面向分布式多传感器的FOA大数据融合算法研究

分布式多传感器融合能够获得更好的数据监控效果,构建一种分布式多传感器数据融合模型以解决数据融合中出现的时序偏差问题。该模型通过对多个传感器测量的数据值进行综合分析,基于相对梯度值剔除冗余干扰以改善数据融合的精度,并基于FOA优化算法模拟果蝇找寻食物的过程,在全局范围内寻找最优解,解决了传感器系统参数优化和选择时遇到的局部早熟问题。实验结果表明,采用FOA算法的多传感器融合效率更高、时间更短,随着数据源数量的增加,算法的融合精度衰减较慢。

基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

基于FOA优化PID参数的永磁同步电机转速控制

为提高永磁同步电机转速控制的效果,提出一种基于果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)优化比例积分微分控制(proportional-integral-derivative control)的方法。其中,以PMSM调速系统为背景,构建调速系统的PID方法,然后构建FOA优化PID参数的PID控制器,以实现永磁同步电机转速系统的自适应控制。仿真结果表明,FOA-PID方法具有响应速度快、超调小、抗干扰能力和速度调节能力强的特点,在固定负载改变转速条件下,仅需0.02 s即可达到稳定状态,有效改善了永磁同步电机转速控制系统的控制性能;相较于标准PID和RBF-PID方法,FOA-PID方法在正向起动转速情况下的超调量为1.36%,分别低5.73%和1.12%;在负向起动转速情况下,FOA-PID方法的最大超调量为0.56%,分别低15.13%和8.22%。由此得出,本FOA-PID方法可行,具有一定的优越性。

基于FOA-MCKD的分步拉伸一体机轴承故障诊断方法

针对分步拉伸一体机大负载、低转速工况特点,在分析轴承故障诊断难点的基础上,提出一种用于分步拉伸机轴承的故障诊断方法。以最大相关峭度解卷积(MCKD)信号的包络谱作为适应度函数,利用果蝇优化算法(FOA)自适应地选择MCKD滤波器参数;之后,对处理后的信号通过包络解调分析出分步拉伸机轴承故障诊断类型。通过信号分析与轴承拆解,确定了轴承故障类型为电蚀导致的外圈故障,也验证了所提方法的有效性。

基于动态FOA优化RBF神经网络的综合能源系统负荷预测

综合能源系统多元负荷预测是有效提升能源利用效率、降低用能成本的主要途径之一。针对综合能源系统数据繁杂、不易预测的问题,首先引入动态FOA算法优化RBF神经网络,帮助RBF神经网络寻优;其次运用Lasso原理对气象因素进行选择,将负荷数据及气象因素输入到动态FOA优化后的RBF神经网络;最后对北方某园区进行综合能源系统负荷预测,并与BP神经网络进行对比验证。预测结果表明,采用该方法进行负荷预测能有效改善预测效果,保障了区域综合能源系统的优化运行。

基于CIFE-FOA-DELM的SCR脱硝入口NO_(x)浓度预测方法研究

针对脱硝入口NO_(x)浓度监测值作为脱硝前馈输入导致的喷氨控制滞后问题,提出了基于炉膛参数的脱硝入口NO_(x)浓度CIFE-FOA-DELM预测方法。采用互信息特征选择方法进行预测模型的特征变量筛选;引入经果蝇寻优算法优化的深度极限学习建立NO_(x)浓度预测模型;并利用某660 MW火电机组历史运行数据进行模型验证,与反向传播、支持向量机、深度极限学习机、FOA-SVM模型的预测结果进行对比。结果表明:CIFE-FOA-DELM预测方法具备更高的预测精度,平均绝对百分比误差SMAPE、均方根误差SRMSE、拟合优度R2分别为0.261%、1.384、0.965。与CEMS监测数据对比,脱硝入口NO_(x)浓度预测值提前了180 s,有利于解决喷氨控制滞后问题。

基于K-近邻与FOA改进聚类的数据异常分析模型及用电行为分析

对隐藏在大数据中的信息进行深层挖掘时,由于存在数据来源、统计口径、人员输入、行为异常等方面的问题,可能出现异常数据。针对此类问题,首先利用离散小波变换进行多尺度分解,然后采用K-近邻思想对局部区域的密度、距离重新定义,来提高对异常值的识别精度;最后结合改进的果蝇优化算法,对密度峰值聚类算法中的截断距离进行优化,提出基于K-近邻与改进果蝇优化的密度峰值聚类异常分析模型。从异常值检测角度进行仿真实验分析,根据用户数据多时间尺度特征,对不同时间尺度的复合数据进行聚类,对用电行为进行分析;选择多种标准测试函数,对基于知识学习的改进果蝇优化算法性能进行对比研究。结果显示,基于K-近邻的算法能够将变压器中不同于正常运行模式的少数异常曲线及单个用户的异常用电模式检测出来,其有效性得到了验证。在基于知识学习的改进果蝇优化算法中,随着果蝇个体数量增加其寻优能力也得到提高。

