滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(12):多变量OEARMA系统的滤波辅助模型递阶广义增广迭代参数辨识

针对多变量输出误差自回归滑动平均(M-OEARMA)系统,即多变量Box-Jenkins系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广梯度迭代辨识方法、滤波辅助模型递阶多新息广义增广梯度迭代辨识方法、滤波辅助模型递阶递推广义增广最小二乘迭代辨识方法、滤波辅助模型递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波辅助模型递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(13):类多变量方程误差ARMA系统的滤波递阶广义增广迭代参数辨识

针对类多变量方程误差自回归滑动平均(M-EEARMA-like)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广迭代梯度辨识方法、滤波递阶广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法。这些滤波递阶广义增广迭代参数辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量方程误差随机系统中。

滤波辨识(14):类多变量输出误差ARMA系统的滤波辅助模型递阶广义增广迭代参数辨识

针对类多变量输出误差自回归滑动平均(M-OEARMA-like)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波辅助模型递阶广义增广梯度迭代辨识方法、滤波辅助模型递阶多新息广义增广梯度迭代辨识方法、滤波辅助模型递阶广义增广最小二乘迭代辨识方法、滤波辅助模型递阶多新息广义增广最小二乘迭代辨识方法。这些滤波辅助模型递阶广义增广迭代参数辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量输出误差随机系统中。

基于双向稀疏Transformer的多变量时序分类模型

针对多变量时序(Multivariate Time Series,MTS)分类中长序列数据难以捕捉时序特征的问题,提出一种基于双向稀疏Transformer的时序分类模型BST(Bidirectional Sparse Transformer),提高了MTS分类任务的准确度.BST模型使用Transformer框架,构建了一种基于活跃度得分的双向稀疏注意力机制.基于KL散度构建活跃度评价函数,并将评价函数的非对称问题转变为对称权重问题.据此,对原有查询矩阵、键值矩阵进行双向稀疏化,从而降低原Transformer模型中自注意力机制运算的时间复杂度.实验结果显示,BST模型在9个长序列数据集上取得最高平均排名,在临界差异图中领先第2名35.7%,对于具有强时序性的乙醇浓度数据集(Ethanol Concentration,EC),分类准确率提高30.9%.

基于多变量控制策略的生物发酵罐溶解氧浓度控制

为解决当前生物发酵罐中溶解氧浓度饱和问题,设计了基于多变量控制策略的生物发酵罐中溶解氧浓度控制新系统。该控制系统通过控制两个变量(培养液的进气气流速率和搅拌器搅拌速度)来调节生物培养液的溶解氧浓度,并通过选择合适的空气流量水平,避免氧气溶解饱和,而且还可通过调整搅拌速度控制器的参数,适应控制点的实时变化。仿真实验结果表明,所设计控制系统可根据系统中控制条件切换搅拌控制器参数,来保证对空气流的正确切换和主动控制器的正确选择,并最终保证控制回路稳定运行。对实际系统的测试结果表明,当培养液因搅拌而出现溶解氧饱和时,所设计控制系统通过有效改变气流,避免培养液中溶解氧饱和问题的出现。所设计控制系统能够实现生物发酵罐中溶解氧浓度的高效控制。

电化学加工表面均匀性的多变量统计过程控制

零件表面粗糙度对其使用性能有重要影响。为了解决零件表面单一粗糙度参数不能全面反映零件加工表面缺陷的问题,提出一种将基于相关性分析和主元分析的多变量统计过程控制应用于电化学光整加工零件表面均匀性评价的方法。设计无表面缺陷和有表面缺陷两个样件进行对比实验,在电化学光整加工之后记录两个样件的多项表面粗糙度参数,先进行多个参数的单变量统计过程控制,再对多个粗糙度参数进行相关性分析和主元分析,得到综合评价值绘制统计控制图。对比分析结果表明:对于存在局部缺陷的表面,相比单一粗糙度参数,采用综合评价控制图检测零件表面缺陷更准确;基于相关性分析和主元分析的多变量统计过程控制是评价电化学光整加工零件表面均匀性的有效方法。

