基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time,AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks,CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm,SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder,QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。

基于SSA-BP神经网络的车-轨-桥系统随机振动分析

轨道及桥梁结构参数随机性对车-轨-桥耦合系统的振动影响不能忽略。基于代理模型研究轨道-桥梁间3层弹簧刚度和弹簧阻尼以及桥梁刚度和阻尼的随机性对竖向车-轨-桥耦合系统动力响应的影响。首先,基于经典的车-轨-桥耦合系统力学模型(没有考虑桥墩),采用Monte-Carlo生成2 000个样本集,作为代理模型的训练集。然后,对比SSA-BP(麻雀优化BP算法)与传统BP神经网络、GA-BP神经网络(遗传优化BP算法)对车辆和桥梁响应的预测精度,同时探讨样本数量以及Levenberg-Marquardt和Bayesian Regulation训练算法对SSA-BP神经网络预测精度的影响。最后,假定各随机参数概率分布规律服从高斯型正态分布,所有随机参数变异系数均分为0.05、0.10、0.15、0.20、0.25等5个级别,采用所提出的SSA-BP神经网络研究轨道及桥梁的刚度和阻尼变化对车辆和桥梁响应极值的影响。结果表明:与经典的车-轨-桥耦合系统力学模型相比,所提出的代理模型具有更高的计算效率;SSA-BP模型对车辆和桥梁响应的预测精度高于GA-BP模型,GA-BP模型的预测精度高于传统的BP模型;SSA-BP模型采用Levenberg-Marquardt训练算法对车辆和桥梁响应的预测精度优于Bayesian Regulation训练算法的预测精度;道砟和桥梁之间弹簧刚度的随机变化对桥梁随机振动响应尤为明显;钢轨和轨枕之间弹簧刚度的随机性对车体响应的影响不可忽视,而桥梁刚度和阻尼随机性对车体的影响可不考虑。研究成果可为车轨桥系统随机振动响应预测进一步研究提供依据和参考。

基于SSA-BP近似模型的湿式制动器带排转矩参数CSO智能优化

针对湿式制动器在非制动工况下功率损失的工程问题,考虑摩擦副间隙内部的润滑油对摩擦副带排转矩的影响,运用麻雀搜索算法-反向传播(Sparrow Search Algorithm-Back Propagation,SSABP)神经网络的强大非线性拟合能力,以制动器空载工况为输入量、带排转矩为输出量,建立了湿式制动器近似模型;与传统的BP模型对比,该模型预测精度明显提高,更能满足实际工程的需要;同时,为获取最小带排转矩,采用鸡群优化(Chicken Swarm Optimization,CSO)智能算法对工况参数进行搜索寻优,得到湿式制动器的最佳工况。经试验测试验证,与优化前相比,优化后摩擦副间的带排转矩和功率损失有着明显降低。研究为湿式制动器结构的进一步优化提供了理论基础和工程实践经验。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于SSA-BP的爆破振动峰值速度预测研究

为了精准预测爆破振动峰值速度(PPV),有效降低爆破振动的危害,以星光一号露天矿山爆破工程为依托,选取爆心距、堵塞长度、最小抵抗线、炸药单耗、最大单孔装药量、总延期时间、最大单响药量等7个影响因素作为输入变量,采用灰色关联分析法评估各因素与PPV之间的相关性,构建麻雀搜索算法(SSA)优化BP神经网络的爆破峰值振速预测模型,对三向峰值振动速度进行预测,并与BP神经网络模型预测结果进行对比分析,得到SSA-BP神经网络模型预测结果的平均误差分别为6.08%、7.34%、1.91%,BP神经网络模型预测结果的平均误差分别为22.19%、54.01%、25.29%。研究结果表明:SSA-BP神经网络模型全面考虑了多种爆破设计参数对振动峰值速度的影响;麻雀搜索优化算法有效解决了传统BP神经网络模型容易陷入局部最优的问题,预测结果更精确,与振速监测值吻合度更高、误差更小;并且极大地缩短了样本数据的学习训练时间,加快BP神经网络预测模型的收敛速度,可为类似露天爆破工程质点峰值振速的预测提供借鉴。

