A passive optical network based on optical code division multiplexing and time division multiple access technology

A passive optical network （PON） scheme based on optical code division multiplexing （OCDM） for the downstream traffics is proposed and analyzed in detail. In the PON, the downstream traffics are broadcasted by OCDM technology to guarantee the security, while the upstream traffics pass through the same optical fiber by the common time division multiple access （TDMA） technology to decrease the cost. This schemes are denoted as OCDM/TDMA-PON, which can be applied to an optical access network （OAN） with full services on demand, such as Internet protocol, video on demand, tele-presence and high quality audio. The proposed OCDM/TDMA-PON scheme combines advantages of PON, TDMA, and OCDM technology. Simulation results indicate that the designed scheme improves the OAN performance, and enhances flexibility and scalability of the system.

基于参数自适应SVR和VMD-TCN的水电机组劣化趋势预测

针对水电机组难以利用实时监测数据对机组劣化状态进行有效评估,以及水电机组不同运行工况对运行状态指标趋势预测模型参数影响显著的问题,提出一种基于参数自适应支持向量回归机(SVR)、变分模态分解(VMD)和时间卷积网络(TCN)的水电机组劣化趋势预测方法;首先按照功率和水头将机组运行工况细化为若干典型工况,在此基础上采用改进天鹰算法建立SVR模型,对各个工况下的预测参数进行寻优,建立起工况与最优参数的数据;再通过神经网络对工况和最优预测参数进行拟合,构建出映射两者复杂关系的非线性函数,然后将构建出的映射关系加入到传统的SVR中,实现适应于水电机组工况变化的自适应SVR健康模型;其次,根据健康模型输出的标准值和监测数据,计算出劣化趋势序列;最后,考虑到劣化趋势序列的非线性因素,建立了一个基于VMD-TCN的时间序列预测模型,以实现对劣化趋势的准确预测。并设计多组对比实验,验证所提出模型的精度更高,时间更快。

基于VMD-TCN-GRU模型的水质预测研究

为充分挖掘水质数据在短时震荡中的变化特征,提升预测模型的精度,提出一种基于VMD(变分模态分解)、TCN(卷积时间神经网络)及GRU(门控循环单元)组成的混合水质预测模型,采用VMD-TCN-GRU模型对汾河水库出水口高锰酸盐指数进行预测,并与此类研究中常见的SVR(支持向量回归)、LSTM(长短期记忆神经网络)、TCN和CNN-LSTM(卷积神经网络-长短期记忆神经网络)这4种模型预测结果对比表明:VMD-TCN-GRU模型能更好挖掘水质数据在短时震荡过程中的特征信息,提升水质预测精度;VMD-TCN-GRU模型的MAE(平均绝对误差)、RMSE(均方根误差)下降,R^(2)(确定系数)提高,其MAE、RMSE、R^(2)分别为0.0553、0.0717、0.9351;其预测性能优越,预测精度更高且拥有更强的泛化能力,可以应用于汾河水质预测。

一种基于改进门控循环单元的叠前时变子波提取方法

子波的精确提取是地震勘探后续反演与成像的前提,针对传统时变子波提取方法受到的各类假设限制,且需分别提取子波振幅谱与相位谱的问题,本文提出了一种基于改进门控循环单元(GRU)网络的叠前时变地震子波提取方法.根据实际叠前地震数据分布特征与非平稳性质,本方法首先建立非平稳地震记录与添加随机噪声的时变子波训练数据集;为对提取出的时序特征进行拓展,提升传统GRU网络对长时序列的处理能力,本方法搭建起含多层GRU模块与全连接神经网络的改进门控循环单元网络模型;利用建立的训练数据集对网络模型进行训练使网络具备提取时变子波的能力;为提高训练效率与提取精度,本方法在训练的反向传播过程中应用自定义WaveLoss损失函数衡量误差,最终实现叠前时变子波的估计.经合成数据仿真实验与不同方法对比验证,本文提出的叠前时变子波提取方法具有更高的准确度;经对中国西部不同地区实际叠前地震资料处理与反褶积验证分析,该方法可有效提高目标区叠前地震剖面分辨率.

