基于WOA-SVR的关键核心技术创新生态系统脆弱性预警研究——以集成电路技术为例

双循环格局下,创新生态系统脆弱性成为制约关键核心技术攻关的瓶颈,对其有效预警是实现技术突破、解决“卡脖子”问题的关键环节之一。结合集成电路技术发展现状,构建包含群落、资源、经济、环境4个子系统的关键核心技术创新生态系统,同时建立改进WOA-SVR的脆弱性预警模型,对系统脆弱性进行分级。结果表明,集成电路技术创新生态系统综合脆弱指数由2005年的4.28下降到2020年的2.66,警度从较重警情降至中警;经济子系统作为创新生态系统最活跃的子系统,其脆弱性指数下降缓慢,仍处于较高脆弱度水平。对4个子系统指标间耦合关系进行剖析发现,适应能力指标对降低系统脆弱性指数具有较大影响,政府和企业可据此建立防范机制。

基于XGBoost-WOA-BiLSTM-Attention的公共建筑暖通空调能耗预测研究

为在双碳目标下实现节能减排,降低能源成本,提出一种基于BiLSTM的公共建筑暖通空调能耗预测模型。在BiLSTM模型基础上,使用XGBoost算法对输入特征进行选择,剔除冗余特征,得到最佳模型输入特征;然后利用WOA优化算法对添加了Attention机制的BiLSTM模型中的6个超参数进行优化,将得到的最优参数代入BiLSTM-Attention神经网络中进行预测,并与BiLSTM模型、BiLSTM-Attention模型和WOA-BiLSTM-Attention模型进行对比。结果表明,所提出的XGBoost-WOA-BiLSTM-Attention模型的RMSE、MAE、R2分别为0.0106、0.006、0.9991,优于其他模型,且相对于持续模型在均方根误差RMSE上提升了98%,为降低公共建筑暖通空调能耗研究提供了参考。

基于Bagging-WOA-SVR的粮堆温度场预测模型

采用阵列式分布的测温电缆检测粮仓温度变化情况,利用机器学习技术来预测粮食温度,用粮仓1年监测数据来预测粮堆未来27 d温度。传统的BP、RBF、RF、SVR单模型对粮堆温度进行预测存在误差大、泛化能力差等缺点,提出一种基于Bagging集成的鲸鱼算法优化支持向量回归模型(Bagging-WOA-SVR),并与灰狼算法优化支持向量回归模型作比较。将影响粮堆温度的多种因素做灰色关联分析,选取粮仓内温度、粮仓内湿度、粮仓外温度、粮仓外湿度、粮仓平均温度、地表温度作为神经网络的输入,粮堆平均温度作为预测输出,选取3个指标为评判标准,对比分析模型预测精度。结果表明:提出的Bagging-WOA-SVR模型相比之下有着较好的稳定性,均方误差为0.24,相关系数为0.9892。

基于优化WOA-BP策略的土体冻胀率因素敏感性定量分析

土体冻胀是寒区工程建设面临的重要挑战之一,对其进行准确预测和敏感性分析,对于保障工程安全与稳定、预防结构变形与破坏至关重要。针对东北某矿区三种土样,在不同冷端温度、含水率和干密度条件下,实施了单向冻结且不补水的冻胀实验。基于实验数据,分析了影响冻胀率的关键因素,构建了以干密度、含水率、冷端温度、比重及结冰温度为输入变量的WOA-BP预测模型,引入Chebyshev混沌映射与自适应权重调整策略,优化得到Chebyshev混沌映射自适应权重的WOA-BP神经网络。经验证,该模型预测误差小,可以较好地预测土体的冻胀率。结合Garson算法、扰动法及蒙特卡洛模拟等三种方法,对土体冻胀率的影响因素进行了敏感性分析,所得结果一致。该矿区土样的冻胀率对干密度、比重、含水率、冷端温度、结冰温度变化的敏感程度依次降低。

基于WOA-BP算法的氟金云母钻削工艺参数优化

通过氟金云母陶瓷钻削实验,测试了在不同加工参数下的材料去除量和刀具磨损量。利用WOA算法优化BP神经网络,并基于单因素实验值和WOA-BP网络预测值,利用最小二乘法拟合,建立了材料去除率和刀具磨损率关于工艺参数的一元模型,以相关系数检验了模型的精确度。在一元模型的基础上提出了多元模型,基于正交实验值和WOA算法对多元模型进行求解,模型误差在合理范围内。以材料去除率最大和刀具磨损率最小为优化目标,基于WOA算法进行了工艺参数双目标优化,得到了一组最优参数。基于最优工艺参数进行验证实验,实验结果表明得到的最优参数是合理的。

