基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标。实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持。

基于QPSO的震动传感器片上相位补偿器设计方法

震动传感器的系统相位非一致性会对地震波到时时差提取产生很大的误差,严重影响震源定位精度;针对这一问题,提出了一种基于量子粒子群优化算法(QPSO)的震动传感器片上相位补偿器设计方法;首先对震动传感器进行相位标定,获得传感器与参考传感器的相位差;其次设计基于QPSO算法的相位补偿滤波器对相位差进行修正,使其无限趋近于0;最后,将相位补偿滤波器封装成FPGA软核部署于FPGA上,完成对震动传感器的相位片上实时补偿;为了验证该方法的性能,将相位补偿滤波器部署于自研的多通道震动信号采集系统上,对8个相同型号震动传感器进行相位一致性校准;试验结果表明,在震动传感器频响范围内,该方法可以将2.5°内的传感器相位差实时修正至0.004 4°以下,实现了震动传感器阵列的相位一致性实时校准;该成果在地下浅层震源定位领域具有较强的应用价值。

基于QPSO的密闭空间混叠冲击波的分离解算方法

针对在密闭空间中爆炸产生的冲击波导致混叠冲击波对内壁毁伤较为复杂的问题,提出一种分离混叠冲击波的解算方法。通过正演模拟分析密闭空间内混叠冲击波对内壁面的毁伤,得到壁面上的冲击波是多次混叠的。建立独立冲击波的全波形模型,并采用量子粒子群优化(QPSO)算法,对多次混叠冲击波进行分解和拟合。QPSO算法拟合出独立的冲击波,其仿真结果相较于遗传算法,均方根误差从0.2506降至0.1216,平均相对误差从0.1079%降至0.1059%。

基于DIR-QPSO的弹丸落点定位声阵列优化布设方法

为了满足有限测点下声阵列定位精度提升的需求,提出了基于双种群量子粒子群(dual-group interaction quantum particle swarm optimization, DIR-QPSO)联合到达时差定位技术(time difference of arrival, TDOA)的单基站声阵列拓扑结构优化布设方法。首先,将声阵列中的声传感器作为粒子,利用Logistic混沌模型全局遍历性的优势初始化种群;其次,利用双种群之间信息共享优势,消除迭代过程中陷入局部最优点;再次,以TDOA模型构建适应度评价函数,得到声传感器最优布设位置;最后,通过仿真验证,得到优化后的声阵列拓扑结构。仿真结果表明,与传统六元正四棱锥阵列及QPSO优化后的阵列相比,方法将几何精度因子减小至1.351 8 m,克拉美罗下界减小至0.481 7 m,均方根误差减小至0.556 4 m。最后进行实验对比验证,实验结果表明,提出的单基站阵列具有更高的定位精度,极大提升了弹丸落点定位精度。

基于QPSO-BP神经网络的数学学科质量评价模型

为降低BP神经网络初始权值和阈值随机选取导致的评价误差,在BP神经网络中融合QPSO算法构建数学学科质量评价模型。以19个学科质量评价二级指标为范围,基于主成分分析法提取关键指标成分,并计算二级指标贡献率,数据降维后选出累计贡献率不低于85%的指标,输入BP神经网络模型;采用QPSO算法优化BP神经网络初始权值和阈值,更新了粒子位置,考虑了当前粒子局部最优位置与全局最优位置,引入“粒子平均最优位置”,强化了粒子之间的相互作用,同时利用权重系数平衡了粒子收敛能力;由此构建QPSO-BP数学学科质量评价模型,可将数学学科质量评价的效果划分为优秀、良好、中等、较差4个等级。实验结果显示,融合QPSO算法的数学学科质量评价模型可将累计贡献率达到85%的指标保留下来,且评价误差均低于预设误差0.01。该模型收敛性能较好,得出的数学学科质量评价结果符合实际情况,避免人为主观随意性,为数学学科建设提供了有效的质量反馈。

融合DWA和QPSO算法的USV动态局部路径规划算法

针对无人水面艇(USV)在动态环境中的局部路径规划问题,传统的动态窗口法(DWA)把速度集合离散化处理求取最优速度,计算量大且速度分辨率对动态路径规划的影响大。基于此,论文提出了融合DWA和量子粒子群算法(QP-SO)的USV动态局部路径规划算法。首先论文在分析初始DWA的基础上,考虑国际海事规则和船舶机动性能等方面要求,建立融合避碰规则的动态窗口模型。然后在速度窗口中融入QPSO方法,将USV动态局部路径规划问题转化为多目标多约束优化问题。最后仿真验证了融合算法能够使USV在约束和规则下,获得最优的速度和航向,安全与目标船完成会遇,且运行效率更高。

