基于MELMD-ICA的光纤振动信号降噪方法

针对分布式光纤传感系统所采集含噪信号,提出一种改进集成局部均值分解(MELMD)联合独立成分分析(ICA)的降噪方法,引入排列熵判决机制提高抑制模态混叠与虚假分量能力。首先使用MELMD方法分解含噪信号得到乘积函数(PF)并进行信号重构;将含噪信号和重构信号求差得到虚拟噪声,构造虚拟通道;然后使用ICA对含噪信号和虚拟通道进行信噪分离,得到最终结果。通过实验验证,该方法与EMD-ICA,EEMD-ICA,MELMD相比,能更好地消除信号中的噪声,保留信号的特征信息。     

基于BAS-BP-Bagging模型的光纤陀螺温度补偿

为提高光纤陀螺的输出精度,以天牛须搜索算法(BAS)优化后的BP神经网络模型为基学习器,采用Bagging并行集成学习算法建立了BAS-BP-Bagging温度补偿模型,并对某型号光纤陀螺进行了温度补偿实验。实验结果表明,在-40～+60℃温度变化环境下,该方法补偿后的光纤陀螺温度漂移相较于补偿前减小了近80%,相较于多项式补偿算法减小了55%,相较于BP神经网络补偿算法减小了30%左右。同时该模型在对新鲜样本的补偿过程中表现出了较为优越的泛化性能。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于多源数据图表示学习的风电出力预测方法

高精度的风电出力预测技术是实现碳中和的关键技术之一,随着智能电网的逐步建设,风电出力预测系统逐步从分散模式趋向于集中模式,其表现为一个系统集成多个风电场站的数据和模型。传统预测方法无法较好地处理这种大数据融合场景,也无法较好表征多个风电场站之间的关系,因此,提出了基于多源数据图表示学习的风电出力预测方法。通过基于Stacking集成学习框架思想和图理论对多个风电场站形成的特征数据构建图数据,其中,图数据的节点为历史风电出力数据、基础方法预测值数据以及气象、位置等多源数据,边为多个风电场站之间的相关性,从而实现对多个场站数据的融合表征。最后搭建残差图卷积神经网络对所构建的图数据进行学习训练,并通过公开数据集验证了所提算法具有更好的结果。     

基于SICL的宽频带毫米波多波束阵列天线设计

为实现第五代移动通信技术(5G)毫米波阵列天线的多波束扫描,提出了一种基于基片集成同轴线(Substrate Integrated Coaxial Line, SICL)的宽频带毫米波多波束阵列天线。多波束阵列天线主要包括基于SICL的宽频带毫米波罗特曼透镜和基于SICL馈电的宽频带磁电偶极子天线,罗特曼透镜腔体采用平板波导结构,移相段采用非色散结构SICL,设计了一种平板波导透镜腔体和SICL移相段的宽频带匹配结构实现宽频带罗特曼透镜。采用SICL耦合馈电的宽频带磁电偶极子天线作为多波束阵列的辐射单元,易于直接与基于SICL的罗特曼透镜连接使用,可实现宽频带波束扫描。基于此设计了一种7个波束端口、9个阵列单元的宽频带多波束阵列天线。仿真结果表明,该罗特曼透镜的-10 dB阻抗带宽约为42%(20.5～31.5 GHz),磁电偶极子天线的-10 dB阻抗带宽约为45%(20.5～32.5 GHz),组成的多波束阵列天线在20.5～31.5 GHz(约42%)频带内可实现±30°的波束扫描,天线结构简单紧凑、剖面低、易集成且能实现宽频带波束扫描,适用于5G毫米波通信。     

基于Blending集成学习模型的电力市场日前出清电价预测

精准的掌握未来电价信息对把握市场的运行状态、支撑市场参与各方进行有效决策、推动市场主体合理优化资源配置具有重要意义。因此基于Blending集成学习机制构建了一种面向于日前电价预测的综合模型。该模型充分考虑电价的高波动性特点,采用Ashin变换,减小了输入数据波动性对预测模型的影响;选取SVM、LightGBM、EWNN、SARIMAX 4种较为成熟的单一电价预测模型作为初级学习器,进而保证了基于Blending集成学习模型的预测精度。选用美国PJM电力市场实际运行数据对上述构建的电价预测模型进行验证,通过对预测结果的对比分析,表明构建的基于Blending 集成学习机制的电价综合预测模型集成了多种传统预测模型的优点,具有较好的准确性与稳定性。     