基于WOA-RF的船用风机故障诊断

针对船用风机典型故障诊断问题,利用鲸鱼优化算法优化随机森林(random forest optimized bywhale optimization algorithm,WOA-RF)对故障进行诊断,并通过实验验证该方法的准确性。实验模拟包括正常工况和5种异常工况在内的6种工况。采集所有不同工况下的振动信号,分别提取时域、频域下的特征参数构建第一特征向量。通过传统随机森林筛选得到具有更优分类效果的第二特征向量,再输入WOA-RF中完成故障识别。实验结果表明,本文提出的方法能够有效识别故障模式,平均预测准确率超99%。与其他算法对比,这种基于信息融合和WOA-RF的船用风机故障诊断方法准确性更高。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于深度学习联合WOA18温盐模型构建声速场

声速变化是影响水下精密定位的重要因素,受制于现有的声速剖面获取手段,目前的声速代表性误差严重影响着水下定位精度。针对现实中难以实现一定海域内时间空间的连续观测,本文以地转海洋学实时观测阵(Array for Real-time Geostrophic Oceanography, Argo)温盐度数据作为真值,利用美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)提供的2018世界海洋地图集(The World Ocean Atlas 2018, WOA18)中的历史温盐数据,基于添加注意力机制的长短期记忆神经网络模型(Long Short Term Memory, LSTM),来构建局部海域声速场。结果表明,该方法可用于反演局部海域500~1 500 m深度范围内较为精准的声速剖面,且添加注意力机制的LSTM神经网络模型反演的声速在太平洋局部海域均方根误差为0.34 m/s,在大西洋局部海域声速均方根误差为0.78 m/s,相比传统反向传播神经网络(Back Propagation Neural Network, BPNN)和添加了遗传因子的反向传播神经网络(Back Propagation Neural Network+Genetic Algorithm, BPNN+GA)在精度上得到了改善。

基于IWOA-BP的石英振梁加速度计温度补偿研究

在温度变化的环境中,石英振梁加速度计(QVBA)的输出会发生漂移。为了改善QVBA的温度稳定性,提出了基于改进鲸鱼算法(IWOA)优化BP神经网络的温度补偿模型。IWOA通过优化BP神经网络的初始权值和阈值,克服了BP神经网络易陷入局部最优的缺点,增强了BP神经网络在训练中的准确性和鲁棒性。全温实验表明,该方法能够明显抑制QVBA因温度而产生的漂移。经过补偿,全温零偏稳定性从4.161 mg下降至0.196 mg,全温标度因数稳定性从59.676 ppm下降至35.751 ppm,验证了模型的有效性。

基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究

面对施工现场外脚手架隐患信息的多样性,传统的基于传感器监测的单一信号预警研究存在容错力不佳、含有信息有限等问题。针对施工现场外脚手架“图像+监测”数据,提出一种基于数据层和特征层信息融合的脚手架隐患分类预警方法。首先,利用Revit三维建模软件建立外脚手架实体模型,对不同初始隐患下的外脚手架进行有限元分析,划分隐患预警等级;其次,利用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)及卷积长短时记忆网络(Convolutional Neural Network-Long Short Term Memory Network,CNN-LSTM)实现脚手架同类信息数据层融合及异类信息特征层融合;最后,通过实时收集西安市某在建项目落地式双排扣件式钢管脚手架隐患信息,对其进行分类预警,并使用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对CNN-LSTM网络进行参数优化,发现隐藏节点个数为30、学习率为0.0072、正则化系数为1×10^(-4)时分类效果最佳,优化后预警精度达到了91.4526%。通过可视化WOA-CNN-LSTM、CNN-LSTM、CNN-SVM(Support Vector Machine,支持向量机)及CNN-GRU(Gate Recurrent Unit,门控循环单元)分类预警结果,证实了优化后的CNN-LSTM网络在脚手架分类预警方面的优越性。

基于SPA-WOA-SVR的青霉素发酵过程软测量建模方法

针对青霉素发酵过程中关键参数难以直接在线测量这一工程技术难题提出基于SPA-WOA-SVR的软测量方法。采用连续投影算法(SPA)选取发酵过程辅助变量,以选取的特征辅助变量(CO_(2)浓度η、溶解氧浓度D_(O)、pH值、酸流加速率μ、碱流加速率l)为输入,以发酵过程关键参数(菌体浓度X、基质浓度S和产物浓度P)为输出,基于支持向量机回归(SVR)建立软测量模型。为提高软测量模型的预测精度和稳定性,采用鲸鱼优化算法(WOA)对模型的重要参数(核函数宽度σ、惩罚因子c和不敏感系数ε)进行寻优。将构建的软测量模型应用于青霉素发酵过程关键参数预测,仿真结果表明,与传统SVR软测量建模方法相比,采用SPA-WOA-SVR软测量方法,关键参数X、S、P测试集中的决定系数R^(2)均在0.953 3以上,均方根误差R_(MSE)均小于0.029 3,特别是菌体浓度R^(2)由0.904 4提升到0.987 9,R_(MSE)由0.031 4下降为0.009 8,说明基于SPA-WOA-SVR的软测量建模方法有效提升了模型的预测性能,具有更高的预测精度和稳定性,可推广应用于一般非线性系统的软传感器建模。