基于QPSO-FCM算法的中智学图像分割算法研究

图像分割被认为是图像处理中的一个重要步骤。模糊c-均值聚类(FCM)是图像分割的常用方法之一。为了克服模糊c-均值聚类算法容易陷入局部最优的不足,该算法在中智学理论的基础上将模糊c-均值聚类和量子粒子群算法相结合。首先,根据中智学模糊理论将图像转换成中智图像,然后通过α均值、图像增强算法对中智图像进行预处理,最后用QPSO-FCM算法进行分割。在实验中,自然图像以及医学图像都被用来验证这些方法,无论图像是否加入噪声,相比于其他算法,其分割边界都较为清晰。

基于QPSO-ELM-KF的电力系统短期负荷预测

为保证日常电力系统的正常运行,满足其生产活动安排、电力经济调度以及电网安全分析的要求,必须要进行电力系统短期负荷的预测。为提高预测精度和稳定性,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)与卡尔曼滤波(KF)相结合的电力系统短期负荷预测模型。该模型首先通过ELM预测各时间点的电力负荷值,其中,根据QPSO算法本身的特性以及在参数寻优方面的优势,利用其对ELM网络结构中输入层-隐含层的权值和隐含层的阈值进行寻优;然后,利用KF算法将得到的预测值做进一步的更新和优化,从而得到各时刻的最优估计值,最终以实现对短期电力负荷的精准预测。实验表明,使用QPSO-ELM-KF预测模型进行短期电力负荷预测,预测精度有进一步的提高。

基于QPSO-LightGBM网络资产脆弱性评估模型

为有效减少网络安全事件造成的损失,并对高风险网络资产进行漏洞评估,提出了一种基于量子粒子群轻量级梯度升降算法(QPSO-LightGBM:Quantum Particle Swarm Optimization-Light Gradient Boosting Machine)的多分类预测模型。该模型通过对少量过采样技术(MOTE:Minority Oversampling)进行合成从而达到数据平衡,采用量子粒子群算法(QPSO:Quantum Particle Swarm Optimization)实现参数的自动最优化,并使用LightGBM进行建模,进而实现网络资产的多分类预测。为验证模型的有效性,将所提模型与其他算法模型进行了比对,实验结果表明,该模型在各类预测性能指标上都取得了较好的效果。

基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法

为了提高SVM分类精度与泛化能力,故提出一种基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法.用量子粒子群算法(quantum particle swarm optimization,QPSO)对SVM进行惩罚因子和核函数参数优化,并针对QPSO算法出现的早熟收敛的问题,采用Levy飞行策略与自适应变异因子对其进行修正.实验仿真结果表明,与其他的智能优化算法相比,所提出的模型具有较高的分类性能和预测精度.

一类碰撞振动系统混沌运动的QPSO-RBFNN控制

针对难以建立精确数学模型时的碰撞振动系统混沌运动控制问题,提出一种采用QPSO算法优化RBFNN的参数反馈混沌控制方法。利用分岔图、Lyapunov指数谱图、Poincaré截面图和相图分析了混沌运动与系统特定参数条件间的关联关系及表现特征,基于RBFNN设计了参数反馈混沌控制器,并将最大Lyapunov指数作为加权项构建适应度函数,以引导QPSO算法优化控制器的参数并量化评价混沌控制效果。仿真研究中,进一步分析了QPSO算法的控制参数(即收缩扩张系数)对混沌控制效果的影响。

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。

基于QPSO优化ELM算法的井下快速定位方法研究

近年来,基于WiFi的井下人员定位算法受到了广泛关注,为进一步提高定位算法的速度和精度,提出了一种基于量子粒子群(QPSO)优化极限学习机(ELM)算法的井下人员快速定位方法。首先将优化的K均值聚类算法(K-means)引入定位流程,通过对位置指纹库进行聚类划分,降低单次识别需要的时间;其次利用QPSO算法优越的优化能力,提高ELM算法的定位精度,最终实现对井下人员的高效、准确定位。仿真实验结果表明,提出的基于量子粒子群优化极限学习机的井下快速定位方法,能够提高定位的精度和效率,具有较高的实用价值和工程意义。