基于LMI的二自由度飞行器多变量控制

针对二自由度飞行器存在非线性特性、强耦合性以及易受外界干扰等问题,提出了基于LMI的二自由度飞行器多变量控制方法。首先,根据二自由度飞行器系统的输入和输出变量,结合空间动力学方程建立了系统的状态空间模型;其次,设计满足静态输出反馈稳定的多变量控制律;然后,通过李亚普托夫稳定性定理与极点配置法,将控制系统稳定性问题转化为优化问题,利用线性矩阵不等式(LMI)求解满足最优性能指标的多变量控制器参数;最后,通过对比仿真分析与单变量PID,表明该方法能有效提升二自由度飞行器的轨迹跟踪精度。

一种基于多变量卡诺图的自启动方法

在时序逻辑电路的分析或设计过程中,都存在自启动的确认环节。以扭环形计数器的自启动电路设计为例,提出一种基于自定义多变量卡诺图的自启动研究方法,分析了电路没有自启动功能的原因所在,并利用卡诺图具有的化简能力,精简优化自启动电路设计。5变量以上的多变量卡诺图应用,使此方法具有更强的工程实用性。同时,此方法可推广到其他类型时序逻辑电路自启动功能的分析、设计工作中。

水冷式集中空调冷源系统多变量耦合物理模型

水冷式集中空调系统是一个多变量耦合的非线性系统,运行数据稀疏程度大,导致基于数据驱动的机器学习模型泛化能力差,全面反映水力与传热机理的物理模型成为当前研究的关键。然而,系统变量耦合复杂,迭代嵌套导致整体计算量消耗巨大,设备启停又导致管路水力结构变化而不得不频繁重构模型等技术难点亟待解决。利用离散变量连续化及模式搜索法,以阻力系数关联支路开度与设备启停,以水泵运行频率关联水泵启停与运行状态,实现将离散变量整合至连续变量,减少迭代嵌套,可实现流量动态分配、水力热力全局耦合计算。该研究构建了冷负荷、冷冻水流量、冷冻水供水温度、冷冻水供回水压差及环境温湿度为外部约束的水冷式集中空调冷源系统多变量耦合物理模型,实现对冷水机组台数、冷冻水泵台数与频率、冷却水泵台数与频率、冷却塔台数与频率等多个独立变量的异步调节。通过综合实验平台验证模型的可靠性,探究了不同工况下的机塔泵运行特性与群控策略。研究表明,冷源系统物理模型仿真结果平均相对误差小于10%,少部分在15%内,单次迭代计算耗时约0.32 s,多变量组合调节可综合权衡各子系统的能效,系统全局优化可最大限度挖掘节能空间,解决传统主观经验控制难以维持稳定节能效果的缺陷,为智能诊断提供理论基础。

基于多变量灰色系统的乏信息堤防变形短期预测模型

依据信息模糊和不确定状态下乏信息数据处理理论,提出了一种改进多变量灰色系统的乏信息堤防短期预测模型;引入多变量灰色模型对多测点的沉降变形序列进行拟合,结合混沌粒子群优化算法和分数阶微积分理论,实现了在乏信息条件下对堤防多测点变形的短期预测;由对比结果可知,研究提出的模型可行且有效,填补了堤防乏信息处理模型的空白。

考虑多变量相关性改进的风电场Transformer中长期预测模型

挖掘风电场多变量相关性对提高中长期的预测精度具有积极影响。针对Transformer模型在捕获多变量间相关性方面的不足,提出考虑多变量相关性的多变量中长期预测模型。首先,采用多变量独立嵌入(MIE)对风电场多变量进行独立建模;然后,使用二维概率稀疏注意力(TPSA)提取时间和变量间的特征信息;最后,通过多层式编码器-解码器(MED)将多尺度的特征信息聚合,一次性输出预测结果。算例分析表明,所提模型与LSTM模型、Transformer模型、Informer模型相比,均方误差在各预测时长分别降低了42.58%~66.83%,32.58%~53.49%,14.38%~30.92%,并通过消融实验验证和分析了所提改进的有效性。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

多变量系统神经网络辨识的无模型自校正控制器研究

针对多变量NARMA模型,将其转化为具有耦合的子系统,采用具有辅助变量的多变量紧格式动态线性化方法逼近多变量NARMA模型,利用BP神经网络辨识其参数,基于多变量广义目标函数提出多变量NARMA模型的神经网络辨识的无模型自校正控制器,算法为关于控制输入的非线性方程组,通过非线性数值分析的牛顿法对其进行求解,根据非线性递推最小二乘法对BP神经网络的连接权重值进行在线学习。仿真研究表明系统的响应具有优良的性能。