基于WOA23的日本海声道分布特征分析

本文基于WOA23温盐剖面数据集,利用声速经验公式,计算日本海的声速剖面,根据声速剖面的特点及声速梯度,诊断提取日本海表面声道及深海声道特征信息,研究表面声道及深海声道的区域分布情况和季节变化特征。结果表明:日本海的表面声道受季节变化影响大且具有明显的区域性分布特征。春夏季节,整个海域几乎无表面声道,秋冬季节,表面声道大幅生成,主要分布在东朝鲜湾和日本海东部边界附近海区,冬季与秋季相比,南北两端的表面声道分布面积减少,但东朝鲜湾以及40°N-50°N之间海区表面声道的分布面积进一步扩大。秋季,表面声道厚度基本小于40 m,冬季,表面声道厚度整体增加,特别是在44°N-50°N之间的海区,大部分表面声道厚度超过100m;表面声道梯度季节变化幅度相对较小,除了秋季鞑靼海峡附近的表面声道梯度大于0.2/s,大部分表面声道的梯度小于0.05/s。深海声道与表面声道相比,受季节变化影响较小,声道效应更加稳定,声道轴深度基本在450m以浅,声道轴声速约为1456~1468m/s,且整体表现呈自东南向西北递减之势。

基于AMOWOA的区域综合能源系统运行优化调度

目前,智能优化算法已广泛应用于工程优化中,在当前多能耦合与互补的能源发展趋势下,仅考虑系统经济指标的单目标优化模式已经不再适用于目前区域综合能源系统(Integrated energy system, IES)的运行优化调度,需要研究一种多目标运行策略来解决区域综合能源系统的运行优化调度问题.首先综合考虑经济与能源利用两个指标并结合商业住宅区域的特性,以系统日运行收益和一次能源利用率为优化目标构建商业住宅区域综合能源系统多目标运行优化调度模型.其次由于传统多目标智能优化算法缺乏一种最优解综合评价方法,基于非支配排序以及拥挤度计算的多目标算法框架,提出一种利用模糊一致矩阵选取全局最优解的多目标鲸鱼优化算法(A multi-objective whale optimization algorithm, AMOWOA),并将提出算法对商住区域综合能源系统多目标运行优化调度模型进行求解.最后以华东某商业住宅区域综合能源系统为例进行仿真,验证了该方法的有效性和可行性.

基于E-WOA与AnyLogic耦合的土石方调配机械配置优化

机械配置是土石方调配工程的核心,合理的机械配置是工程施工成本、进度和质量的有效保障。为了精确、高效地寻求出最优的机械配置方案,提出了增强型鲸鱼算法(E-WOA)与AnyLogic耦合的土石方调配机械配置优化方法。首先,通过系统分析土石方调配流程,建立总费用最小的优化模型;其次,采用AnyLogic仿真平台构建了基于多智能体的仿真模型,全面描述设备(挖掘机、自卸汽车、推土机、碾压机)、道路、平台(卸料平台、停车平台)等实体元素之间的交互关系和动态过程;最后,引入收敛速度快、全局性强的E-WOA算法与AnyLogic进行耦合,开发仿真控制器实现耦合模型对优化问题的求解,并结合工程实例进行了分析。结果表明该方法可以节省11.11%的时间和27.34%的费用,为土石方调配工程施工管理决策提供借鉴。

基于WOA-AdaBoost的碳纤维复合材料疲劳损伤预测

为了更准确预测碳纤维复合材料疲劳损伤扩展,提出一种基于WOA-AdaBoost的碳纤维复合材料疲劳损伤预测方法。提取传感信号中时域波形、时域统计、频域特征作损伤面积值构建数据集,引入AdaBoost集成学习预测其疲劳损伤,采用鲸鱼优化算法对AdaBoost中弱学习器的学习率与数量进行寻优处理,构建WOA-AdaBoost的预测模型实现碳纤维复合材料疲劳损伤预测。实验结果表明,相较于AdaBoost、SVM等预测方法,建立的WOA-AdaBoost预测方法相关系数为0.949,RMSE、MAE参数值更小,对碳纤维复合材料的损伤具有更好的预测效果。

