基于自注意力机制增强的CNN-LSTM的榴弹轨迹多步超前预测

由于榴弹飞行轨迹呈现复杂性、时变性和突变性等特点,给近程防空拦截系统带来了极大的挑战。针对目前轨迹数据时空特征捕捉困难且只能进行较少步数预测的问题,提出一种引入自注意力机制的基于卷积神经网络和长短期记忆神经网络(1dimension Convolutional neural network-Long short-term memory-Attention, 1D CNN-LSTM-ATT)的一维轨迹多步超前预测模型。将所提模型与CNN-LSTM、LSTM模型分别进行单步和多步预测对比分析;实现对于目标轨迹的从T时刻到未来任意T+K时刻的高精度实时多步超前预测。实验结果表明:无论是单步还是多步预测,1D CNN-LSTM-ATT模型预测的评价指标明显优于其他2个模型;1D CNN-LSTM-ATT模型预测500步(即10 s)的累计预测误差在射程方向为82.83 m,高度方向为11.68 m,横偏方向为0.07 m,为实施弹体拦截及时响应提供了重要保障。

基于经验模式分解与混沌分析的直接多步预测模型

直接多步预测不依靠单步预测的结果而直接使用测量数据,效果理想,但往往要求模型能够学习多种不同的目标函数.本文建立的直接多步预测混合模型,使用模式分解方法把原始时间序列分解成不同尺度的基本模式分量,再经混沌分析和神经网络进行组合预测,减小了各步预测模型之间的差别,提高了模型对多种目标函数的学习能力,有效提高了预测精度.最后,通过基准时间序列验证了本模型的优越性.

采用Brent优化的核学习单步预测控制算法

针对非线性SISO系统,提出一种基于核学习辨识模型的单步预测控制算法(kernel learning one-step-ahead predictive control,KLOPC).通过KL辨识模型得到系统的一步超前预报值,并引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造一步加权预测控制性能指标,然后采用Brent一维搜索方法求取控制律.该方法无需任何相关的导数信息,需调整的参数少,求解效率高.在一非线性液位系统的仿真研究表明了KLOPC优于整定的PID和其它基于KL模型的控制方法,对噪声和扰动等均具有更好的鲁棒性和自适应性.

基于结合模拟退火算法的动态模糊神经网络的软件可靠性增长模型

利用模拟退火算法对动态模糊神经网络的自身参数进行动态调整(SAA-DFNN),并将其应用于软件可靠性增长模型(SRGM)的研究。用软件失效数据在对动态模糊神经网络进行训练的过程中,用模拟退火算法求得动态模糊神经网络自身参数的优化解,根据得到的参数建立基于动态模糊神经网络的软件失效数据预测模型。根据3组软件缺陷数据,将SAA-DFNN建立的SRGM与模糊神经网络(FNN)、BP神经网络(BPN)、G-O模型建立的SRGM的预测能力进行比较,仿真结果表明,根据SAA-DFNN建立的SRGM的单步向前预测能力稳定,预测误差小,并具有一定的通用性。

基于误差补偿的风速时间序列多步预测

传统的时间序列多步预测策略主要有:直接策略、滚动策略、直接-滚动策略、多输出策略和直接-多输出策略。由于风速具有很强的随机性和非平稳特征,使得在多步预测过程中,随着预测步数的增加,预测误差越来越大。在研究传统的多步预测策略的基础上,提出了一种误差补偿策略,以提高预测精度。采用10min采样的风速数据,进行了试验验证,实验结果表明,改进方法相比于单独多步预测策略具有更小的预测误差。

多步预测方法在故障检测中的应用

相对残差产生器的主动鲁棒性设计,自适应阈值方法也是提高故障检测系统的灵敏度和鲁棒性的一种有效方法。针对自适应阈值的检测方法,为提高检测系统的计算速度和鲁棒性,提出了基于模型多步预测方法的自适应阈值设计。通过引入低通滤波和平滑滤波,进一步提高了检测系统的性能指标。仿真结果证明了此方法的有效性。

基于并行神经网络集成的多步预测方法

神经网络集成通过训练多个神经网络并将其结论进行合成,可以显著地提高学习系统的泛化能力。该文提出了一种基于特征提取的并行神经网络集成多步预测模型ECPNN(ExtractionofCharacteristicsParallelNeuralNetwork)。从单因素时间序列中提取出代表内在机制的特征,采取并行TDNN(Time-delayNeuralNetwork)集成的方式实现时间序列多步预测。实验结果表明了该模型在多步预测方面的可行性和有效性。

一种用于小波网络隐层节点选择的新方法

针对小波网络隐层节点的选择问题,结合QR分解提出一种新的正交化选择方法。在节点选择过程中,预先对候选节点集合进行分块操作,在每个子块里采用QR分解与误差减小率(error reduction ratio,ERR)参数相结合的方法进行选择。该方法进一步简化了小波网络的计算量,并且保持网络较高的计算精度。将该方法应用于采用变量解析(the analysis of variance,ANOVA)扩展的小波网络,分别对Mackey-Glass方程和年太阳黑子数据进行一步预测,结果表明,提出的正交化选择方法在简化计算的同时,能较好地提取系统特征,并显示出较好的预测结果。

多步时滞非线性多输入系统的无模型控制律的一种改进算法

将文献［５］中多步时滞非线性多输入单输出系统的不需要建模的控制律算法加以改进，并分析了这种控制律的跟踪性能，仿真结果说明了改进算法的有效性。

主动变刚度阻尼多振型半主动控制研究

探讨了开关型半主动控制算法的研究现状,基于单步状态预测控制律,提出了针对高层建筑多自由度结构体系AVS/D(主动变刚度阻尼)多振型开关控制律。通过算例仿真分析与其它开关控制律作了比较,结果表明这种开关控制律是可行的、有效的。特别是在多自由度结构体系振动过程中有多个振型同时在受控结构的反应中起主要作用时,本文提出的开关控制律比其它振型开关控制律有更好的控制效果。

