基于相关变分模态分解和CNN-LSTM的变压器油中溶解气体体积分数预测

为解决变压器油中溶解气体实际监测数据中噪声信号对模型预测性能的影响以及单一长短期记忆神经网络(long short-term memory,LSTM)无法对数据间的深层特征进行有效提取的问题,提出了一种融合了相关变分模态分解(correlation variational mode decomposition,CVMD)、1维卷积神经网络(one dimensional convolutional neural network,1D-CNN)和LSTM的组合预测模型。首先,利用CVMD去除原始气体序列中的噪声信号,并将去噪序列分解为1组相对平稳的子序列分量;然后,针对各子序列分量分别构建CNN-LSTM预测模型,利用1D-CNN挖掘数据间的深层特征形成特征向量,并将其输入到LSTM中进行预测;最后,对各子序列预测结果叠加重构,得到最终的气体预测值。并通过4组对比实验对所提模型进行了全方位、多角度的验证。算例研究结果表明,所提模型单步和多步预测的平均绝对百分比误差分别为1.53%和2.09%。相较于现有模型,该文所提模型在单步和多步预测性能上均有明显提升,为变压器在线监测和故障预警提供了重要技术支撑。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。

基于SG-LSTM-GRU井下粉尘体积分数预测模型

粉尘体积分数监测对煤矿粉尘预警起着重要的作用,对其变化预测有利于保障井下安全生产和降低井下矿工职业病风险.针对井下粉尘体积分数预测问题,建立了一种SG-LSTM-GRU预测模型.对监测数据进行预处理,先采用SG滤波方法处理,可以减少时间序列数据中存在的噪声数据,再用最大最小值法进行归一化处理,将得到的数据集划分为90%训练集与10%测试集,通过枚举法不断地实验确定SG滤波器中的参数值以及模型中时间步长,再通过LSTM和GRU模型相结合的方式,既可以通过LSTM层保留数据中较多的特征,又可以通过GRU层提高模型的训练速度,采用均方根误差、平均绝对误差和计算时间进行模型对比评价.研究结果表明,SG-LSTM-GRU模型预测的RMSE为0.256,MAE为0.066,相比其他预测模型该模型预测效果好.因此,采取SG-LSTM-GRU模型对井下粉尘体积分数预测,可以提高数据预测准确性,实现煤矿井下安全生产以及降低矿工尘肺病风险.

融合社交利益与图注意力网络的同伴互评分数预测

在同伴互评过程中,评估者会因为战略性评估而导致评估分数不准确.本文考虑了评估者之间的社交利益关系,提出了一种融合社交利益与图注意力网络的同伴互评分数预测方法 GAT-SIROAN.该方法由表示评估者与解决方案关系的加权网络SIROAN以及用来预测同伴互评分数的图注意力网络GAT构成.在SIROAN中使用ITSA方法定义了评估者的两个特征:自我评分能力和同伴评分能力,并通过比较这两个特征来获取评估者之间的社交利益因子和关系.在分数预测环节,为了考虑每个节点的重要性,使用自注意力机制来计算节点的注意力系数,以此来提高预测能力.采用最小化其均方根误差来学习网络的参数,从而获取更准确的同伴互评预测分数.GATSIROAN在真实数据集上与平均值、中位数、PeerRank、RankwithTA以及GCN-SOAN这5个基线方法进行了对比实验,结果表明GAT-SIROAN在RMSE指标上均优于基线方法.

一种基于数据剔除与局部偏最小二乘的含油钻井液原油体积分数预测方法

为了快速、准确地判断出含油钻井液中原油的体积分数,将拉曼光谱分析技术应用于随钻油气录井中,通过拉曼实验得到的不同体积分数下的拉曼光谱图,并对其数据进行处理,提出了一种基于皮尔逊相关系数的剔除规则,并给出2种算法,证明了此剔除规则的有效性。通过3种性能指标的对比结果,选出了最优的算法,即:将皮尔逊剔除规则与欧氏距离相结合,建立局部偏最小二乘预测模型。实验结果表明:该模型拟合度较好,具有一定的可靠性,对原油体积分数实现了定性分析与定量计算。

基于改进灰度算法的分数预测模型应用

本文在标准分计算基础上,提出一种基于分数排名的改进标准分模型,根据高校录取分数线的影响因素对灰度预测模型加以改进,将改进标准分模型与灰度预测模型相结合,实现分数预测。并结合四川省高考录取历史数据搭建了高考志愿决策系统,该系统可以对高校录取分数线进行预测,实验结果证明,本文提出的模型以及改进算法在该系统应用中具有很高的准确性和通用性。