基于门控循环单元网络的钻井井漏智能监测方法

井漏是钻井过程中常见的钻井风险,若对该风险发现、处理不及时,极易导致井塌事故,轻则延长施工周期,重则危害现场人员人身安全。为了提高油气井钻井过程中井漏风险识别的准确性,降低风险识别对人为经验的依赖,结合钻井参数的非线性以及长时依赖特征,提出了一种基于门控循环单元(Gated Recurrent Unit,GRU)网络的井漏风险智能识别方法。该模型以池体积、出口流量和立管压力作为监测参数构建GRU网络,能够提取监测参数的时间序列特征,以实现对井漏风险的准确识别。利用现场实测钻井数据对模型进行了实验测试,结果表明,该方法对井漏风险的识别准确率达到了90.1%,优于长短期记忆网络的识别结果。

基于数据-模型混合驱动的电力系统机电暂态快速仿真方法

数据驱动建模方法改变了发电机传统的建模范式,导致传统的机电暂态时域仿真方法无法直接应用于新范式下的电力系统。为此,该文提出一种基于数据-模型混合驱动的机电暂态时域仿真(data and physics driven time domain simulation,DPD-TDS)算法。算法中发电机状态变量与节点注入电流通过数据驱动模型推理计算,并通过网络方程完成节点电压计算,两者交替求解完成仿真。算法提出一种混合驱动范式下的网络代数方程组预处理方法,用以改善仿真的收敛性;算法设计一种中央处理器单元-神经网络处理器单元(central processing unit-neural network processing unit,CPU-NPU)异构计算框架以加速仿真,CPU进行机理模型的微分代数方程求解;NPU作协处理器完成数据驱动模型的前向推理。最后在IEEE-39和Polish-2383系统中将部分或全部发电机替换为数据驱动模型进行验证,仿真结果表明,所提出的仿真算法收敛性好,计算速度快,结果准确。

基于COMGRU的AUV航路轨迹预测方法

针对采用神经网络预测自主水下机器人航迹存在滞后性的问题,本文提出一种基于信息压缩的改进门控循环神经网络,用于水下自主机器人航路多步轨迹预测。该算法将水下自主机器人航行轨迹附近的障碍物位置信息、海流信息以及时空轨迹信息共同构成的地理位置信息进行数据压缩处理,作为本文预测网络的输入,以提高网络训练效率。实验验证该算法减少了水下自主机器人航迹多步预测的滞后性且具有较高的准确率。

基于改进浮动单元的城市职住平衡时间尺度估计——以广州市为例

已有研究对城市职住平衡的测度往往存在可塑性面积单元问题,且忽略了交通网络在职住联系中的媒介作用。提出一种改进的浮动单元法,构建基于道路和城市轨道交通网络的数据集,以时间为职住分析尺度生成浮动单元,运用手机信令数据对职住平衡进行测度。以广州市为例,对就业中心和居住区的职住平衡时间尺度进行估计。研究发现:广州市中心城区职住平衡时间尺度分布呈圈层式空间特征,职住平衡时间尺度从一级就业中心向外围先减小再增大;城市轨道交通缩小了就业中心的职住平衡时间尺度;一级、二级(不处于一级就业中心的辐射范围内)和三级就业中心的职住平衡时间尺度分别为32~40 min、14~28 min和10~20 min,而居住组团的职住平衡时间尺度主要依附于就业中心且受到城市轨道交通的影响。最后,提出在合适的时间尺度下对职住空间结构进行评估和优化住房和就业等资源配置,并重视城市轨道交通对职住空间结构的影响。

