基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF神经网络(Volterra neural network traffic flow model,VNNTF)交通流量混沌时间序列多步预测问题.通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra离散模型之间的关系,给出了确定交通流量Volterra级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;设计了交通流量Volterra神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF网络模型,Volterra预测滤波器和BP网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF神经网络的多步预测性能明显优于Volterra预测滤波器和BP神经网络.

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

交通流量小波神经网络多步预测研究

针对交通流量混沌时间序列多步预测的问题,提出了一种基于混沌机理的小波神经网络(WNN)快速学习算法。通过将混沌理论和小波分析相结合,建立了交通流量时间序列WNN模型;阐述了混沌学习算法的机理,设计了交通流量WNN混沌时间序列自适应学习算法。仿真试验结果表明,该算法的多步预测性能明显优于应用BP网络和非混沌算法的小波神经网络。

基于自适应VMD-Attention-BiLSTM的交通流组合预测模型

针对短时交通流量序列的非平稳性和随机性的特征,为提高短时交通流预测精度和收敛速度,提出一种基于自适应变分模态分解(VMD)和结合注意力机制层的双向长短时记忆网络(BiLSTM)的组合预测模型。首先,使用自适应变分模态分解将时空交通流量序列分解为一系列有限带宽模态分量,细化了交通流信息,降低了非平稳性,提升了建模的精确度;其次,利用结合注意力机制的双向长短时记忆网络挖掘分解后交通流量序列中的时空相关性,从而揭示其时空变化规律,从而进一步提升了建模精确度,并且利用改进Adam算法进行网络权值优化,以加速了预测网络的训练收敛速度;最后,将各模态分量预测值叠加求和作为最终交通流预测值。实验结果表明,使用模态分解的预测模型预测性能明显优于未使用模态分解的预测模型,同时自适应VMD-Attention-BiLSTM预测模型相较于EEMD-Attention-BiLSTM预测模型,均方根误差降低了47.1%,该组合预测模型提升了预测精度,并且能够快速预测交通流量时间序列。

基于FEEMD-SAPSO-BiLSTM组合模型的短时交通流预测

为了提高短时交通流的预测精度和预测速度,基于交通流量序列的不平稳性和随机性,提出了快速集合经验模态分解(fast ensemble empirical mode decomposition, FEEMD)和自然选择自适应变异粒子群算法(selection adaptive particle swarm optimization, SAPSO)优化双向长短时记忆网络(bidirection long short-term memory, BiLSTM)相结合的预测模型。首先,利用FEEMD将原始不平稳的交通流量序列分解成多个较平稳的固有模态分量(intrinsic mode function, IMF)和残差分量(resdiue, Res),并滤除掉噪声部分,提高建模精度;其次,引入复合多尺度排列熵(composite multiscale permutation entropy, CMPE)检测交通流量子序列的随机性并根据随机性的相近程度对其进行聚类重组,简化模型的构建,提高预测精度;然后,对重组后的子序列使用BiLSTM进行预测,并利用SAPSO优化BiLSTM的权值和阈值,进一步提高组合模型的预测精度和预测速度;最后,将各子序列预测值叠加得到最终的预测值。实验结果表明,FEEMD-SAPSO-BiLSTM组合模型的均方根误差比FEEMD-PSO-BiLSTM和SAPSO-BiLSTM组合模型分别降低了22.9%和54.3%,收敛速度方面,FEEMD-SAPSO-BiLSTM明显快于FEEMD-PSO-BiLSTM模型。因此在预测短时交通流上,提出的组合模型提高了预测精度和预测速度,达到了期望的预测效果。

基于EEMD-IPSO-LSSVM的交通流组合预测模型

针对短时交通流时间序列数据非平稳、非线性的特点,为提高短时交通流的预测精度和收敛速度,提出了一种基于集合经验模态分解(EEMD)和改进型粒子群算法(IPSO)优化的最小二乘支持向量机(LSSVM)的组合预测模型。首先,利用集合经验模态分解方法将短时交通流时间序列样本数据分解为多个本征模函数(IMF)和一个残差项(RES),细化了交通流量的信息,提高了建模的精确度;然后,对分解后的每个分量使用LSSVM并结合IPSO算法进行组合预测,通过选择不同的最优的支持向量机核函数,提高模型精度,通过IPSO算法提高预测效率;最后,将各分量预测值进行叠加作为最终交通流预测值。实验结果表明,EEMD-IPSO-LSSVM组合模型的均方根误差(MSE)比LSSVM模型和PSO-LSSVM模型分别降低了47.4%和24.6%,该组合模型提高了预测精度,并且能够快速地预测交通流时间序列。