基于SSA-SVM的道路事故预测模型

将道路事故特征因素和环境因素作为自变量,事故严重程度作为因变量,采用SVM构建道路事故预测模型,并使用SSA优化模型中的最优参数组合,最终建立基于SSA优化的SVM道路事故预测模型,模型预测准确率优于广义线性预测模型和BP神经网络预测模型。经过模型致因分析,得到三项对道路事故严重程度具有显著影响的自变量,分别为机非隔离形式、监控设施和最近交叉口交通组织形式,可作为道路交通安全管控的核心控制参数。

基于SSA-BP神经网络模型的全球入海径流量未来变化趋势

入海径流是水循环的重要环节,探究气候变化背景下全球入海径流量的时空变化特征,可为水资源合理利用提供依据。基于全球376条外流河逐月流量、ERA5-LAND再分析资料和10个全球气候模式,构建基于SSA-BP神经网络的降水径流关系模型,分析全球入海径流量在历史时期(1961—2020年)和未来(2021—2100年)3种情景(SSP1-2.6、SSP3-7.0和SSP5-8.5)下的时空变化特征。研究发现:(1)全球尺度上,1961—2020年,多年平均入海年径流量为37423 km^(3)。2021—2100年,全球入海年径流量在未来3种情景下均呈增加趋势,SSP1-2.6情景下趋势显著。与基准期相比,21世纪末期增幅最大。(2)洲际尺度上,历史时期,非洲入海径流量呈显著减少趋势,北美洲呈显著增加趋势。2021—2100年,亚洲、北美洲在3种情景下呈增加趋势,大洋洲呈减少趋势,其余各大洲情景间差异明显。(3)纬向分布上,历史时期,南北半球低纬度变化趋势不显著;北半球中纬度呈弱减少趋势,南半球中纬度呈显著减少趋势;北半球高纬度呈显著增加趋势。2021—2100年,从低到高排放情景,入海径流在北半球低纬度的增加趋势和在南半球低纬度的减少趋势愈发显著;北半球中高纬由低排放情景的显著增加转变为中高排放情景的显著减少;南半球中纬度在低排放情景下呈显著增加趋势,在中高排放情景下趋势不显著。

基于CMS-SSA-BP模型的混凝土碳化深度预测性能对比

为了提高SSA-BP模型的预测准确性,分别使用三类混沌映射序列(CMS)初始化麻雀位置,帮助SSA-BP模型跳出局部极值,从而提高解的质量。利用200组实际混凝土碳化深度试验数据作为运行数据,以黏接剂剂量、粉煤灰置换水平、水胶比、CO_(2)体积分数、相对湿度、暴露时间作为输入变量,混凝土碳化深度作为输出变量,分别运行2次后得出各项指标数值,对比分析三类CMS-SSA-BP模型各自的优化点。结果表明,经过混沌映射序列(CMS)优化的SSA-BP模型预测性能更佳,其中,Tent-SSA-BP模型的预测精度最佳,Logistic-SSA-BP模型的预测稳定性最佳,Sine-SSA-BP模型的收敛速度最快。

基于高斯烟羽模型和ISSA算法的油气站场泄漏检测研究

为提高油气站场泄漏检测的预测精度,降低事后处理带来的经济损失和环境污染,将高斯烟羽模型作为前向气体扩散模型,通过Circle混沌映射初始化麻雀种群,将蝴蝶算法加入麻雀发现者搜索策略中,随后利用算法实现质量浓度误差最小化的迭代计算,并从迭代次数、种群规模、网格尺寸和噪声强度等方面衡量其对反演结果的影响。结果表明,算法在时间算法复杂度上与SSA算法一致,优化后算法的全局搜索能力和局部开发能力增强;通过将地理坐标系转化为标准风向坐标系,简化了计算过程;在最大迭代次数100、种群规模100、网格尺寸0.5 m×0.5 m×0.5 m的设置下,当站场内存在2个监测点受噪声影响时,3个方向上泄漏位置的最大误差分别为1.37%、1.02%、9.70%,泄漏速率的最大相对误差为0.22%,符合现场定位检测的需求。研究结果可为油气站场完整性管理水平的提升提供实际参考。