光学微纳结构红外隐身技术研究进展(特邀)EI北大核心CSCD

随着红外探测技术手段的多样化发展,红外隐身技术的需求日益迫切。由于传统的红外隐身技术面临着多途径目标探测和多功能兼容的严峻挑战,因此研究光学微纳结构红外隐身技术有着十分重要的意义。基于局域共振机制的亚波长尺度的光学微纳结构,极大地丰富了人们对光的传输行为的调控。在红外隐身技术领域,光学微纳结构可以针对红外辐射特性进行材料和结构的精细化设计,从而满足理想红外隐身发射光谱的需求,为发展更加多光谱、多功能、自适应的红外隐身技术提供全新的解决方案。文中围绕红外隐身技术的相关研究,首先介绍了多层薄膜吸收体、金属表面等离子激元、基于相变材料薄膜可调吸收体、智能化设计光学微纳结构实现光谱响应的基本原理,在此基础上,重点回顾了近年来基于光学微纳结构的红外隐身技术新特点,包括多光谱红外隐身技术、多功能红外隐身技术、自适应红外隐身技术的发展现状。最后,梳理了光学微纳结构红外隐身技术所存在的不足及面临的困难并对未来的研究方向和发展趋势进行了展望。     

基于视图互信息加权的多视图集成聚类算法

现有的多视图聚类算法往往缺乏对各视图可靠度的评估和对视图进行加权的能力,而一些具备视图加权的多视图聚类算法则通常依赖于特定目标函数的迭代优化,其目标函数的适用性及部分敏感超参数调优的合理性均对实际应用有显著影响。针对这些问题,提出一种基于视图互信息加权的多视图集成聚类（MEC-VMIW）算法,主要过程可分为两个阶段,即视图互加权阶段与多视图集成聚类阶段。在视图互信息加权阶段,对数据集进行多次随机降采样,以降低评估加权过程的问题规模,进而构建多视图降采样聚类集合,根据不同视图的聚类结果之间的多轮互评得到视图可靠度评估,并据此对视图进行加权;在多视图集成聚类阶段,对各个视图数据构建基聚类集合,并将多个基聚类集合加权建模至二部图结构,利用高效二部图分割算法得到最终多视图聚类结果。在若干个多视图数据集上的实验结果验证了所提出的多视图集成聚类算法的鲁棒聚类性能。     

基于灰狼算术混合优化算法的类集成测试序列生成方法

集成测试是软件测试的重要环节,如何决定类的集成顺序是面向对象集成测试难解决的问题之一。已有研究成果证实了基于搜索的类集成测试序列生成方法的有效性,但存在收敛速度慢、寻优精度低的问题。灰狼优化算法(Grey Wolf Optimizer, GWO)中狼群易聚集在相近的区域,易早熟收敛。算术优化算法(Arithmetic Optimization Algorithm, AOA)是新近提出的元启发式优化算法,具有良好的随机性及分散性。为此,提出了一种灰狼优化算法和算术优化算法的混合优化算法(GWO-AOA)。GWO-AOA保留GWO的位置更新策略,选用群体领导层的中心个体替换AOA的引导个体,以平衡算法的全局探索和局部开发能力,进一步引入随机游动的精英变异机制,提高算法整体的寻优精度。实验结果表明,GWO-AOA相比同类方法能用较短的时间生成测试桩代价较低的类集成测试序列,收敛速度较快。     

基于多特征融合的无监督真值发现方法

真值发现是数据集成领域具有挑战性的研究热点之一。传统的方法利用数据源与观测值之间的交互关系推断真值,缺乏足够的特征信息;基于深度学习的方法可以有效地进行特征抽取,但其性能依赖于大量手工标注,而在实际应用中很难获取到大量高质量的真值标签。为克服以上问题,本文提出一种基于多特征融合的无监督真值发现方法（Unsupervised truth discovery method based on multi-feature fusion, MFOTD）。首先,利用集成学习无监督标注“真值”标签;然后,分别使用预训练模型 Bert和独热编码获取观测值的语义特征和交互特征;最后,融合观测值多种特征并使用其“真值”标签构建初始训练集,通过自训练方式训练真值预测模型。在两个真实数据集上的实验结果表明,与已有方法相比,本文所提出的方法具有更高的真值发现准确性。