相空间重构后矿井涌水量序列地质学含义及其应用研究

目的为了确定相空间重构矿井涌水量序列的地质学含义并提高涌水量预测精度,方法以王行庄矿为例,在涌水量序列相空间重构后,对重构后相空间列向量与涌水量主控因素进行相关性分析,并在此基础上建立混沌理论与人工神经网络耦合(Chaos-ENN)的涌水量预测模型。结果结果表明:相空间的嵌入维数等于矿井涌水量主控因素个数;相空间的第1,2,4,5,6列向量分别与C_(2)tL_(7-8)含水层水位埋深、O_(2)m+Є_(3)ch含水层水位埋深、采空区面积、C_(2)tL_(1-4)含水层水位埋深、开拓长度具有较高的相关性,第3列与不易量化的其他综合因素有关;构建的Chaos-ENN涌水量预测模型在王兴庄矿的预测精度达到97.91%。结论涌水量序列重构后相空间的列向量具有明确的地质学含义。利用混沌理论可以量化涌水量预测模型中ENN输入层的个数及取值,所以仅需涌水量序列值就可以建立矿井涌水量预测的Chaos-ENN模型,该模型解决了涌水量预测中存在的主控因素难以确定和不易量化的难题,且预测精度高,具有较高的推广价值。

径流序列相空间重构的水文学含义及应用

为确定径流序列相空间重构后的水文学含义并提高径流中长期预测精度,基于混沌理论进行径流序列相空间重构,并对径流影响因素与重构后相空间列向量进行相关性分析。在此基础上建立了混沌理论与人工神经网络耦合(Chaos-BPNN)的径流预测模型,并应用于黑河上游莺落峡水文站和正义峡水文站。结果表明:径流序列重构后相空间列向量具有明确的水文学含义;Chaos-BPNN径流预测模型仅需径流序列数据就可进行建模和预测,规避了径流预测过程中主控因素难以确定和不易量化的问题;黑河上游降水量、输沙量、水位和气温分别与重构后相空间的第1、3、6、7列具有较高的相关性,风速与任何一列都不相关,推测雪线高程、植被覆盖率以及土地利用类型等因素与第2、4、5列存在相关性;构建的Chaos-BPNN径流预测模型在黑河上游莺落峡水文站和正义峡水文站的径流预测精度均在86%以上。

相空间重构与改进SMA优化SVR的网络流量预测

为提高网络流量预测精度,提出结合相空间重构与改进黏菌优化支持向量回归的预测模型。为解决黏菌算法收敛慢、易得局部最优的不足,引入3种形态对立学习对种群进行初始化,提高种群多样性;利用非线性反馈因子更新机制,均衡全局搜索与局部开发;设计柯西-高斯混合变异对最优解变异,扩展搜索空间,避免陷入局部最优。利用改进黏菌算法对支持向量回归优化调参,有效解决超参初值敏感缺陷,提高学习精度和收敛速度,以此构建网络流量预测模型。实验结果表明,改进模型预测误差更小,能够实现高精度和实时性预测要求。

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。

基于相空间重构与PCA的潜水泵故障诊断

针对潜水泵信号存在较大干扰影响诊断效果问题,提出相空间重构与主成分分析(PCA)相结合的方法,将潜水泵一维时序信号通过C-C算法计算得到嵌入维数和延迟时间进行相空间重构,并对重构数据进行PCA,将满足贡献累加值的主成分提取出来并还原为一维空间,通过频谱分析得到数据频谱图。通过具体实验,将所提方法处理后的正常状态与故障状态频谱图进行对比,对潜水泵故障进行分析与诊断。实验结果表明,该方法得到的频谱图能够凸显信号故障频率,在一定程度提高了故障诊断准确率。

基于相空间重构的中性点非有效接地系统铁磁谐振故障辨识研究

准确辨识铁磁谐振故障是启动微机消谐装置的前提,而现有时频分析方法提取铁磁谐振过电压信号特征时存在容易误判和相邻频率模态相互混叠的缺点。针对上述问题,从铁磁谐振过电压时间序列的混沌特征出发,提出了基于相空间重构的中性点非有效接地系统铁磁谐振故障辨识方法。首先利用C-C法计算相空间重构的特征参数(嵌入维数、延迟时间),然后通过相空间重构技术将过电压时间序列引入到高维空间,分析重构吸引子相平面轨迹的属性特征(关联维数、点分布因数)和几何特征(矢径偏移、中心距),并揭示了不同铁磁谐振类型重构相平面轨迹特征。最后,引入K值作为4种特征量变化规律的特征参数,结合特征量变化规律给出不同类型铁磁谐振的参考K值,以此作为谐振判据进而辨识谐振类型。通过仿真分析和云南某10 kV配电系统发生的铁磁谐振实例验证了所提方法的可行性。