基于运行效率分布差异的水电机组劣化状态趋势预测

为解决水电机组劣化状态难以刻画及预测精度低的问题,需深入探究不同机组状态下运行效率的分布差异特性,提出了一种基于运行效率分布差异的水电机组劣化状态趋势预测方法。首先,综合考虑水电机组工况(水头、流量)与效率之间映射关系和状态监测数据随机性,利用高斯混合模型拟合多工况下机组健康状态运行效率的概率分布特性;在此基础上,计算观测样本在机组健康状态分布下的负对数似然概率,并以此作为水电机组劣化状态指标,表征观测样本与机组健康状态标准分布之间的偏差;进一步采用非因果原理和高斯误差线性单元,分别改进时间卷积网络(TCN)的膨胀卷积模块和残差模块,并融合门控循环单元(GRU),设计并构建水电机组劣化状态预测模型;最后,利用某水电站#6机组实际运行监测数据开展方法验证。结果表明,所提方法能有效提升机组劣化状态趋势预测精度。

基于非侵入式负荷分解的家庭负荷两阶段超短期负荷预测模型

精细化负荷预测为制定家庭新型需求响应策略或能效管理模式提供了可靠的指导信息与理论基础,而负荷监测系统的广泛研究与发展为家庭设备层的负荷预测提供了有力的数据支撑。基于家庭负荷智能电能表集中数据,该文提出一种集分解-预测一体化的家庭负荷两阶段超短期负荷预测方法。该方法第一阶段提出了基于卷积神经网络(CNN)和双向门控单元(BiGRU)神经网络的非侵入式负荷分解(NILM)模型,解决了目前深度分解模型中特征提取不充分、分解精度低等问题。第二阶段构建了基于时间模式注意力机制(TPA)的时间卷积神经网络(TCN)负荷预测模型,深度挖掘NILM分解数据、集中负荷数据及日期特征等输入变量的深层交互信息,实现家庭设备层的负荷预测。算例部分通过UK-DALE数据集对所提方法进行验证,结果表明,该方法能够获得较高的分解精度和预测效果,为家庭负荷预测提供了良好的条件。

基于焦点损失的ATCN-GRU语音情感识别

为了改善RNN的空间信息丢失和CNN忽略时序信息的问题,引入了时间卷积网络TCN,将上述网络与双向门控循环单元Bi-GRU以及注意力机制组合构建了声学模型ATCN-GRU来进一步提高语音情感识别的性能,并通过加入焦点损失改善EMODB和IEMOCAP数据库训练样本不平均导致的识别结果不均衡问题。首先,通过TCN残差块从手工提取的特征中选取最具有代表性和鲁棒性的特征;其次,利用Bi-GRU模型学习语音样本的上下文相关信息,并利用注意力机制学习模型的输入序列与输出序列之间的关联程度,从而给予有效信息更多关注;最后,通过Softmax层对情感进行分类。相较于前人的研究成果,模型ATCN-GRU取得了更好的识别性能:在CASIA、EMODB以及IEMOCAP三个数据库上分别取得了88.17%、85.98%和65.83%的平均准确率;引入焦点损失后,EMODB和IEMOCAP数据库上的平均准确率分别达到了86.26%和66.30%。

基于ResNet-TSM和BiGRU网络的移动视频感知质量评价模型

考虑到卡顿、质量切换、内容特征等因素对用户体验质量的影响都会直接体现在客户端的失真视频里,提出了一种客户端的移动视频感知质量评价模型。该模型无须对每种影响因素均进行表征和度量,而是基于深度特征提取+回归的思路,直接建立失真视频与平均意见分数之间的映射模型。首先,构建了ResNet-TSM网络结构,提取失真视频片段的深度时空特征;为了避免维度灾难,采用LargeVis算法对提取的深度特征进行降维,同时提升特征的表达与区分能力。然后,采用双向门控循环单元网络对视频的长时间依赖关系进行建模,得到各视频片段的打分,再利用时间平均池化方法将各片段分数进行聚合,得到整个视频的打分结果。在WaterlooSQoE-Ⅲ和LIVE-NFLX-Ⅱ数据集上的实验结果表明,提出的模型可以获得更高的预测精度。