基于AdaBoost-WOA-HKELM的下肢关节角度预测

针对当前下肢连续运动预测精度低的问题,提出一种基于AdaBoost-WOA-HKELM的下肢髋、膝关节角度预测方法。采集人体正常行走状态下的下肢表面肌电信号和关节角度信息,对预处理后的表面肌电信号进行特征提取,并结合关节角度信息建立特征数据集;选用混合核极限学习机(HKELM)模型作为弱学习器,引入鲸鱼优化算法(WOA)对HKELM模型参数进行优化,通过AdaBoost集成学习算法将弱学习器训练为强学习器,建立AdaBoost-WOA-HKELM关节角度预测模型,利用特征数据集对Ada⁃Boost-WOA-HKELM模型进行训练、测试,并与HKELM、WOA-HKELM模型进行髋、膝关节角度预测的仿真对比实验。结果表明:AdaBoost-WOA-HKELM模型在髋关节和膝关节角度预测方面表现出色,其均方误差分别仅为2.0869和2.2849,而决定系数分别达到了0.9882和0.9887。以上指标明显优于其他2种模型,突显了AdaBoost-WOA-HKELM模型在精确预测下肢关节角度方面的卓越性能。决定系数接近1的结果表明模型对实际数据的拟合程度极高,进一步验证了AdaBoost-WOA-HKELM模型的有效性和准确性。

基于WOA-Elman的Stewart平台位姿正解

为了高效而准确地求解Stewart平台的正解问题,在本研究中,采用了鲸鱼算法来优化Elman神经网络模型。对Stewart平台的六根连杆长度和平台位姿的运动学模型进行了详细分析,并通过平台位姿反解数据创建实验数据集。关于Elman神经网络模型,引入鲸鱼优化算法对该模型进行了优化,以提高计算性能和精度,从而建立了WOA-Elman模型,用于求解Stewart平台的正解。通过详细的仿真分析对模型进行评估,并通过实验来验证模型的有效性。研究结果表明,采用鲸鱼算法优化的Elman神经网络模型在求解Stewart平台正解问题方面表现出色。该模型展现出出色的非线性拟合能力和高度的计算精度,能够快速而准确地求解Stewart平台的位姿正解问题。这一研究成果为解决Stewart平台位姿正解问题提供了一种高精度的方法。

基于全局搜索策略WOA优化ELM的RUL预测性维护

实时掌握设备的剩余使用寿命(RUL),有助于降低工业互联网制造业中事故成本。为提高预测性维护准确度,使用基于全局搜索策略的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定极限学习机(Extreme Learning Machine,ELM)的参数,提出一种新型剩余使用寿命预测模型(IWOA-ELM)。将该模型应用于膜过滤器剩余使用寿命的电子涂层超滤维护数据集,结果表明:与ELM、WOA-ELM预测模型相比,本文提出的IWOA-ELM模型极大地提高了预测精度,泛化能力更强,能有效地预测膜过滤器剩余使用寿命,以便提前计划维护。

基于改进WOA-Elman模型的舆情热度预测研究

针对公共卫生舆情事件的突发性和破坏性等问题,为了更精准预测舆情发生时的热度走向,本文构建了基于改进鲸鱼算法(WOA)优化Elman神经网络的舆情热度预测模型。首先根据百度指数和360趋势,对2020年1月1日至同年2月19日时段“COVID-19”事件的时间序列指标进行选取;其次利用WOA优化Elman神经网络初始值和阈值的方法进行训练和预测;最后与标准BP神经网络模型、标准Elman神经网络模型进行对比分析。结果表明,改进WOA-Elman的平均绝对百分比误差、均方根误差分别为4.7843和219363.7844,该预测模型的预测结果与原始数据更吻合,预测精度和预测误差上更具优势,在解决突发公共卫生舆情事件热度预测问题上切实有效。

基于改进WOA参数优化的反应釜PID控制器

为了解决工业中传统PID控制算法对于大时滞、非线性系统较难取得良好的控制效果的问题,提出一种基于改进鲸鱼优化算法(IWOA)的PID控制器整定算法。该算法考虑均衡算法的探查以及开发能力,引入非线性收敛因子;为了提高算法的勘察能力,避免陷入局部最优的情况,引入正余弦扰动因子改进位置更新策略;最后以化工反应中反应釜温度为被控对象,对其PID控制器进行参数自整定实验,并将结果与WOA算法、Z-N整定算法、PSO算法进行对比,验证了IWOA算法在优化PID控制器工程上的优越性。