基于ACMD和相空间重构的转子不平衡故障诊断

针对转子系统发生频率较高的不平衡故障,提出了一种基于自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)和相空间重构技术相结合的故障诊断方法。首先,通过ACMD将不平衡故障信号分解成若干个分量,使用相关系数进行模式选取;其次,对筛选出的最相关模式进行三维相空间重构(3-dimensional phase space reconstruction,3D-PSR)特征的提取;然后,基于修正后的k-NN分类方法(基于最小欧式距离)原则实现对转子系统不平衡故障的诊断。最后,在转子系统故障试验台上进行实验验证,和已有方法相比,提出的方法可以更有效提取出不平衡故障特征,并且能在样本较小情况下具有更高的准确率。

基于相空间重构及模糊聚类的供电服务风险评价模型

由于供电服务过程会因线路故障,导致供电异常、评估结果不精准等情况,提出基于相空间重构及模糊聚类的供电服务风险评价模型。通过相空间重构分析参数延迟时间及维数,采用符号分析法计算互信息函数,得到准确延迟时间,通过模糊隶属度判定最优聚类中心,实现最佳聚类减少供电服务风险产生。利用负载均衡调度监控供电服务风险状态,构建量化评价模型以及线路故障概率模型,获取状态风险关联规则向量,根据模糊聚类法对风险特征信息聚类处理,完成供电服务风险评估。仿真实验结果表明,所提算法具有较强的抗干扰性能,评估精准度较好。

基于相空间重构与深度学习的冲击地压矿井时间序列b值趋势

冲击地压是制约煤炭安全高效开采的重大灾害之一,实现冲击地压的智能化预警是保障煤矿智能安全开采的关键路径。b值作为监测冲击地压的有效指标,掌握矿井开采过程中b值演化趋势对冲击地压的及时预警具有重要意义。为此基于相空间重构(PSR)与深度学习提出了对矿井开采中时间序列b值的短期预测方法,运用相空间重构技术将卷积神经网络识别及降噪后的b值映射到高维空间,混合遗传算法(GA)优化的长短期记忆网络(LSTM)学习高维数据特征构成b值预测模型(PSR–GA–LSTM)。实例结合冲击地压矿井宽沟煤矿W1123综采工作面,计算了降噪后b值的重构参数且实现了数据的重构。评价了不同模型的预测性能并对最优预测模型进行了实例分析。研究结果表明:时间序列b值经过降噪技术处理后,能增强模型对于b值趋势特征的学习能力和降低噪点对于冲击前兆信息的干扰;时间序列b值经过相空间重构及长短期记忆网络的超参数得到优化后,模型的预测精度能得到明显提升;较其他模型相比PSR–GA–LSTM的残差波动范围最小稳定在0.005以内,其误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为0.00151、0.00133、0.29%都低于其他模型;PSR–GA–LSTM模型经过时间序列b值训练后,所预测的b值趋势蕴含着冲击前兆信息,能预先对冲击事件的发生提供b值预警指标。该模型对于匀速推进的冲击地压矿井b值趋势发展有着较好的预测能力,所用方法可为在冲击地压时间上演化发展的预测预警研究提供借鉴与参考。

融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明:PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%~9.77%,均方根误差平均降低17.01%~19.72%,对训练数据量的依赖程度相比LSTM降低25%~33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。

基于最优变分模态分解与相空间重构的LSTM船舶横摇运动预测

为提高船舶海上作业稳定性,需要精确预测船舶横摇运动,以增强船舶横摇补偿控制效果。建立了一种基于最优变分模态分解与相空间重构的长短时记忆神经网络船舶横摇运动预测模型。该模型利用最优变分模态分解方法,将船舶横摇运动数据分解成多个不同频率尺度且相对平稳的模态分量;基于最大Lyapunov指数对各模态分量进行混沌性判定;对非混沌分量进行单维LSTM预测,对混沌分量利用C-C方法重构相空间后进行多维LSTM预测;将所有分量预测结果线性组合,得到船舶横摇运动预测输出。通过仿真试验与ARIMA、BP、LSTM模型进行对比,结果验证了模型在提高船舶横摇运动预测精度方面的优越性。

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。

基于相空间重构和卷积神经网络的混沌信号识别方法

针对卷积神经网络在处理一维信号时会由于网络模型参量过多导致算法收敛慢和过拟合问题,提出了一种基于相空间重构和卷积神经网络的混沌振动信号智能识别方法。首先,利用时间延迟法将一维混沌振动信号重构为二维吸引子图;然后,通过扫描转换法将其转换为标准像素图输入卷积神经网络模型;最后,借助卷积神经网络强大的图像分类能力,实现仿真和试验混沌振动信号的智能识别。结果表明:该方法能对含噪声的混沌振动信号进行有效识别,在信噪比超过10 dB时分类准确率仍可达100%,不仅具有良好的泛化性、稳定性和通用性,还消除了训练的过拟合现象,能较好地应用于工程实际中。

