应用BP神经网络预测煤层含气量分布

煤层含气量分布和煤层气富集规律已成为当今重要的科研课题.充分利用BP神经网络具有的非线性映射能力、泛化能力和容错能力,批量数据处理使整体偏差值最小,分组拟合比单个样本拟合效果好的特点预测煤层气含量;煤层含气量在一定范围内变化,于是把煤层含气量作为因变量的数据进行分级预测,并且适当调节样本允许误差且允许个别错误存在,以减少模型整体误差.煤层的埋深、镜质组、灰分和挥发分为影响QP区块的主要因素,将这4个影响因素作为变量建立BP神经网络模型,调节网络模型各项参数,分配不同学习训练样本、检验样本和坚持样本以找出合理的神经网络学习训练结构.再与地质统计学和克里金插值法有机结合来预测煤层含气量分布规律和探索煤层气富集规律.     

重叠局部高斯过程回归

高斯过程是一种函数的分布,在机器学习领域常用于回归.对于n个训练样本,其训练和预测时间复杂度分别为O(n~3)和O(n~2),因此难以应用于大规模数据.针对这个问题,本文基于分治的思想,提出一种简单高效的近似模型,称为"重叠局部高斯过程".本文方法假设随机变量在给定邻近变量的值后,会与距离较远的变量条件独立.首先将训练样本集递归划分,构建一棵三叉树,其中兄弟节点包含的样本存在交集,交集中的样本起到诱导点的作用,可构建相邻区域的依赖关系.然后利用每个叶子结点所包含的样本建立局部的高斯过程回归模型,在当前假设下,每个父节点的边缘似然和预测分布可通过组合其子节点的计算结果来近似,从而降低计算量.同时,这种组合方式可保证拟合的函数是连续的.理论分析表明,对于n个训练样本,近似模型训练和预测的时间复杂度均为O(n~t),其中t与交集的大小相关,通常介于1与2之间.此外通过在公共数据集上的实验对比也验证了本文近似模型的有效性.     

球隙最短路径电场特征量与工频击穿电压预测

空气间隙的最短路径电场分布与其击穿电压具有较强的关联性,从中提取关键特征可以作为击穿电压预测模型的输入参量.为此,以球隙为研究对象,从球电极间最短路径上提取了38维特征量,利用支持向量机(support vector machine,SVM)建立了球隙工频击穿电压预测模型,并根据间隙的不均匀系数选取了24个训练样本对SVM模型进行训练,结合黄金分割法,对247个不同球径、不同间距的球隙测试样本击穿电压进行迭代预测.结果表明,对于5次样本选择得到的5组训练样本集,其对应SVM模型预测结果的平均绝对百分比误差为0.78%～1.09%,与IEEE标准中的试验值吻合良好,验证了最短路径电场特征集与SVM预测模型的有效性.该方法基于小样本机器学习实现了球隙击穿电压预测,可为空气绝缘预测研究提供参考.     

融合互信息估计和对抗自编码器的异常检测

无监督深度学习网络的训练目标从信息论的角度可解释为最大化训练样本及其表示之间的互信息.对抗自编码器（AAE）通过生成对抗的方式学习训练样本集的分布,据此可以由AAE建立基于正常样本集的半监督异常检测模型,但是AAE无法显式最大化正常样本及其表示间的互信息.为此,提出了一种互信息估计网络和AAE相融合（IAAE）的异常检测方法,该方法首先以重构误差最小化为目标,训练编码器和解码器;其次,在对抗正则化阶段将正常样本低维表示的聚集后验分布约束为先验分布,并最大化正常样本与其表示之间的互信息;最后由全连接神经网络估计正常样本与其表示之间的互信息.由待测样本的重构误差及其表示在隐空间中的众数散度计算其异常得分值.公开数据集上的实验结果表明,与已有典型相关的深度异常检测模型相比,IAAE模型在F1取值上具有更好的表现.     

