基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

小波多尺度分段直接校正法用于近红外光谱模型传递的研究

分段直接校正(PDS)算法是目前最常用的近红外光谱模型传递方法,但它在对整个谱区进行校正时,始终依赖大小不变的传递窗口。为了提高传递效果,本研究在PDS基础上提出了一种新的算法——小波多尺度分段直接校正法(WMPDS),用于混胺的近红外光谱模型传递,并详细讨论了模型的传递参数和传递结果。本算法首先对混胺的近红外光谱进行小波分解,然后用PDS算法对每一层小波系数进行传递,PDS窗口随小波系数频率的提高进行动态调整,最后进行小波重构。本算法能有效消除不同仪器之间的大部分差异,大幅度地改善分析精度,与传统的PDS相比,传递效果明显提高。

分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别

为提高脑电的情感识别率,提出了分段复合多尺度模糊熵算法,采用分段粗粒化和计算复合多尺度模糊熵的策略,使提取特征较好地解决了数据缺失和计算不准确的问题;同时构造了应用余弦非线性收敛因子和动静态位置更新的灰狼算法优化支持向量机分类模型。为证明所提两种算法的有效性,进行了仿真实验验证,并在公开DEAP数据库下与几种常见的支持向量机优化模型比较脑电的情感识别率,结果表明在提出的模型下,效价、唤醒度、优势度、喜欢度的平均识别率分别为87.27%、87.81%、89.06%、87.58%,均高于其他算法。另外对比了高/低喜欢度下效价和唤醒度的分类,实验表明喜欢度低时情感识别率较高。

基于分段复合多尺度模糊熵的机车受电弓故障诊断

为克服多尺度模糊熵(MFE)对机车受电弓故障特征表征不明显的不足,将分段复合多尺度模糊熵(PCMFE)用于机车受电弓的故障特征提取中,并据此提出基于PCMFE的机车受电弓故障诊断方法。与MFE不同的是,PCMFE采用分段粗粒化和复合多尺度模糊熵的计算方法,可以解决MFE计算过程中数据丢失和在大尺度因子下计算不稳定的问题,可以更加准确地对故障信号进行表征。机车受电弓故障诊断实例结果表明,PCMFE对不同故障的区分性比MFE更好,提高了极限学习机(ELM)的诊断精度。