基于CNN-GRU神经网络的锂电池SOH估计与RUL预测

随着近几年新能源汽车市场的蓬勃发展,消费者对锂电池的电池性能和储能系统的整体要求逐步提升。锂电池作为新能源汽车的重要组成部分,对新能源汽车品牌的经济性能具有重要影响。针对锂电池健康状态(State Of Health,SOH)估计与剩余有效工作时间(Remaining Useful Life,RUL)预测无法直接测量,为了攻克在线准确测量的难题,提出基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit,CNN-GRU)的锂电池SOH估计与RUL预测方法。运用Python编程语言在TensorFlow框架下搭建CNN-GRU神经网络,利用GRU长时间记忆能力与CNN避免了对数据的复杂前期预处理,采用NASA开放实验数据测试,经过实验结果对比,基于CNN-GRU神经网络的估算模型相对于BP、CNN、GRU单独神经网络模型拥有更高的计算精度,以及更稳定的预测结果。

基于翻转网络的低相关性序列数据预测研究

在某些实际应用中,通常不存在与被预测时间变量具有高相关性的其他维度变量,或者这些维度变量难以采集。而具有较低相关性的时间序列数据普遍存在,其对于数据预测具有更重要的意义。提出一种基于注意力翻转网络的低相关性多维时间序列数据预测模型。针对低相关性时序数据具有相关性随时间而变化的特点,引入批处理滑动窗口以摆脱时间变化带来的干扰,更好地捕获维度相关性。针对传统门控循环单元(GRU)网络大量丢弃低相关性样本的问题,建立翻转GRU网络对低相关性多维数据进行初次过滤,控制多维数据在网络中的传递数量,避免维度变量因相关性较低而被丢弃,提升相关性较低的多维数据在模型中的存活时间。同时,利用基于维度的注意力机制自适应调整不同维度序列在相关性提取过程中的重要性。建立平方长短期记忆(LSTM)网络对分配权重后的数据进行拟合,更细致地确定相关性对被预测参数的影响。实验结果表明,该模型的决定系数可达0.95,预测性能优于GRU、LSTM等传统神经网络模型。

基于多传感器信息融合和CNN-BIGRU-Attention模型的液压防水阀故障诊断方法

在建筑工程领域,尤其是在工程搅拌设备中,涉及到复杂液压工作介质,液压防水阀往往会出现不同程度的故障。此外,恶劣的工作环境和复杂的噪声背景使得对液压防水阀的故障进行诊断变得困难。为了解决这一难题,提出了一种基于多传感器信息融合和卷积神经网络-双向门控循环单元-自注意力机制(CNN-BIGRU-Attention)模型的防水阀故障诊断方法。首先,考虑到单一传感器振动信号难以充分表达故障特征,该方法使用了3个传感器采集含噪声的振动信号,并进行了必要的预处理;其次,提取了信号的16个时域特征、5个频域特征以及3个时频域特征,并利用熵权法进行了特征融合,达到了增强特征的目的;然后,将融合的多维特征集输入到CNN-BIGRU-Attention模型中进行了特征识别;最后,利用实际的液压防水阀故障诊断实验,验证了该方法的有效性。研究结果表明:采用多传感器提取的特征更为全面,信息融合有助于捕捉更完整的隐藏数据特征,从而显著提高诊断的准确率;相较于其他特征识别方法,采用CNN-BIGRU-Attention模型的液压防水阀故障诊断准确率可分别提高6.7%、4.6%和14.2%,达到了96.86%,证明了该方法的有效性。该方法将先进的机器学习技术与实际工程应用相结合,为建筑工程问题提供了一种新颖、有效的解决方案。

基于时空图卷积网络的高速路交通流多步预测

针对图卷积网络容易限制模型在交通流预测上有效的学习时空依赖问题,文中提出了一种时空图卷积循环网络(ST-GCRN)模型,首先通过时间卷积层以消除冗余的时间信息,其次,将图卷积网络与改进的门控循环网络相结合以获取时空依赖,最后通过加入残差的编解码结构解决模型训练梯度消失等问题,从而提高预测准确率,实现多步预测。在加利福尼亚州高速公路数据集上进行了实验,结果表明,该模型的平均绝对误差与均方根误差对比基准模型分别减少了11%、7.5%。

