基于HP-EMD和ARMA的短期风速预测

针对风速为非线性非平稳序列的特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)和自回归滑动平均模型(auto-regressive moving average model,ARMA)的预测方法。EMD在对风速序列进行分解时,可能存在模态混叠现象,会影响风速预测精度,为此,提出一种加入高频谐波来抑制模态混叠的方法。首先对风速序列加入高频谐波进行EMD分解,获得比原始序列较平稳的子序列,即固有模态函数(intrinsic mode function,IMF),然后利用ARMA模型对子序列进行建模预测分析,最后将子序列的预测结果相加得到风速的预测值。和EMD-ARMA及直接利用ARMA模型进行预测的结果相比,本文所提的方法预测精度更高。     

基于ANFIS的季冻区土体冻胀预测模型

模糊理论在土体冻胀预测中存在的知识获取和自适应能力较低等方面不足,而神经网络在模糊推理方面欠缺,因此提出基于自适应神经模糊系统(ANFIS)的季冻区土体冻胀预测模型。该系统采用减法聚类初始化模糊推理,把神经网络学习机制引入到逻辑推理中,利用混合学习算法调整前提参数和结论参数,自动产生模糊规则。利用文献中土体冻胀试验数据来训练和检测ANFIS网络。研究结果表明,与基于BP神经网络的计算结果比较,ANFIS预测模型具有学习速度快、拟合能力较好、计算精度高等优点,该方法是一种有效地预测土体冻胀的方法。     

基于序列分解法的城市月需水量预测研究

为更好地满足用水需求,提出一种基于BP神经网络、非线性回归、自适应模糊推理系统(ANFIS)的月需水量组合预测模型。首先通过Daubechies小波将月需水量序列分解为趋势项、周期项、随机项,然后利用BP神经网络、非线性回归及ANFIS模型分别对各分解项进行曲线拟合,最后采用拟合的公式进行预测。针对该模型,采用C市2007年1月至2015年12月的数据进行训练,并应用2016年1至3月的数据进行测试。与单BP神经网络模型预测结果的对比表明,该模型对月需水量预测具有较高的精度。     

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。     

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0. 3194mm,相对百分误差降到1. 42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。     

基于小波包分解-模糊神经网络的混凝土路面路基沉降预测

在混凝土公路路基施工过程中,为了控制施工进度,同时保证路基的稳定与适用,需要对路基沉降进行监测,并通过已有沉降数据推测后续沉降数值。本文提出了一种新型预测路基沉降的方法,将模糊神经网络和小波包分解相结合,针对位移沉降序列的时序性和偶然性,利用模糊神经网络强大的记忆性,建立沉降预测模型。通过小波包对沉降数值序列进行分解,得到不同属性和频率的沉降序列,分别通过模糊神经网络对各个子序列进行预测,将子序列预测结果叠加得到预测结果。     

基于经验模态分解和遗传支持向量机的多尺度大坝变形预测

 利用经验模态分解算法分解大坝变形数据,得到不同物理特征尺度的变形分量,分析各变形分量特征及其相关影响因素。针对各变形分量的特点,分别建立基于GA-SVM的各变形分量预测模型,将各分量预测模型相加,最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。由大坝变形数据的经验模态分解实例分析,证实经验模态分解算法能有效对大坝变形数据进行多尺度分解,由经验模态分解算法分解得到的各变形分量其物理特征更加显著,更易于各变形分量影响因素分析和变形模型建立,因此,针对各变形分量的特点所建立的GA-SVM的各变形分量模型具有较高精度。基于经验模态分解和支持向量机的多尺度变形预测模型由各分量预测模型相加而得,能充分挖掘大坝变形中隐含的多种内在规律,能同时在不同特征尺度上进行大坝变形预测。通过对多尺度大坝变形预测模型和多元回归、时间序列分析、GM(1,4)、BP网络和GA-SVM大坝变形预测模型进行精度对比,证实基于经验模态分解和支持向量机的多尺度变形预测模型是一种精度较高的大坝变形预测新方法。     

基于VMD-SVD联合降噪的网架结构模态识别北大核心CSCD

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

基于VMD-SVD联合降噪的网架结构模态识别

为减少测量噪声对网架结构模态识别的不利影响,提出基于变分模态分解(VMD)和奇异值分解(SVD)联合降噪的随机子空间(SSI)模态识别方法.首先,以整体正交系数最小作为优化目标,利用鲸鱼优化算法获取VMD所需的最优K、α参数.基于K、α最优值对响应信号进行VMD后,根据各分量频谱曲线的光滑程度来筛选被激发的有效模态分量.其次,在进一步对有效模态分量进行SVD后,将其叠加以得到降噪后的重构信号.最后,采用SSI法对重构信号进行模态识别.某三自由度体系的仿真分析和某3m×3m平板网架的模型试验均表明,本文方法具有良好的降噪效果,可以筛选有效模态分量和提高模态识别精度.     

混沌策略和单纯形法改进的鲸鱼优化算法

为解决鲸鱼优化算法收敛速度慢和寻优精度低等问题,提出了一种基于混沌策略和单纯形法优化的鲸鱼优化算法(whale optimization algorithm based on chaos optimization and simplex optimization,CSWOA)。首先,采用混沌反向学习策略初始化鲸鱼种群个体,降低随机化的原始种群对算法收敛的影响;然后,引入一种自适应权重策略,平衡算法的全局寻优和局部探索能力;最后,再引入单纯形法对原算法进行改进,提高算法的局部搜索能力和寻优能力。对8个典型基准函数的仿真分析表明,CSWOA的收敛速度和寻优精度均有一定的提高。