基于PCA和BRNN的土地负荷类型预测

随着社会经济的发展,新开发区域不断涌现,对其进行空间负荷预测是配电网规划的一项基础工作。空间负荷预测最常用的方法为用地仿真法,其核心在于土地负荷类型的转换规则。转换规则的建立需要大量的地理数据信息,该数据庞大且内容繁杂,这会导致建模困难、关键信息难以提取以及局部数据对转换规则影响过大等问题。为此,提出一种基于主成分分析法和贝叶斯正规化神经网络的土地负荷预测方法。通过对由空间地理系统获取的空间地理信息进行主成分分析,在实现关键主成分信息提取的同时,达到数据降维简化的目的。在此基础上,进一步在人工神经网络建模中,加入贝叶斯正规化理论以增强系统的泛化能力,提高预测准确度。案例分析证明了该方法的可行性。

滚动轴承转速-振动深度学习模型的算法对比研究

轴承健康状况直接影响着机械设备的稳定性和安全性,对轴承的运行状态进行故障诊断尤为重要。基于此,在健康、内圈故障和外圈故障3种不同状况下,选择莱文贝格-马夸特(Levenberg-Marquardt,LM)算法、贝叶斯正则化(Bayesian Regularization,BR)算法和量化共轭梯度(Quantum Conjugate Gradient,QCG)算法,对在随时间变化的加速条件下滚动轴承振动数据进行训练和测试。在MATLAB R2023b软件中构建不同类型的深度学习模型,对比分析深度学习模型的均方误差值、回归R值、训练时长和训练轮数等多种指标。经过分析得出,在追求精度和准确性、内存资源和时间充足的情况下,应选用贝叶斯正则化法算法来训练深度学习网络模型。

基于模糊理论和BRBPNN的信息安全风险评估

针对信息安全风险评估中存在大量不明确信息以及使用神经网络进行预测时会出现过拟合现象,提出了基于模糊理论和BRBPNN(贝叶斯正则化BP神经网络)相结合的信息安全风险评估方法。首先构建风险评估指标体系,建立风险评估模型,其次使用模糊理论处理原始数据,最后通过BR算法对BP神经网络进行训练。以某组织的信息系统为例,通过实验对比,表明在训练神经网络方面,BR算法比传统LM算法具有更好的健壮性和泛化能力。故上述方法为信息安全风险评估提供了新思路。

桥梁断面静力三分力系数的人工神经网络识别

通过风洞模型试验得到了足够的样本,在此基础上利用MATLAB神经网络工具箱构造了2个BP人工神经网络;采用BR(Bayesianregularization)算法,比较了不同坐标系下的静力三分力系数的训练结果,得出4层网络比较有效且具有较高精度的结论.最后,提出了应用人工神经网络需要注意的问题.

基于多源数据融合的采煤机截割载荷预测方法

为解决单一传感信息对采煤机截割载荷预测精度低的问题,提高采煤机运行安全状态的感知能力,在应用深度信念网络(DBN)的基础上,引入贝叶斯正则化(BR)方法和粒子群优化(PSO)算法,提出了一种基于多传感器的采煤机滚筒载荷辨识与预测方法。构建BR-PSO-DBN预测模型,以惰轮轴传感器、连接架销轴传感器和摇臂应变传感器监测的22组测试数据为输入样本,预测滚筒截割三向载荷与扭矩。依托截割载荷实验系统进行现场测试,并将实测结果与预测结果进行对比分析,结果表明:实测曲线与预测曲线变化规律基本相同,峰值点相对应,模型对滚筒三向截割载荷的预测精度达到83%以上,其中对滚筒扭矩预测精度达到95%,说明预测模型具有较高的预测精度,能够为现场应用指导安全生产提供参考。

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法(IGSO)优化列文伯格·马夸尔特(LevenbergMaquardt,LM)网络的变压器故障诊断方法。该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值。同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57%。

BP神经网络预测新生儿丁胺卡那霉素消除速率常数

目的用BP网络预测新生儿丁胺卡那霉素消除速率常数。方法建立梯度下降BP网络(GD-BP-NN),贝叶斯标准化BP网络(BR-BP-NN)和遗传BP网络(G-BP-NN),以23例新生儿静脉滴注丁胺卡那霉素相关临床资料为研究对象,研究新生儿胎龄,日龄和体重对丁胺卡那霉素消除速率的影响,预测患者的消除速率常数,并比较3种网络的预测精度和运行效率。结果GD-BP-NN,BR-BP-NN和G-BP-NN预测值和实验计算值的相关系数分别为0.92,0.91和0.98;均方预测误差平方根(RMSE)分别是0.020,0.024和0.010;相同的预测精度条件下,GD-BP-NN,BR-BP-NN和G-BP-NN分别运行了2 000,219和82步。结论遗传算法对BP神经网络权值和学习进行优化,从而克服了BP神经网络训练速度慢,容易陷入局域极小和全局搜索能力弱等缺点,故G-BP-NN预测效果更好。