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理,设计了交通流量Volterra神经网络的学习算法快速学习算法;最后利用交通流量混沌时间序列对VNNTF网络模型、Volterra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。

基于改进VMD-GAT-GRU的交通流量组合预测模型

针对短时交通流时间序列非平稳性、空间相关性和时间依赖性的特点,为提高短时交通流预测模型的预测精度和收敛速度,该文提出了一种基于改进的变分模态分解(VMD)、图注意力(GAT)网络和门控循环单元(GRU)网络的交通流量组合预测模型。首先,利用互信息熵(MI)改进的变分模态分解算法,将交通流量时间序列分解成一系列调幅调频信号子序列,降低了时序信号的非平稳性,提高后续预测模型的预测精度;然后,将其输入图注意力网络,捕捉路网邻近节点的交通流量对中心预测节点交通流量不同程度的影响,从而实现交通流量序列的空间相关性建模,进一步提高模型预测精度;接着,将交通流量分量子序列分别送入门控循环单元网络,捕捉其时间依赖性,并使用改进的RMSPRop优化算法迭代寻优,在提升优化算法收敛速度的同时提高了模型的预测精度;最后,结合各分量子序列的预测值,作为预测模型的最终输出。实验采用RTMC系统交通数据,结果表明,该文提出的改进VMD-GAT-GRU时空融合组合预测模型相较于LSTM、GCN和GAT基准模型,平均绝对误差(MAE)分别降低9.35、4.12、4.09,平均绝对百分比误差(MAPE)分别降低16.42%、7.32%、8.1%,优化算法的收敛速度和组合模型的预测精度均得到有效提升。

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.

基于MCM的多径非相关无线信道改进模型研究

为了改善瑞利衰落信道单径自相关统计特性,提出了一种改进的多径非相关无线信道仿真模型。该模型在蒙特卡罗法(MCM)的到达角(AOA)中引入多径因素k,改进了模型AOA的取值方法。通过对信道模型参数AOA、k、低频振荡器个数N以及均方误差(MSE)的仿真分析,结果表明,该模型在相关统计特性方面与参考模型相比具有极好的吻合性;与MCM相比,在实现开销相同的情况下,改进的新模型在最大允许时间间隔内,衰落信道单径自相关函数的MSE约为MCM的四分之一,精度有了明显的提高,能更加准确地描述无线信道。新模型为无线信道仿真器的设计、频率选择性信道的建模等提供了一种新的方法。

基于复小波变换和有效值算法的电压暂降检测方法

对电压暂降三大特征量即持续时间、相位跳变和幅值的准确检测是实现电压暂降有效补偿的前提。文中提出复小波变换和有效值算法相结合的电压暂降检测方法。详细研究了复小波变换奇异性检测原理及其在电压暂降起止时间检测中的应用,采用具有四阶消失距的复Gaussian小波(Cgau4)能准确检测电压暂降发生、恢复时刻和相位跳变,利用有效值算法实现电压暂降幅值的检测。通过在Matlab中对有无畸变情况下的的电压暂降问题建模仿真,验证了该算法的有效性,实验结果表明该方法能精确检测电压暂降三大特征量。

基于电液比例的加热炉步进梁控制算法研究

步进梁起着在炉内运送钢坯的作用,它由固定梁和移动梁构成。由于移动梁与钢坯的总重量达数百吨,对其实施速度和位移的精准控制非常困难。运钢过程中常出现2种情况:1)电液比例方向阀的中位死区特性以及整个液压传动机构的机械延迟导致系统响应延迟。2)在经过等高位后,移动梁托起钢坯使得负载阶跃式增加,液压缸运动的速度出现较大静差,无法跟踪给定。针对以上问题,给出了一种基于闭环的模糊滑模控制方法,在MATLAB环境下与PID控制、等效滑模控制进行了比较研究。结果表明,模糊滑模控制有效地克服了步进梁在PID或等效滑模控制中容易出现静差大及速度振荡等问题,同时也克服了系统的载荷扰动及液压系统本身油液非线性带来的系统参数不确定性的问题,使系统的动静态性能均得到了大幅度提升。