本溪市大气污染物体积分数预测

根据多年常规气象资料和2006年污染源调查资料,确定本溪市大气环境主要污染因子为TSP和SO2。采用GIS技术和EIAA大气环境影响评价助手软件对控制区内的TSP和SO2体积分数进行了预测。预测结果表明,污染主要集中在中部地区,特定工业区以及特定工业区主导风向的下风向地区污染严重,而居住区只有靠近工业区的才出现了污染超标现象;相比较之下,TSP比SO2的污染范围要广、污染程度要深。研究结果表明,预测模型精度较高,预测结果与实测状况基本相符。

Spline回归在高校录取分数预测及志愿推荐中的应用

本文设计了一套通用Spline回归算法,有效解决了传统回归需要提前预设回归方程,拟合效果不好等问题。在河北省2018年理科一分一档表上的测试结果表明,该算法具有良好的拟合效果,在大幅压缩原始数据量的情况下仍然能够得到较好的拟合结果。

间歇性循环荷载下冻融风积土变形特性及分数阶预测模型

列车运营对路基的长期作用由振动加载、荷载间歇交替组成,已往研究多只考虑振动加载周期对路基土体强度和变形特性的影响,而忽略了间歇期的影响。为研究间歇性循环荷载作用下风积土路基变形特性,利用GDS DYNTTS冻土动三轴仪,开展不同有效固结围压σ_(3c)、冻融循环次数FT、动应力幅值σ_(d)^(ampl)和振动频率f的间歇性循环荷载下风积土动三轴试验,研究间歇性循环荷载下冻融风积土变形特性及其影响因素。试验结果表明:间歇性循环荷载作用下风积土累积塑性应变曲线呈稳定型、发展型和破坏型三种形态。间歇阶段能够在较大程度上削弱土体的应变累积,从而使其较连续荷载作用下变形减小。基于极差方法,确定动应力幅值是影响风积土累积塑性应变的最重要因素,其余依次为有效固结围压、冻融循环次数、振动频率。采用双Abel黏壶建立考虑间歇性循环荷载作用的冻融风积土分数阶累积塑性应变预测模型,并与试验结果进行了对比分析,二者吻合度较高,说明该文建立的分数阶累积塑性应变数学模型可合理预测间歇性循环荷载作用下风积土路基长期变形特性。研究成果可为季节性冻土地区路基工程设计和灾害防治提供科学依据。

单输入单输出系统分数阶预测函数控制

基于分数阶微积分理论和预测函数控制理论,针对一类单输入单输出分数阶线性系统提出了一种分数阶预测函数控制方法。用Oustaloup近似法对分数阶系统近似的整数阶系统建立预测输出模型,并根据GL定义在代价函数中引入分数阶算子。该控制方法通过将控制输入结构化简化了控制器设计,引入分数阶算子增加了控制器的自由度。仿真结果表明:与传统预测控制器相比,分数阶预测函数控制器具有调节时间短、抗干扰能力强及鲁棒性强等优点,在模型失配的情况下也有较好的跟踪效果。

不同类型读写作文语言特征和分数预测因素研究

计算机化、网络化等多模态情景下的综合性写作测试研究和实践是国际语言测试领域的重要趋势。英语测试是亚洲国家英才管理制度的重要门槛;本土化的、有针对性的研究成为必需。对189名中国低水平英语学习者的梗概和议论文文本及成绩分析结果显示,两类写作任务下学生产出的作文在语言复杂度、内容和连贯方面存在显著差异,梗概语言流利度、准确度和复杂度高于议论文,但议论文内容更丰富,结构更合理。二者的分数预测指标有差别,T-unit正确率是共用的重要预测因素。

中国英语学习者朗读语音特征和分数预测模型研究

模仿朗读任务常用来测量学习者的语音能力,但关于影响朗读质量因素的实证研究甚少。本研究以2013年广东省高考英语听说考试模仿朗读任务考生口语录音为语料,对语音特征进行编码后采用多元线性回归建立分数预测模型。结果发现吞音(以吞音错误百分比为指标)、音素错误(以音素错误百分比为指标)、单词或词块错误(以单词或词块错误百分比为指标)、重音(以重音错误百分比为指标)以及语调(以调群语调平均分为指标)和考生分数显著相关。模仿朗读分数预测模型是:考生分数(20分制)=10.246+2.814×调群语调平均分-14.480×单词或词块错误百分比。本研究结果可为评分标准开发、课堂教学、试题命制提供参考。

基于粒子群优化的分数阶PID预测函数参数整定

为避免分数阶PID预测函数手动调节参数的不确定性以及繁琐性,应用粒子群算法优化其参数,完善分数阶PID预测函数控制器,并提高其控制精度,充分体现了算法的智能性。将粒子群整定分数阶PID预测函数算法应用于单变量的励磁控制系统中,通过Matlab仿真并与模糊分数阶PID预测函数以及经验调节方法相比较,结果表明,粒子群算法整定参数收敛速度快,找到最优点时间短,整定后的算法具有静态误差小、无超调、上升速度快、调节时间短、抗干扰能力强等优点,能很好地满足励磁系统的动态特性,并具有较强的鲁棒性及适应性。