基于EMD-LSTM多变量输入的极端海况预报模型

极端海况是多种外界因素共同作用的结果,传统单变量波浪预报模型无法考虑多变量的影响,因此构建EMD-LSTM多变量输入模型来预报极端海况。以浮标数据作为分析数据集,利用改进的EMD算法消除变量端点效应和时序非平稳性的影响,运用多变量输入模型对其进行预测分析。结果表明:多变量复合模型可对极端海况实现有效提前预警,输入层引入波高、风速和阵风3个关键因子后模型预报性能最佳,比对均方根误差和纳什效率系数可知多变量输入的预报性能较单变量有显著提升。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

联合PS-InSAR技术与多变量LSTM神经网络的高铁路基冻胀形变预测研究

针对传统形变监测及预测难以做到大范围监测和精准预测的问题,本文提出了联合PS-InSAR技术和多变量长短期记忆(M-LSTM)神经网络监测和预测高铁路基冻胀形变的方法。首先,该方法利用PS-InSAR技术获取路基冻胀空间分布特征;然后,使用皮尔逊相关系数法优化出3种冻胀诱发因素,所得数据经预处理后组成训练数据;最后,引入LSTM构建智能化、多变量冻胀预测模型,精确地预测路基冻胀形变趋势。研究结果表明,PS-InSAR技术在大范围形变监测中具有可靠性,M-LSTM模型预测精度比传统神经网络模型更高,平均判定系数(R^(2))、平均绝对误差(MAE)和平均均方根误差(RMSE)分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值,同时也为路基冻胀形变预测提供了新思路。

基于解耦注意力机制的多变量时序预测模型

针对多变量时序预测难以充分利用序列上下文语义信息及变量间隐含关联信息的问题,提出一种基于解耦注意力机制的多变量时序预测模型Decformer。首先,提出一种解耦注意力机制,从而充分利用嵌入的语义信息提升注意力权值分配的准确度;其次,提出一种不依赖于显式变量关系的模式关联挖掘方法,以挖掘并利用变量间隐含的模式关联信息。在话务量、电力消耗和交通3种不同类型的真实数据集(TTV、ECL和PeMS-Bay)上,与长短期时间序列网络(LSTNet)、Transformer、FEDformer等优秀的开源多变量时序预测模型相比,Decformer在所有预测时间长度上都取得了最高的预测精度。相较于LSTNet,Decformer在TTV、ECL和PeMS-Bay数据集上的平均绝对误差(MAE)分别降低了17.73%~27.32%、10.89%~17.01%和13.03%~19.64%;均方误差(MSE)分别降低了23.53%~58.96%、16.36%~23.56%和15.91%~26.30%。实验结果表明,Decformer能够有效提升多变量时序预测的精度。

面向Shapelet空间的多变量时间序列密度聚类算法

多变量时间序列聚类问题已经成为时间序列分析任务中重要的研究课题,相较于单变量时间序列,多变量时间序列的研究复杂性更高,难度更大。尽管当前已经提出了许多针对多变量时间序列的聚类算法,但是这些算法在精度和解释性方面仍旧不足。其一,当前大部分工作并未考虑多变量时间序列的长度冗余性和变量相关性等问题,导致最终得到的相似性矩阵具有较大误差;其二,数据在聚类过程中普遍采用划分范式,当数值空间呈现复杂分布时该思想表现不佳,并且不具备对各个变量及空间的解释力。针对上述问题,提出了一种面向Shapelet(富有高信息量的连续子序列)空间的多变量时间序列自适应权重密度聚类算法(MDCS)。算法首先对各个变量进行Shapelet搜索,通过自适应策略获取到各自的Shapelet空间,接着对各个变量产生的数值分布进行组合加权,得到了更符合数据分布特征的相似度矩阵,最后利用改进密度计算和二次分配的共享最近邻密度峰值聚类算法对数据进行最终分配。在真实数据集上的实验结果证明,与目前先进的聚类算法相比,MDCS拥有更好的聚类结果,在标准化互信息和兰德系数指标上平均提高了0.344与0.09,兼顾了性能与可解释性。