BP神经网络在车辆组合导航中的应用研究

针对车辆GPS/DR组合导航系统在GPS信号被遮挡时无法完成DR"零点更新"的问题,提出了基于BP神经网络的DR位置误差预测模型来解决该问题。在GPS有效时,该算法采用基于平稳小波变换的扩展卡尔曼滤波器对GPS/DR信号进行数据融合得到车辆实时的精确位置,与经平稳小波变换软阈值模平方去噪法处理的DR位置数据进行平稳小波多尺度比较获得DR位置误差;然后用BP神经网络建立DR位置误差预测模型,为了提高所用网络的泛化能力,采用了贝叶斯正则化规则训练网络。在GPS失效时,利用已建立的预测模型预测DR位置误差来修复DR位置数据,实现车辆行驶在复杂路径下的实时精确导航定位。仿真表明,该算法对车辆GPS/DR组合导航系统有效。

基于L_(1-2)正则化的地震波阻抗“块”反演

波阻抗反演技术已经相当成熟,但仍然存在反问题的不适定性、反演的分辨率低以及对地层边界刻画不清晰等问题。为此,提出基于L_(1-2)正则化的地震波阻抗“块”反演方法。在前人的基础上,将L_(1-2)正则化引入基于模型的波阻抗反演,通过借鉴全变分正则化的思想,利用叠后地震数据直接获得波阻抗反演结果。首先,推导线性化的波阻抗正演近似公式并分析精度;然后,基于贝叶斯理论,引入L_(1-2)正则化构建波阻抗反演的目标函数,利用迭代重加权最小二乘算法求解目标函数,获得波阻抗反演结果。由于波阻抗反演为单道反演算法,反演多道数据时道与道之间会产生空间不连续现象,因此对反演结果执行f-x域空间预测滤波改善由噪声和单道反演算法带来的空间不连续性。相关系数的定量对比证明了基于L_(1-2)范数的反演结果优于基于L1范数和L2范数。合成数据和实际资料反演验证了所提方法的有效性和可行性。

贝叶斯神经网络在股票时间序列预测中的应用

针对BP神经网络初始权值随机获取所导致的易陷入局部最优的问题,采用贝叶斯正则化(Bayesian Regularization,BR)算法改进传统BP神经网络模型。该算法在保证网络误差最小的前提下,通过历史数据的先验概率调整BP模型的适应度函数,使网络的泛化能力得到提升。在股票时间序列预测的实证性研究中表明,比传统BP模型在预测精度上提高42.81%。

透射波旅行时Beam层析成像方法

无论是高精度的构造成像,还是高保真的针对岩性油藏的成像,都越来越依赖于有一个准确的浅中层速度模型(含各向异性和Q值参数模型)。随着“两宽一高”地震数据采集技术的进步,透射波相较于反射波信噪比更高,参数反演更自动化,因此利用透射波信息进行浅中层参数估计得到了特别的重视。首先从层析成像的理论框架出发,系统地论述了波动方程层析、波束层析以及射线层析的异同,剖析了参数迭代公式中各项的含义,认为层析正问题、地震数据的预条件以及模型的正则化是利用透射波旅行时层析成像方法挖掘“两宽一高”地震数据信息时应注意的几个核心问题。然后,重点介绍了加权地震走时的含义及其基于瞬时走时信息的自动化拾取策略。最后,简述了Beam束层析成像算法理论及其对观测系统的适应性,提出了MPI+OpenMP的策略缓解海量地震数据带来的存储与计算压力。海上实际地震资料的处理结果说明了透射波旅行时Beam层析处理流程在“两宽一高”地震数据处理中的可行性。

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M(Levenberg-Marquardt)算法神经网络的变压器油色谱故障诊断方法。算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数。同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性。结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000 618。

最优Tikhonov正则化矩阵及其在卫星导航定位模糊度解算中的应用

首先,用贝叶斯(Bayes)统计理论的观点,把未知参数看作随机变量,引入未知参数的无信息先验分布函数,从数学上推导了均方误差最小意义下的正则化矩阵;然后,结合最优正则化矩阵和快速截断奇异值算法,提出了一种新的正则化方法;最后,探讨了新方法在全球卫星导航系统(Global Navigation Satellite System, GNSS)模糊度解算中的应用。通过一组GNSS模糊度解算实验,比较了最小二乘(least squares,LS)方法、L曲线岭估计和新方法的性能。结果表明,新方法解算成功率略高于L曲线岭估计,远高于LS方法;计算耗时略大于LS方法,远小于L曲线岭估计。

基于贝叶斯正则优化NARX神经网络的电力负荷预测

随着智能电网建设阶段的不断推进,以及电力市场运营机制的逐渐完善,电力负荷预测工作的重要性与日俱增。针对传统的前馈型神经网络预测模型存在泛化能力不强、预测精度较差的问题,设计了一种基于贝叶斯正则优化NARX(Bayesian regularization nonlinear autoregressive with exogenous inputs,BR-NARX)神经网络的电力负荷预测方法。介绍了NARX神经网络以及贝叶斯正则优化算法的理论分析与模型搭建;基于某省电网公司的历史负荷数据,以及供电区域内相应的气象信息等数据,进行数据分析及预处理工作;以实际应用算例测试,分析所构建BR-NARX神经网络的模型性能,并与BP、BR-BP、NARX3种神经网络模型进行预测效果的对比。算例结果显示,BR-NARX模型具备显著提升电力负荷预测精度的性能,能够为实际电力负荷预测工作的进一步发展提供思路。