基于分数阶灰色Elman组合模型的中长期负荷预测

针对电力系统中长期负荷预测样本少、间隔时间长、影响因素多等问题,提出基于分数阶灰色Elman的组合预测模型,首先针对负荷预测样本少、增长趋势明显的特点,利用分数阶灰色模型弱化原始序列的随机性,降低解的扰动界,其次利用Elman神经网络模型适应性与学习能力强的特点来解决负荷的非线性及影响因素复杂的问题,然后根据最优模型赋予二者最优权值,得到最终的组合模型,最后采用傅里叶级数残差校正模型修正组合模型的误差。仿真结果表明,本文提出的方法可有效拟合负荷的变化趋势,提升负荷预测的准确度。

高考命题中的分数分布模拟与预测——难度常模的具体应用

难度常模的构建不仅带来了命题理念的转变和命题过程中控制技术的突破与改进,也大大简化了考试分数分布的模拟与预测过程。借助难度常模模拟和预测考试分数分布有两种方法:逐题比较法和分类合并法,分别适用于题目数较少与题目数较多的试卷。前者通过题目指标预估表和命题蓝图二者的比对,同时在难度常模中比对配对题目的数据预测分数分布;后者先将题目按难度和区分功能类型进行合并,再查询难度常模估取相应题目数据,计算得到各目标群体的得分情况。

基于分数阶灰色模型的生鲜电商产品销量预测研究

新型冠状病毒的爆发,使供应链受到了不良影响,蔬菜水果等生鲜商品线下批发零售受阻,生鲜电商却迎来了新一轮的发展。从生鲜消费者角度出发,通过构建分数阶灰色预测模型对生鲜产品的需求量进行预测,并引入甘福园生鲜电商销售数据进行验证,得到柠檬、车厘子、苹果及火龙果4种水果拟合值的平均绝对百分比误差(MAPE)分别为8.61%、7.15%、7.16%、6.81%,其值均小于灰色预测模型和一次指数平滑法,且由该模型得到预测值的平均绝对百分比误差均小于10%,结果表明该模型适用于生鲜电商产品销量预测。

新高考“6选3”模式下预测高校录取分数的方法

由于新高考“6选3”模式不再区分文理科,这使得无法根据院校历史文理分科数据对新高考院校录取分数进行有效预测。鉴于此,提出了一种文理科历史数据归一化方案,以招生人数作为权重将院校文理分科历史数据合并生成虚拟数据,并使用线性回归模型对新高考“6选3”模式下高校录取分数做出预测。实验结果表明,该方法能够整合历史文理分科数据,对实施新高考模式高校的录取分数进行精准预测。

常模参照性高考录取分数线的预测程序设计

采用常模参照性高考录取分数线预测程序 ,根据概率统计原理 ,利用正态分布规律 ,从公开新闻媒体获得的有限信息 ,预测当年高考录取分数线的近似值 。

基于分数线预测的多特征融合高考志愿推荐算法

近年来,随着我国高考人数逐年增多,考生对高考志愿填报服务的需求日益增加。面对海量的院校填报信息,考生往往很难在短期内做出比较符合自身意愿的合理选择,进而导致报考事故的发生。因此,针对高考志愿报名问题,在爬取历年高考录取数据的基础上,提出一种基于分数线预测的多特征融合推荐算法(Reco-PMF)。该算法首先利用历年高校最低投档位次,通过BP神经网络预测报考年份各高校最低投档位次以及最低投档分数线,然后根据考生分数进行院校初筛,进而构建3种与录取分数相关的特征,结合院校软科排名,通过遗传算法进行权值寻优,得到不同院校的录取概率,并在此基础上定义推荐度实现为考生进行不同录取风险层次的高校推荐,形成完整的推荐结果。实验结果表明,基于BP神经网络的高校录取分数预测算法在不同误差限下的表现均优于其他算法;相比百度和夸克的已有服务,所提算法在多层次测试分数下,平均录取率分别提升14.8%和24.1%,同时成功录取院校的平均位次分别提升了99名和87名。

基于BFGS-FA优化的分数阶灰色模型的中长期负荷预测

针对部分灰色预测模型如GM(1,1)不满足新信息优先原则和整数阶灰色模型在扰动相等的情况下,解的扰动界随原始样本量的增大而增大,预测精度易受到输入样本波动而降低等问题,提出了一种采用BFGS-FA优化的分数阶灰色预测模型对中长期负荷进行预测。利用BFGS-FA寻优算法对分数阶灰色预测模型的阶数进行寻优,得到最优阶数的分数阶灰色预测模型。采用优化后的模型在MATLAB平台上对某地2010年至2012年的售电量进行仿真得到预测值,并将该方法与其他文献的方法进行了对比分析,研究结果表明基于BFGS-FA优化的分数阶灰色模型能提高中长期负荷预测的精度。