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

基于相空间重构与RBF网络的心冲击波补偿研究

在基于心冲击描记图的非接触式心率检测方法中,心冲击波的真实形态容易在体动发生时被掩盖。为解决无效信号给心跳点定位造成的阻碍,提出一种相空间重构与RBF神经网络结合的体动区间波形补偿模型。首先利用改进的C-C法选取合适的重构参数,并通过动态k-均值聚类确定网络拓扑结构,将动作发生前时间序列在重构空间中的相点作为学习样本输入到模型中,进而实现对无效信号段的单步递归预测。实验结果显示,该预测模型性能良好,能够减少原始信号中不规则噪声带来的影响,经模型修正后计算逐拍心动周期的平均误差为1.27%,平均绝对误差为8.9 ms,有效避免了心跳事件的误判。

基于相空间重构的辐射源个体识别技术综述

辐射源个体识别技术,起源于雷达目标精确辨识任务,旨在根据截获的电磁信号提取辐射源独有的指纹特征,并进一步辨识辐射源个体身份的技术。相空间重构技术,作为一种有效的时间序列分析技术,可以从一维时间序列中重构一个与原系统非线性动力学特性相同的相空间。相空间重构技术自2007年开始被诸多学者引入辐射源个体识别问题中。然而,该项技术研究时间较短且分布较为分散,尚未形成清楚的发展脉络。对此,该文旨在系统性地总结归纳基于相空间重构的辐射源个体识别技术。首先,在介绍相空间重构技术的基础上,论述了相空间重构技术应用于辐射源个体识别的理论依据。其次,从方法框架、算法分类、算法应用效果、算法初步对比4个维度,介绍了基于相空间重构技术的辐射源个体识别技术的研究现状。仿真实验结果表明,该项技术能够有效地捕捉辐射源硬件的非理想性,胜任目标精确辨识任务,并可通过特征融合等手段提升算法鲁棒性。最后,总结现有方法的不足并展望其未来发展前景。

基于相空间重构方法的三维MIMO无线信道预测

第五代(5G)无线通信网络采用的大规模多输入多输出(MIMO)技术需要大量空口资源估计和反馈MIMO信道。除优化导频、估计和反馈设计外,对信道衰落的预测也是节约空口资源的有效途径。运用相空间重构方法研究三维信道模型相关的相空间重构参数,提出一种基于经验知识的小样本在线学习方法,对MIMO信道系数和信道容量进行预测。研究发现无线信道数据具有混沌性,相空间延迟时间和嵌入维数服从一定分布,因此可以作为实时预测的先验参数进行设定。实验结果表明,该方法预测效率比传统ARMA方法提升6倍左右,信道容量的平均误差最小为5.91%。最后,采用某市区的实测数据验证相空间重构方法的有效性,信道容量的预测平均误差最小为0.91%。

基于多变量相空间重构与近似熵的飞行动作识别方法

针对现有飞行动作识别研究中规则表述复杂和训练代价高昂问题,提出一种基于多变量相空间重构与近似熵的飞行动作识别方法。首先,统一重构基数,分别得到高度、滚转和俯仰角三维序列相空间轨迹;然后,将多相空间中同位置相点基于贝叶斯理论融合得到新序列,并提取机动动作片段;最后,利用递归图及近似熵定性定量地描述片段序列复杂度,从而实现不同飞行动作识别。根据某型号飞机多次连续飞行数据验证结果表明,该方法可快速准确识别不同机动动作,具有较好泛化性。

基于相空间重构和遗传算法优化的极限学习机模型预测基坑变形时序混沌特性

基坑变形是造成施工事故的主要原因之一,其变形特性具有很大不确定性及随机性。为了防止基坑变形事故的发生,实现基坑变形的准确预测,提出一种将相空间重构、遗传算法(GA)、极限学习机(ELM)相结合的基坑变形时序混沌预测模型。首先,对基坑变形量时序进行相空间重构,通过混沌理论中的G-P算法及自相关法获得重构相空间参数;然后,采用相空间重构后的变形时间序列,建立基坑变形量预测的ELM模型,同时采用GA算法对ELM模型参数进行优化。最后,训练得到最优GA-ELM模型。以某基坑为例,采用GA-ELM模型进行变形量的混沌预测。研究结果表明:GA-ELM模型的预测结果优于单一ELM模型的预测结果,预测精度较高,有利于基坑变形的长期预测。