基于数据驱动的风力发电系统一步超前预测转速控制

针对风力发电系统转速控制系统的特点,提出了一种基于数据驱动的一步超前预测控制方法。该方法先利用动态线性化技术,采用投影算法在线估计伪偏导数,然后通过最小化一步超前加权性能指标获得广义最小方差预测控制算法;为了取得更好的跟踪效果,引入一个自适应项用于增强输出跟踪能力,使得系统输出响应具有更强的跟踪能力。仿真结果验证了该方法的有效性。

一种基于ELNSS模型的非线性系统预测控制算法

提出了一种基于扩展线性化神经状态空间(ELNSS)模型的非线性系统一步超前预测控制算法,并证明了该方法的稳定性和收敛性.使用该方法分别对SISO非线性系统和MIMO非线性系统进行了仿真验证,仿真结果表明本文方法具有良好的鲁棒性和准确性.

神经网络在热电厂对象建模中的应用

针对一个375 MW热电厂的锅炉—汽轮机系统仿真模型,采用多层前向神经网络进行离线建模;讨论了网络结构设计、训练算法等神经网络建模问题;采用相同的固定负荷数据分别建立了线性ARX模型和局部神经网络模型并做多步预测比较;通过对基于一层隐层的全局神经网络模型的训练和仿真,结果证实了神经网络在非线性系统建模和辨识上的有效性。

基于支持向量机的水泵状态多步预测

将支持向量机技术应用于水泵的时间序列多步预测中。为提高预测精度,提出利用多个测量通道获得的多时间序列进行预测,并通过水泵电机上获得的实际测量数据进行对比分析,证明该方法在设备长期预测中具有较好的预测精度。

基于基因表达式编程的软件可靠性评测方法的改进

对当前建立的基于基因表达式编程的软件可靠性评测方法进行改进,引入了连续一步向前预测方式,并以改进后的系统和传统的数学模型预测方法做了对比实验。实验的结果证明基于GEP的预测方法具有更高的预测精度。

爆破振动在台阶边坡上的传播规律与预测分析

基于台阶地形模型爆破振动测试实验,研究爆破振动在台阶地形的传播规律及测点位置对爆破振动速度预测的影响规律。结果表明,爆破振动速度随着水平距离的增加总体呈衰减趋势,恒有垂直方向爆破振动速度远大于水平径向和水平切向,台阶边缘爆破振动速度存在局部放大现象;将台阶不同位置测点分成三类:Ⅰ类(包括全部测点)、Ⅱ类(包括水平地面测点、台阶中部、根部测点)、Ⅲ类(包括水平地面测点、台阶根部测点),分别应用萨道夫斯基公式和高程修正公式进行预测,发现高程修正公式的预测精度明显优于萨道夫斯基公式;Ⅲ类测点预测进度最优,Ⅱ类次之,Ⅰ类最差。建议进行边坡地形爆破振动速度预测时,只选取边坡台阶根部测点的振动速度进行预测分析。

基于sEMG信号的关节力矩NARX预测模型

为解决利用力矩传感器控制肌力训练设备所带来的滞后性,利用表面肌电信号(sEMG)超前于运动的特性,设计了基于一组拮抗肌表面肌电信号的关节力矩预测模型。首先搭建康复训练设备为信号采集和实验验证提供条件。将sEMG经过预处理,选择sEMG信号的方差特征作为神经网络输入,利用带有外部输入的非线性自回归(NARX)模型的动态循环神经网络,分别建立了基于关节力矩实际值的超前多步(MSA)预测模型和基于模型预测输出(MPO)的预测模型,通过等张和等长测试实验,比较了MSA和MPO模型的力矩预测性能。实验结果表明,两种模型输出预测值和实际值之间都有极强关联性(皮尔逊相关系数均大于0.95)。随着超前预测的步数增加,MSA模型的预测精度降低,但是超前预测的时间增大。在等张和等长测试中,当超前步数分别小于29和35时,MSA预测精度显著高于MPO(p<0.05),但MPO模型在成本和体积上更具优势。综上所述,两种模型均可以准确预测关节力矩,在实际康复训练设备控制中,可根据应用需求选择不同的力矩预测模型。

基于二次分解重构策略的航空客流需求预测

考虑到航空客流需求序列的季节性、非线性和非平稳等特点,提出了一个基于二次分解重构策略的航空客流需求预测模型。首先,通过STL和自适应噪声互补集成经验模态分解(CEEMDAN)方法对航空客流需求序列进行二次分解,并根据数据复杂度和相关度的特征分析结果进行分量重构;然后,采用模型匹配策略分别选取自回归单整移动平均季节(SARIMA)、自回归单整移动平均(ARIMA)、核极限学习机(KELM)和双向长短期记忆(BiLSTM)网络模型对各重构分量进行预测,其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计(ATPE)算法确定;最后,将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验,实验结果表明,与一次分解集成模型STL-SAAB相比,所提模型的均方根误差(RMSE)提升了14.98%~60.72%。可见以“分而治之”思想为指导,所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律,从而为科学预判航空客流需求变化趋势提供了新思路。

基于一步向前预测回归树的内燃机振动信号趋势预测

针对内燃机振动信号非线性、非平稳特点,提出了一种基于一步向前预测回归树的新模型。首先确定合适的嵌入维数和时间延迟,从而据此确定回归树的输入;然后,建立回归树预测模型;最后,用原始时间序列对所建立的模型进行预测性能评价,并将此方法与神经网络、支持向量机预测方法相比较。

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k^L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.