一种基于径向基函数的近似模型构造方法

发展了一种基于径向基函数的近似模型建立方法。首先采用试验设计方法对设计空间进行样本选择,采用数据分析方法对样本集进行聚类分类,得到径向基函数中的相关参数。对于近似模型权系数采用能够适应大规模并行计算并且能够在全局解空间的多个区域内寻优的遗传算法进行求解,而不是采用最小二乘法通过线性方程的求解获得。最后通过对一维非线性和多维高阶非线性函数的逼近测试,以及对近似模型的拟合函数与原函数之间的误差分析,表明本文提出的基于径向基函数的近似模型方法具有良好的拟合与预测精度。     

基于SVM的管网状态估计模型

为建立未知节点压力和可知监测信息之间的管网状态估计模型,应用支持向量机算法,建立基于支持向量机的管网状态估计模型和测压点压力宏观模型.经仿真分析,SVM模型90%以上预测数据的绝对误差控制在0.01MPa;与BP神经网络模型相比,同样的样本集均方误差情况下,其测试集均方误差一般比BP神经网络精度高.杭州市管网的实例计算中,85%以上测压点预测数据的相对误差都在5%以内,结果相当理想.     

线性回归模型参数的变点检验

线性回归模型随应用环境的改变其模型的参数有可能发生变化,因此有必要对模型的参数进行检验与分析.对于误差项不一定服从正态分布的线性回归模型,通过使用前后样本最小二乘估计量之差的适当权数,获得了变点检验统计量及其渐进分布.     

改进的偏最小二乘回归模型及应用

对样本量小于特征数量的高维数据进行拟合时,偏最小二乘回归模型(PLS)因自身优点对线性关系的拟合效果较好。为解决PLS模型对非线性关系拟合效果较差并控制模型计算量两方面问题,提出基于stacking集成非线性偏最小二乘模型(stacking-plsr)。从模型鲁棒性、敏感性和拟合精度三个方面对stacking-plsr模型进行实证检验。结果表明,stacking-plsr模型的拟合效果对训练集样本数量和超参数degree的取值并不敏感,在测试集上预测值的MSE和ARE两项指标相较于传统PLS模型分别降低68.26%和34.44%。     

顾及邻点变形因素的改进PSO-SVM模型大坝变形预测

为实现支持向量机模型(SVM)对大坝变形的精准预测,克服模型容易陷入局部最优的缺点,引入多尺度一维的小波分解函数和柯西分布密度函数优化SVM模型,并考虑邻近监测点之间的互扰性,建立了顾及邻点变形因素的改进粒子群优化支持向量机模型。利用粒子群算法(PSO)更新粒子群的速度和位置,组合标准的柯西分布密度函数优化模型的惯性权重,采用多尺度一维的小波分解函数对样本数据进行误差序列的剔除,选取3-fold交叉验证方法进行最佳参数的求解。对顾及邻近点的改进PSO-SVM模型实例进行对比研究,实例表明,顾及邻近点的改进PSO-SVM模型适用于短期样本的预测,在中长期样本情况下拟合精度不佳。设计了长期样本下的对比研究,结果表明,改进的PSO-SVM模型较SVM模型和PSO-SVM模型拟合效果最佳,验证了改进模型在长期样本下的适应性和有效性。     

NSVR硬岩隧道掘进机刀盘扭矩预测分析

为了避免硬岩隧道掘进机（TBM）刀盘受困,提出TBM刀盘扭矩的非线性支持向量回归（NSVR）预测模型来指导TBM掘进施工.结合吉林引松供水工程现场掘进大量数据,研究TBM刀盘扭矩与掘进参数间的相关关系,得到刀盘扭矩与围岩类别、刀盘转速和推进速度具有明显相关关系：随着围岩强度由强到弱,推进速度对刀盘扭矩的影响逐渐变弱,刀盘转速对刀盘扭矩的影响逐渐变强.基于这种相关关系,建立刀盘扭矩NSVR预测模型,并将该模型应用于吉林引松隧道工程,对按1：1划分的19 854个训练样本和19 854个测试样本的刀盘扭矩进行预测.预测结果表明：训练样本集和测试样本集的平均相对预测误差分别为11.3%和12.9%,测试样本集中相对预测误差高于60%的有516个测试样本,占测试样本集总数的2.6%.各项数据表明,在给定刀盘转速、推进速度和围岩类别条件下,建立的刀盘扭矩NSVR预测模型具有较高的预测精度.     