基于改进SSA-BP神经网络的钠硫电池拆解刀具温度预测模型研究

钠硫电池中含有大量的高纯度钠,在自动化拆解过程中存在燃烧、爆炸等安全风险。针对钠硫电池在车削拆解时存在的安全性问题,提出一种改进SSA-BP神经网络算法来预测刀具加工的最高温度。利用ABAQUS软件计算出刀具加工的实时温度,通过电池拆解实验验证仿真数据的可靠性;然后以仿真温度数据建立样本,利用Tent混沌映射对SSA-BP神经网络算法进行优化,建立刀具温度仿真预测模型。实验结果表明:该仿真预测模型收敛速度快,鲁棒性强,模型误差小。

基于EMD-SSA-LSTM模型的城市轨道交通站点客流预测

文中基于EMD和SSA算法,对LSTM神经网络进行优化,提出一种新的组合预测模型.利用EMD算法降低数据噪点的干扰,将短时客流数据分解为多个IMF和一个残差.利用SSA算法优化LSTM网络的隐含层神经元个数、学习率以及迭代次数.利用优化后的LSTM模型对各个IMF进行预测,由各IMF的预测结果求和得到最终的预测值.利用杭州市客流量最大的站点火车东站客流量数据进行验证,并与BP神经网络、LSTM神经网络以及SSA-LSTM模型的预测结果相比较.结果表明:在针对工作日和非工作日的短时客流预测中,EMD-SSA-LSTM组合模型的预测误差均低于其他3种模型,且工作日与非工作日的预测值与真实值之间可决系数分别为0.9995,0.998,验证了本文提出的组合模型的有效性,并且提高了预测精度.

基于SSA-Hurst-ARIMA组合模型的船舶柴油发电机组故障特征短期预测

为提高船舶柴油发电机组故障特征短期预测精度,建立基于奇异谱分析(Singular Spectrum Analysis,SSA)、Hurst指数、自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)的组合预测模型。以某试验中船舶柴油发电机组运行数据为基础,选取增压器滑油压强数据,对比分析单一ARIMA模型、SSA主成分-ARIMA组合模型和SSA-Hurst-ARIMA组合模型的预测效果。结果表明,SSA-Hurst-ARIMA组合模型的预测效果优于单一ARIMA模型和SSA主成分-ARIMA组合模型,更适合应用于船舶柴油发电机组故障特征的短期预测。

基于SSA和AR模型的海面变化预测试验

以吴淞站1955-2001年月平均潮位序列为基础,采用奇异谱分析(SSA)与自回归模型(AR)相结合的方案(SSA+AR),进行了月平均潮位预测试验。基本思路是对SSA分析的结果选择若干有意义的分量进行序列重建,借助于自回归模型进行分量预测,再对它们进行叠加,从而建立预测模型。本文以1955-1996年数据为基础建立模型,1997-2001年数据作为验证,检验结果表明,两种方法的结合使用显示了较好的效果。

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。

基于SSA和MGF的海面变化长期预测及对比

海面变化预测受到建模思路、方法选择、数据长度及数据质量等因素的影响,导致了海面变化预测的不确定性。本文以国内6个验潮站自20世纪50年代以来的月平均潮位序列为基础,采用奇异谱分析(SSA)与均值生成函数(MGF)模型相结合的方案,以各站位最初20余年数据为基础建立预测模型,以后续年份的实测数据进行了多方案对比验证及检验。预测试验显示MGF模型具有较高的预测精度,并表现出较好的长期预测的稳定性特点。以SSA去噪序列为基础,应用MGF模型预测了各站位至2050年的月尺度海面值,年均值计算结果表明至2050年海面波动上升的幅度不超过20cm,海面变化速率同样表现出阶段性和波动性。与前人相关研究成果对比表明,本文所采用的SSA与MGF相结合的预测结果具有可比性,在方法原理和验证结果上看具有较好的长期预测潜力。