基于改进的FOA-SVM导水裂隙带高度预测研究

为准确预测导水裂隙带高度,提出一种新的预测方法。在对部分矿井的导水裂隙带发育情况统计分析的基础上,应用支持向量机(SVM)建立导水裂隙带高度预计模型。采用改进的果蝇优化算法(FOA)优化参数,避免SVM的参数选取对预测准确性的影响。选取统计样本,检验该模型的预测性能。并将该模型的预测结果与未改进的3种方法(FOA优化的SVM、遗传算法(GA)优化的SVM和粒子群算法(PSO)优化的SVM模型)分别进行比较。结果表明:改进的FOA-SVM模型有较高的预测精度和较强的泛化能力,能够相对准确、高效地预测导水裂隙带高度。

基于混合核函数FOA-LSSVM的预测模型

支持向量机(SVM)的核函数类型和超参数对预测的精度有重要影响。由于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入果蝇优化算法(FOA)对最小二乘支持向量机(LSSVM)参数进行全局寻优,提出了混合核函数FOA-LSSVM预测模型。结果表明,该模型较传统方法在电力负荷预测精度上有了明显提高,预测结果科学可靠,在预测中具有良好的实际应用价值。

基于FOA的叠前反演方法

本文提出一种基于果蝇优化算法的非线性叠前反演方法,利用Schaffer函数F6进行算法性能测试,并对不同加噪百分比的模型数据利用果蝇优化算法(FOA)进行EI反演,提取相应的弹性参数,反演能够收敛到全局最优解。将此法应用于鄂尔多斯SLG地区实际二维数据,能够快速得到较稳定可靠的弹性反演参数,表明文中方法能够用于指示气层的横向变化。

基于FOA-SVM模型的输油管道内腐蚀速率预测

针对管道内腐蚀速率相关问题,采集某输油管道内腐蚀的实测数据,应用多元统计分析算法,在支持向量机(SVM)的基础上建立管道内腐蚀速率预测模型。采用果蝇优化算法(FOA)对预测模型进行优化训练,建立FOASVM预测模型,利用实测数据样本对模型的预测结果进行检验。结果表明:综合方差和均差分别为1.397×10-3和0.037 4,FOA-SVM预测模型相比灰色组合模型预测值和最小二乘支持向量机(LS-SVM)模型预计结果稳定性好、精度高,但是FOA-SVM预测模型训练时间较长,今后在提高模型预测效率上需要进一步研究。

FOAS收录开放存取期刊的影响力分析

外文开放存取期刊集成服务系统是一个基于用户服务角度的在线服务平台,它收录了海量的外文开放存取期刊资源,并对资源进行了深度挖掘和揭示。文章从学科分布和学术质量评价两个角度对FOAS集成的开放存取期刊进行了统计分析,进而揭示FOAS的学术影响力,为图书馆在数字资源采购方面提供参考。

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。

基于FOA-LSSVM混合优化的9Ni钢本构模型

针对单一具体的数学方程式模型难以准确描述9Ni钢材料整个热塑性加工过程中材料对外部参数的力学响应问题,在9Ni钢热模拟试验机压缩试验数据基础上,采用新的果蝇算法(Fruit Fly Optimization Algorithm FOA)对最小二乘支持向量机(LSSVM)模型惩罚因子c和核宽度λ进行寻优,构造了FOA-LSSVM混合优化的9Ni钢本构模型。模型预测值与实验值的对比结果表明:FOA-LSSVM9Ni钢本构模型具有良好的拟合性,能反映9Ni钢热加工过程中各个阶段的流变行为,其预测值与实验值之间的最大、最小、平均绝对百分比误差分别为6.21%、0.19%和2.64%;模型具有很高的预测精度和鲁棒性,可描述9Ni钢的高温流变力学行为。

伽利略搜救信号FOA和TOA精确估计算法

针对伽利略搜救系统中到达频率(FOA)和到达时间(TOA)高精度估计的需求,考虑到实际接收的信标信号中信息位宽未知的情况,提出了多维联合极大似然估计算法和体积重心算法相结合的FOA和TOA估计算法。在介绍信号模型的基础上推导了算法原理,给出了估计算法的具体实现过程。Monte Carlo仿真和实测结果表明,在34.8 dBHz的处理门限下,该算法得到的FOA和TOA估计的均方根误差分别小于0.03 Hz和9.5μs,优于0.05 Hz和11μs的系统指标要求。该算法目前已应用于伽利略中轨卫星地面用户终端(MEOLUT地面站)。