基于CNN BiGRU RF模型的TBM掘进参数预测研究

作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神经网络(CNN)优化的双向门控循环单元(BiGRU)神经网络并通过随机森林(RF)进行集成的TBM掘进参数预测模型,实现对TBM掘进参数的预测。研究结果表明:选取与总推力和推进速率关联度最密切的刀盘转速、刀盘扭矩和贯入度作为特征参数;构建的CNN BiGRU RF模型预测掘进参数对总推力和推进速率的拟合优度R 2均值分别为0.950和0.966,均方误差MSE平均值分别为0.750和0.782,均方根误差RMSE平均值分别为0.866和0.885,平均绝对误差MAE平均值分别为1.054和1.007,并且回归评价指标MSE、RMSE、MAE相较于CNN BiGRU模型,分别降低2.497、0.966和0.386,R 2提升23.4%,证明CNN BiGRU RF模型的预测准确度和泛化性最高。该研究可为实际工程掘进参数预测提供指导,有助于推动TBM在煤矿的推广,保障TBM的施工进度。

基于改进时序胶囊网络的油藏生产动态分析模型

我国许多油田的主力开发区块已逐渐进入高含水期,地下油藏复杂,含水量逐步上升,产油量下降。提高对现阶段油田开发生产规律和开采状况的准确认识,对研究油田生产动态变化规律以及制定油田开发策略具有重要意义。针对油田生产动态变化规律的问题,本文提出一种基于改进时序胶囊预测的油藏动态分析模型。首先,应用双向门控循环单元来捕捉油田数据中的时序特征,提升模型对时序信息的建模能力;其次,用多头注意力深度卷积层捕捉初级时序特征信息,高效地提取序列的长距离依赖关系和复杂特征表示;最后,在动态路由算法中引入注意力机制,让高级胶囊更好地关注重要特征,从而提高信息传递的效率和准确性。为验证本文模型有效性,将油田的时序数据作为输入,通过改进胶囊网络模型输出预测日产油量。将改进的胶囊网络与ResNet、LeNet5等9种模型进行对比。实验结果表明,改进后的胶囊网络的预测精度更高,可达到94.5%。

25G ONU光模块的高速性能设计与实现

优化光模块的发射光信号眼图性能和接收信号灵敏度是提升高速光网络单元(ONU)光模块传输链路预算的关键所在。设计了一种具备高速性能的25G ONU光模块,首先深入研究了高速信号线走线阻抗不连续点的处理技巧和印刷电路板(PCB)打孔工艺设计对传输信号线带宽性能的影响机制,然后调整参考叠层结构、优化过孔工艺方式,最后对其进行高速信号仿真试验分析。测试结果表明:所设计的模块不仅全面满足发射眼图性能和接收灵敏度的指标要求,而且其性能余量远超IEEE802.3ca协议标准。

结合卷积和轴注意力的光流估计网络

现有的光流估计网络为了获得更高的精度,往往使用相关性成本量和门控循环单元(gate recurrent unit,GRU)来进行迭代优化,但是这样会导致计算量大并限制了在边缘设备上的部署性能。为了实现更轻量的光流估计方法,本文提出局部约束与局部扩张模块(local constraint and local dilation module,LC-LD module),通过结合卷积和一次轴注意力来替代自注意力,以较低的计算量对每个匹配特征点周边区域内不同重要程度的关注,生成更准确的相关性成本量,进而降低迭代次数,达到更轻量化的目的。其次,提出了混洗凸优化上采样,通过将分组卷积、混洗操作与凸优化上采样相结合,在实现其参数数量降低的同时进一步提高精度。实验结果证明了该方法在保证高精度的同时,运行效率显著提升,具有较高的应用前景。