基于遗传算法与可拓神经网络的故障诊断

可拓神经网络是基于可拓理论和神经网络而设计的一种新的方法,它即充分利用了可拓学定性描述和定量描述的优点,又考虑了神经网络并行结构的特点。它由输入和输出两层可拓神经元构成,在每个输入神经元和输出神经元之间有两个连接权值。然后利用遗传算法全局搜索能力,对建立的可拓神经网络的权值进行优化,在优化过程中利用可拓神经网络输出的正确次数与可拓神经网络输入的样本总数的比值作为适应度函数,染色体根据物元的节域进行实数编码,计算出的可拓距离的最大值对应的物元与样本一致时,输出正确次数累加一次.算法终止条件为误差值达到要求。最后利用该方法开发了励磁系统的故障诊断系统,并对可控硅的缺相故障进行了成功的诊断。试验结果证明,该方法比传统的神经网络具有速度快,准确度高的特点。

不确定时滞分布参数系统的指数稳定性

文章通过构造恰当的Lyapunov泛函,利用线性矩阵不等式方法和其它不等式技巧对含有不满足匹配条件的不确定时滞分布参数系统进行了指数稳定性的研究,给出了系统指数稳定的充分条件,具体数值例子说明了该方法的有效性和适用性。

基于阀芯位移观测的步进梁速度闭环控制

步进梁由固定梁与移动梁构成。由液压缸驱动的移动梁托起数百吨重的钢坯做矩形运动,使钢坯在炉内加热过程中一步一步地自入炉侧向出炉侧移动。移动梁的运动速度和位移精度非常重要,速度控制不准,移动梁托起或放下钢坯时会发生碰撞损伤步进梁。位移控制不准会造成误差积累,导致钢坯不能正常出炉。因此,步进梁运动速度和位移的准确控制至关重要。文章在分析研究步进梁系统工作原理及数学模型的基础上,采用状态观测器对阀芯位移进行重构,设计了阀芯位移与移动梁速度双闭环串级控制系统,并利用Matlab/Simulink进行了仿真研究。结果表明,与开环控制、单闭环控制相比,双闭环串级控制策略可实现速度的准确跟踪和位移的准确控制。

基于低阶自适应模型及时滞补偿的单晶硅直径控制研究

直拉单晶硅直径与功率之间是一个复杂的四阶振荡系统,并有一定的惯性滞后,因此,使用常规方法控制该系统不能获得满意的性能.采用自适应降阶模型加时滞环节拟合复杂高阶系统,并进行时滞补偿控制.仿真结果表明:带有时滞环节的自适应降阶模型具有良好的自动拟合复杂系统及时滞补偿能力,使得直径控制系统具有良好的动静态性能.

注塑成型过程模具变形量的测量与有限元分析研究

注塑成型质量和精度一直是注塑工艺研究的重要方向之一,除工艺参数对零件成型效果的影响外,成型过程中注塑模具的变形也是影响注塑精度的重要因素。使用应变电测法测量了模具应变。在测量实验中,结合有限元理论并利用Hs CAE和ANSYS Workbench软件仿真分析了型腔和型芯的变形情况,以仿真结果确定了模具表面测量点的位置,从单个成型周期内不同测量点的变形量得出了定模长侧壁外侧自由边中点(测量点A)和动模长侧壁外侧中心(测量点B)的应变受开合模振动冲击和锁模力的影响较大,而动模模板底部中心(测量点C)的应变受型腔内熔体充填和保压过程的影响较大,进而分析并得出了不同保压压力下测量点C的应变情况。

改进粒子群算法优化的SVM模拟电路故障诊断

针对粒子群(PSO)算法优化支持向量机(SVM)参数存在容易陷入局部最优的问题,通过引入新的动态惯性权重、全局邻域搜索、收缩因子和遗传算法中的变异操作,提出了一种基于改进粒子群(IPSO)算法优化SVM参数(IPSO-SVM)的改进型分类器。采用UCI机器学习库中的公共数据集Iris、Wine和seeds来测试其分类效果,结果表明IPSO-SVM分类器在分类准确率和分类时间上优于GS-SVM、AFSA-SVM、GA-SVM和PSO-SVM分类器。最后,将IPSO-SVM分类器应用于Sallen-Key带通滤波器、四运放双二次高通滤波器及非线性整流电路的故障诊断中,结果表明IPSO-SVM分类器具有较强的全局收敛能力和较快的收敛速度。