多场景下基于AHP-EWM的人体健康状态评估模型研究

为解决人体健康评估方法个性化监测不足的问题以及在满足不同场景下健康状态精细化评估的需求,需要一种基于多场景的人体健康状态评估方法来实现长期自动化监测。提出一种基于层次分析法(AHP)和熵权法(EWM)组合的多场景人体健康状态评估模型。首先采集人体在运动、休息、工作/学习和娱乐等4种不同场景下的健康监测指标数据,构建相应的评估指标体系。然后分别根据评估指标计算出AHP和EWM权重,再采用量子粒子群优化(QPSO)算法对AHP和EWM中的主客观权重进行分配,以确保评价指标占比的客观性。最后通过模糊综合评价法对人体健康状态进行评估和量化,并利用实际监测数据对方法的可靠性和稳定性进行验证。实验结果表明,在4种场景下所提方法的综合得分分别为63.78、59.83、58.71和59.21,表明在不同场景下该模型都具有较好的准确性和稳定性。根据评估结果,对测试者的身体状态评价结果进行分析,并给出一些健康建议。所提模型可全面了解人体在不同场景下的健康状况,并为人们提供科学的健康指导,从而为健康管理和疾病预防提供科学依据。

基于多策略混合改进MVO算法的光伏多峰MPPT研究

光伏阵列的电功率输出在局部遮荫工况下具有多峰特性,且随外界环境的变化而变化.为实现高效电能输出,利用多元宇宙优化(MVO)算法在解决低维度、小规模优化问题中的突出优势进行最大功率点跟踪(MPPT),并融合多种策略对其存在的缺陷进行改进.采用拉丁超立方抽样策略初始化宇宙种群,并对按照轮盘赌策略随机交换的宇宙实施柯西变异,提高宇宙种群的多样性.同时引入莱维飞行式量子粒子群优化(QPSO)算法,且对虫洞存在概率及旅行距离率进行自适应调整,以增强算法的全局勘探及局部开发能力.Matlab仿真结果表明,相比其他算法,采用该算法的MPPT时间减少了45%以上,精度亦有所提高,从而具有更优的MPPT性能,可有效提高光伏发电效率.

基于CSI和FO-MKELM的室内定位方法

针对Wi-Fi指纹定位精度低、维护繁琐、训练成本大的问题,提出一种基于信道状态信息(CSI)和改进多元核函数极限学习机(FO-MKELM)的室内定位方法。首先在预处理阶段对CSI幅值差和重构相位信息进行融合,以减少环境噪声的影响;其次,在离线训练阶段,采用分段式量子粒子群算法(QPSO)为模型寻找最优参数,以提高定位精度和泛化性能;然后,为抑制环境改变对定位性能的影响,引入在线增量学习和遗忘机制,添加部分新增数据进行增量学习持续更新定位模型,并设置数据有效期遗忘过旧数据减少不良影响;最终,在在线预测阶段,将模型输出与标签库进行匹配获得更为准确的坐标。在空旷楼道和复杂实验室两种不同的环境下进行实验验证,该算法相比其他定位方法在定位精度和长期稳定性上都有所提升。

一种基于QPSO-RVM的模拟电路故障预测方法

提出了一种可应用于模拟电路故障预测的方法。通过提取被测电路的频域响应信号,计算皮尔逊相关系数,从而表征电路元件的健康度;在获取元件在不同时间点的健康度数据的基础上,推导出电路元件发生故障时的健康度阈值;将经量子粒子群算法优化的相关向量机算法用于故障预测,预测各个时间点的元件健康度变化轨迹并估计模拟电路的剩余有用寿命。该预测方法计算简单、通用性强,适用于实时预测。故障预测仿真实验与实例实验证明了方法的有效性与先进性。

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。

基于混合QPSO的LS-SVM参数优化及其应用

针对最小二乘支持向量机(LS-SVM)的参数寻优问题,提出一种基于混合量子粒子群算法(HQPSO)的LS-SVM参数选择方法,以提高LS-SVM模型的学习性能和泛化能力。该算法结合QPSO算法的全局优化能力和Powell的局部寻优能力,分别对粒子初始位置、新局部最优位置以及全局最优位置进行Powell局部寻优,提高求解速度和解的精确性。利用测试函数对该建模方法进行仿真测试,与PSO LS-SVM模型进行比较,并利用湿法炼锌净化过程现场数据进行工业验证。研究结果表明:HQPSO LS-SVM模型具有较好的泛化性能,模型预测精度高,预测结果满足工艺生产的要求。

基于QPSO算法的压气机特性代理模型优化

考虑到小样本特性数据情况下进行部件特性数据的二维线性插值精度低,提出一种基于量子粒子群优化(QPSO)算法的压气机特性代理模型优化方法。针对原始Kriging模型对其相关模型参数的初始值极度敏感以及易限于局部最优解的缺陷,利用QPSO算法对Kriging的相关模型参数进行全局寻优,克服了基于梯度的模式搜索法对于参数初始值的依赖,经测试该方法具有较好的效率以及稳定性。将该优化模型扩展应用于低压压气机特性代理模型建立与重构。经验证,在小样本特性数据下,基于QPSO的压气机特性Kriging模型仍具有较高精度,应用前景可观。