基于高德导航数据与FOA-GRNN模型的驾驶倾向性辨识方法

为提升汽车主动安全功能,研究了1种基于高德导航数据的低成本、高精度驾驶倾向性辨识方法。基于高德软件开发工具构建动态驾驶数据采集应用程序,并融入个人智能终端以实现对行车数据的实时采集、处理与网络化存储。通过驾驶员生理、心理测试和实车实验获取不同驾驶倾向性驾驶员在导航行驶过程中由时间、速度和加速度推演的驾驶行为信息,采用主成分分析法(PCA)提取驾驶倾向性主要因子,并将驾驶倾向分为激进型、普通型和保守型这3类。构建基于果蝇优化算法(FOA)和广义回归神经网络(GRNN)的高精度驾驶倾向性辨识模型,利用特征变量集对模型进行训练和验证。验证结果表明:该模型总体准确率可达94.17%,对激进型、普通型和保守型的驾驶倾向性的辨识精确度分别为95.06%,92.5%,94.93%;进一步对比发现,该模型比单一的GRNN模型总体准确率提高5%~10%,与现有基于惯性传感器数据和离散小波变换结合自适应神经模糊推理系统的方法相比,该方法更具实用性且模型总体辨识准确率提升了2.17%。

基于改进FOA-SVR的电网工程概算预测研究

为减少电网工程概算对于工程数据的依赖性并提高预测精度,构建了用于电网工程概算预测的改进FOA-SVR模型。通过灰色关联法进行工程样本数据筛选,将筛选后的数据导入SVR训练,并在标准FOA和自适应FOA的基础上,设置局部最优解跳出机制和飞行步长收敛模式,提出一种全局寻优能力和收敛效率均较高的改进FOA算法,寻找合适参数优化SVR模型。以某电力设计院2020年的30个电网工程架空线路为样本进行模型训练与概算预测,多次测试发现,模型能够稳定输出高精度的预测结果,且改进FOA算法参数寻优的效率较高,为电网工程概算的自动化计算和FOA算法的参数寻优应用提供了一定参考。

FOA-PID控制器在悬臂式掘进机截割头升降控制系统中的应用

为提高悬臂式掘进机截割头升降控制精度,在建立系统数学模型基础上,分别采用FA算法和FOA算法对PID参数进行优化,对FA-PID控制器和FOA-PID控制器控制性能进行仿真分析,并为了验证两种控制器实际控制性能进行了实验研究。得出结论:对于幅值为1 mm的阶跃信号以及不同频率的正弦信号,FOA-PID控制器响应性能均优于FA-PID控制器;FOA-PID控制器更能满足悬臂式掘进机对于截割头升降控制精度的要求。

基于IFOA-RotGBM的矿用挖掘机发动机故障诊断

针对矿山挖掘机发动机工作机理复杂、故障诊断效率低且精度不高的问题,提出了一种基于IFOA优化RotGBM的矿用挖掘机发动机故障诊断方法。首先利用随机森林-递归特征消除法(RF-RFE)对采集的挖掘机发动机故障数据进行特征提取,剔除冗余不相关特征;其次提出了一种改进的果蝇优化算法(IFOA)对LightGBM进行超参数寻优;然后融合旋转森林和LightGBM生成RotGBM,构建了新的故障诊断模型;最后利用某矿山挖掘机发动机故障数据对模型进行了验证,并与其他常用方法进行了性能对比分析。仿真结果表明:所提方法的诊断性能优于其他诊断方法,能达到98.31%的诊断精度,0.22%的误报率和2.5%的漏检率,满足矿山挖掘机发动机的故障诊断要求。

AS-FOA优化GRNN网络的财务预警研究

针对果蝇算法在复杂情况下寻优时易陷入局部最优等缺陷,提出一种自适应变步长果蝇算法(AS-FOA)。采用改进果蝇算法寻找GRNN网络最优参数,并利用财务数据进行危机预警以验证算法的可行性。AS-FOA算法通过赋予果蝇两次随机方向,同时引入稳定阈和适应度步长因子的概念,界定了果蝇的活跃与稳定状态,有效解决了寻优过程中因陷入局部最优而导致的收敛缓慢和低精度问题。实验表明:AS-FOA能够快速找到GRNN网络中的最佳参数,且应用于财务数据后达到的预警准确率较高。