电液伺服系统非线性建模和SSA控制研究

以钢管生产过程中的扩轧管电液伺服系统为背景,分析了非对称比例(伺服)阀及其阀控制缸机构的非线性特性,建立了系统非线性数学模型以更加细致地描绘实际系统,并提出了基于一种子集稳定控制方法(SSA)的非线性控制策略。仿真控制和实际系统运行结果表明,该控制策略与常规PID控制相比,具有更好的系统响应性能,为解决工程实际问题提供了一种有用的工具。

基于SSA-BP算法的道路交通流量预测研究

由于交通车流量预测存在不定性、周期性、非线性的特点,传统预测算法受到函数逼近能力的影响,容易陷入局部最优问题.该文在麻雀搜索算法(Sparrow Search Algorithm,SSA)和BP(Back Propagation)神经网络算法(BP Neural Network,BPNN)研究的基础上提出一种交通车流量区间预测优化算法,即SSA-BP预测算法.该算法采用SSA算法来优化BP神经网络算法的初始权值和阈值,利用SSA算法寻优能力强、收敛速度快、稳定性高的特点,在一定程度上解决了BP神经网络算法对初始值依赖度高,易陷入局部最优的问题.通过仿真实验,将改进算法的均方误差降至0.0092,拟合度值为0.9704,说明算法具有良好的泛化能力,能够更好地反映交通流量的变化.

基于SSA-SVR的光纤压力传感器温度补偿研究

针对光纤压力传感器存在的温度漂移问题,提出了基于麻雀搜索算法优化的支持向量回归(SSA-SVR)的温度补偿模型。对光纤压力传感器进行标定实验,并采用温度传感器LM35实时检测其工作温度,进而建立SVR温度补偿模型。利用SSA优化SVR的超参数,以改善温度补偿模型的补偿精度。研究结果表明,利用基于SSA-SVR的温度补偿模型对光纤压力传感器进行温度补偿后,其灵敏度温度系数和相对误差系数均提高了两个数量级,而最大绝对误差和最大相对误差只有0.5004 kPa和0.2501%,达到了温度补偿的目的。

基于SSA-PPR模型的河流枯季径流量变化预测方法

河流枯季径流量的实时变化影响着对其预测结果的精确性,为得到准确的预测结果,提高预测效率,提出一种基于SSA-PPR模型的河流枯季径流量变化预测方法。采用SSA-PPR模型构建河流枯季径流量变化预测的大数据统计分析模型,采用量化统计特征分析方法实现对径流量动态变化特征的挖掘,得到变化统计特征量,并结合模糊信息挖掘和自适应学习得到河流枯季径流量变化的动态解析结果。根据解析结果进行流量变化的动态分类识别,完成对河流枯季径流量变化的准确预测。仿真结果表明,本文方法的预测结果准确性较高,自适应性较好,且预测效率较高,有效提高了预测过程的收敛性,对量化分析河流枯季径流量变化具有很好的指导意义。

基于SSA-SVR模型的城市轨道交通短时进站客流预测

针对现有城市轨道交通短时客流量预测单一模型可能存在预测不稳定的问题,提出一种基于奇异谱分析(singular spectrum analysis,SSA)和支持向量回归(SVR)相组合的预测模型。该组合模型利用奇异谱分析(SSA)将轨道交通原始时间序列客流数据进行分解和重构,对重构后的时间序列按奇异值从大到小进行排序,得到含有原始时间序列数据主要信息成分的重构序列,将重构后的时间序列作为支持向量回归模型(SVR)的输入条件,最后进行各站点的短时进站客流预测。采集2015年11月北京市全网的城市轨道交通进站客流数据,对提出的短时客流预测模型进行验证和对比分析。结果表明,组合模型预测精度相比ARIMA、SVR、CNN-LSTM和T-GCN模型具有更高的预测精度和更稳定的预测表现,具有一定的实际意义。