基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析(KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法(CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO-PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。

基于源项辨识的飞机座舱污染浓度动态预测

随着大型民机飞行时间的延长,座舱空气污染事故发生概率也随之增大,快速准确的污染浓度预测对保证乘客生命安全具有重要意义.座舱各污染浓度的动态预测和污染源项强度辨识是实现座舱空气质量实时预测的关键技术.污染源项散发强度辨识,如采用最小二乘算法,参数估计是静态的,一般延迟较大;如采用单模卡尔曼滤波算法,虽能实现动态辨识,但不能同时兼顾稳态和过渡过程(突发污染)的参数估计性能,导致误差较大.为解决上述难题,本文提出基于源项辨识的飞机座舱污染浓度动态预测方法,同时完成污染源散发强度动态辨识和污染浓度状态实时预测.该算法由2个滤波器组成,分别用于匹配系统的稳态和突发过渡过程特征,提高浓度方程参数估计和状态预测性能,保证飞机座舱空气质量态势预测的快速性和准确性.仿真结果证实了该算法的有效性.