灰色粒子群自适应卫星钟差预报方法

高精度卫星钟差预报是当前接收机实时精密单点定位技术(Real-time precise point positioning,RT-PPP)亟需解决的关键技术难题之一.为找到一种基于小样本钟差序列的快速高精度卫星钟差预报方法,在分析常规GM(1,1)灰色模型(grey model)缺点的基础上对其进行了改进,提出了PGM(1,1)模型(particle swarm optimization-grey model)及其算法.该模型利用最新量测值进行初始化,然后通过引入遗忘因子的最小二乘法对新旧信息进行加权处理;再引入优化因子对模型系数进行调节,以归一化的平均相对误差作为精度检验标准,采用粒子群算法对其自适应寻优.最后选取了5颗钟差变化典型的GPS(global positioning system)卫星原子钟进行1 d内的精密钟差预报实验.结果表明,相对于常规GM(1,1)灰色模型和常规二次项拟合模型,所提出的模型及其算法预报精度有显著提升,其平均预报残差达到了亚纳秒级,且所需训练样本小.因此,该预报模型可以应用于卫星钟差快速精准预报.     

基于最小二乘的选权迭代抗差拟合模型研究

目的提出基于最小二乘的选权迭代抗差推估GPS水准高程拟合方法,并检验可靠性.方法利用数值分析方法和GPS水准拟合过程分析软件对相关平面、二次曲面和三次曲面抗差推估数学模型进行对比分析研究.结果二次曲面抗差的结果要好于相关平面与三次曲面抗差的结果精度,并非抗差模型阶次越高有效性越高.抗差模型的精度与点位分布有关.在进行抗差计算时要结合多种模型进行比较分析,特别点要进行多次抗差计算,通过抗差计算有效剔出了粗差点,提高了GPS水准拟合精度.结论基于最小二乘的选权迭代抗差拟合模型解决了常规拟合模型不稳定的缺点,实际数据证明,模型结果能够达到等级几何水准的精度.     

高精度点云模型畸变补偿方法

点云模型的准确获取与畸变补偿是三维激光扫描技术检测零部件的关键. 提出一种通过畸变补偿获得高精度三维点云模型方法. 利用线激光重构零部件三维点云模型,对模型中存在的夹角误差进行畸变补偿,实现高精度的点云数据获取. 搭建试验平台,选取仪表部件、双层孔件及栅极组件等不同材质及结构的试验对象,通过对比分析发现,畸变补偿后的均方根差分别减少0.009、0.036、0.024 mm. 结果表明点云模型畸变补偿方法有效,同时具有很好的通用性.     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

自适应加权最小二乘支持向量机回归及应用

针对软测量建模样本中数据难以避免存在粗差、以及粗差数据对模型性能的影响,提出了一种自适应加权最小二乘支持向量机(AWLS-SVM)回归建模方法。AWLS-SVM基于建模样本数据,根据最小二乘支持向量机回归模型的拟合残差确定各样本的残差权值,根据样本的空间分布确定杠杆权值,进而通过迭代运算,自适应确定各建模样本的权值,在有效减小粗差点对模型性能影响的同时,保留了其所提供的有效信息。仿真实验表明,AWLS-SVM能有效克服粗差样本数据的影响,其模型的预测性能明显优于LS-SVM和径向基函数网络。最后,应用AWLS-SVM建立粗对苯二甲酸中4-CBA含量软测量模型,获得满意结果。     

基于P-范分布下的三维激光点位误差分布检验

目前,在对三维激光点位误差模型进行推导的过程中,都是假设三维激光点位误差是服从正态分布的,而由于三维激光点位误差源与传统测量仪器中的误差源不同,同时外界环境对激光点位误差的影响也不相同,因此,不能直接断定点位误差服从正态分布,需要对其理论分析及数据统计分析验证。针对三维激光点位误差分布状况,本文对激光点位误差模型进行了推导,并通过大量数据统计分析验证了激光点位误差服从的分布状况。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

RS-SVM forecasting model and power supply-demand forecast

A support vector machine (SVM) forecasting model based on rough set (RS) data preprocess was proposed by combining the rough set attribute reduction and the support vector machine regression algorithm, because there are strong complementarities between two models. Firstly, the rough set was used to reduce the condition attributes, then to eliminate the attributes that were redundant for the forecast, Secondly, it adopted the minimum condition attributes obtained by reduction and the corresponding original data to re-form a new training sample, which only kept the important attributes affecting the forecast accuracy. Finally, it studied and trained the SVM with the training samples after reduction, inputted the test samples re-formed by the minimum condition attributes and the corresponding original data, and then got the mapping relationship model between condition attributes and forecast variables after testing it. This model was used to forecast the power supply and demand. The results show that the average absolute error rate of power consumption of the whole society and yearly maximum load are 14.21% and 13.23%, respectively, which indicates that the RS-SVM forecast model has a higher degree of accuracy.