确定非线性作用力的级联RTAC系统数学模型, 采用动态神经网络实现级 联RTAC系统中不确定关联项的在线辨识, 通过构造含神经网络权值矩阵迹的Lyapunov函数, 证明了辨识误差的一 致有界性. 通过动态神经网络辨识不确定关联项、补偿系统建模误差, 建立级联RTAC系统分层滑模控制算法, 以实 现级联RTAC系统的高精度分散镇定控制. 数值仿真验证了动态神经网络的引入对级联RTAC系统分散镇定控制系 统瞬态幅值抑制、稳态精度提升的效果.     

一种模糊推理过程神经网络及其应用研究

针对带有过程性模糊信息或动态领域规则的时变信息处理问题,提出一种模糊推理过程神经网络.该模型将模糊过程推理规则与数值型过程神经网络的动态信息处理机制相结合,将推理规则表示为过程神经元.利用过程神经网络的学习性质来实现对过程性定量与定性混合信息的自适应处理.分析了模糊推理过程神经网络的信息处理机制,并给出了相应的学习算法.以抽油机平衡诊断为例,实验结果验证了所提出模型和算法的有效性.     

基于量子差分进化算法的油田水淹层识别方法

为提高水淹层识别精度及识别效率,本文提出一种基于量子差分进化算法的识别方法。首先根据样本数据建立非线性回归模型,然后采用差分进化算法优化模型参数。方法简单直观,物理概念清楚。以大庆油田实际水淹层数据进行仿真,结果表明该方法的正确识别率比BP神经网络有15%的提高。     

一类用于连续过程逼近的过程神经元网络及其应用

针对实际系统的输入输出是与时间有关的连续过程,提出了一类用于连续过程逼近的过程神经元网络模型.模型利用神经网络所具有的非线性映射能力,实现系统输入输出之间的连续映射关系.考虑过程神经网络计算的复杂性,在输入空间中选择一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性,简化过程神经元计算.文中给出了学习算法,并以油藏开发三次采油过程模.     

混沌噪声的神经网络建模应用于参数估计问题中

提出了基于神经网络预测器的参数估计算法，该算法将神经网络拟合非线性函数的能力和功率谱分析技术相结合．文中介绍了相空间重建技术和神经网络的原理，对于神经网络预测模型，给出了所提算法的原理和步骤，针对具体应用问题，用计算机仿真实验验证了该算法提取混沌噪声中信号参数的有效性,给出了实验结果和必要的分析．     

结构自适应的半监督自组织过程神经网络

针对时域空间中模式识别、聚类分析和未标记样本的有效利用问题,提出一种基于半监督学习的网络结构自适应的二维自组织过程神经网络模型和算法。通过构建可度量时变样本间相似性的广义Fréchet距离,利用部分已标记动态样本的类别信息和过程特征,采用奖励-惩罚更新规则,根据网络学习目标函数,对网络二维平面竞争层节点进行动态拆分或合并,实现网络结构的自适应调整和样本的有效聚类。仿真实验结果验证了模型和算法的有效性。     

动态自适应模块化神经网络结构设计

针对全连接前馈神经网络不能有效应对时变系统的问题, 提出一种动态自适应模块化神经网络结构. 该网络采用减法聚类算法在线辨识工况数据的空间分布, 利用RBF 神经元实现对数据样本空间的划分, 并结合模糊策略将不同子样本空间的数据动态分配给不同的子网络, 最后对各子网络的输出进行集成. 该模块化网络中子网络数量和子网络规模都能根据所学时变任务动态自适应调整. 通过对不同时变系统的预测表明了该网络能够有效跟踪时变系统.