网络可靠度分析的改进最小割递推分解算法

在网络连通可靠度分析的最小割递推分解算法基础上,充分利用分解过程中获得的信息,采用合并节点以及合并并联边的方法,有效地简化了分解出来的子网,大幅度降低了算法分解出来的不交最小割和不交最小路数量,从而大幅度地减少了计算时间.3个网络实例计算分析表明,与最小割递推分解算法相比,改进最小割递推分解算法能更高效地计算得到网络系统的连通可靠度,为生命线工程网络的抗震可靠性提供了1种更加有效的分析工具.

网络可靠度分析的最小割递推分解算法

基于不交最小割求解系统失效概率的思想,提出了求解网络系统失效概率的最小割递推分解算法。在此基础上,利用概率不等式给出了失效概率的上、下界,从而可以通过控制上、下界之间的误差来获得计算精度和计算时间之间的平衡。计算实例分析表明,该算法能计算给出中、小型网络失效概率的精确值,并能够高效、高精度地求解出大型复杂网络系统的失效概率。

生命线网络可靠度分析的改进最小路递推分解算法

在生命线网络最小路递推分解算法的基础上,充分利用分解过程中的信息,采用合并节点的方法,快速降低分解出来子网的复杂程度,从而达到大幅度减少分解出来的不交最小路(割)数量和提高计算效率的目的。计算实例分析表明,与最小路递推分解算法相比,改进算法能更为高效地给出网络可靠度,是一种有效的生命线工程网络抗震可靠性分析工具。

基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的"数据饱和"现象。为了克服"数据饱和"问题,首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服"数据饱和"。

基于网络缩减的递推分解算法

根据生命线工程网络的特点,介绍了串联边缩减、并联边缩减和源点合并这三种有效的网络缩减规则,并将这些网络缩减规则引入到改进最小路递推分解算法和改进最小割递推分解算法之中,大大简化了上述算法分解出来的子网,减少了网络可靠度分析的复杂程度.实例分析表明,通过引入网络缩减技术,可以有效地降低网络的复杂程度,并能大幅度地提高计算效率.

网络可靠度分析的最小路算法和最小割算法研究

网络可靠度分析是评价城市生命线工程系统整体抗震性能的主要手段。本文分别从最小路和最小割的角度介绍了网络可靠度分析算法,包括:经典不交最小路(割)算法、最小路(割)递推分解算法和改进最小路(割)递推分解算法。在此基础上,通过实例分析,着重进行了改进最小路递推分解算法和改进最小割递推分解算法的对比分析,分析结果表明两种算法在网络单元不同可靠度水平下具有不同的计算效率,并对引起以上区别的三个主要原因进行了分析。

时间渐消递推最小二乘估计的矩阵QR分解方法

给出了当数据一步更新时,利用矩阵QR分解进行最小二乘估计的直接递推形式。与利用Givens旋转变换进行参数递推估计的方法相比,该方法直接表征了被辨识参数的递推计算关系,因而可直接判定递推估计算法的收敛性。

关于最小费用最大流算法的一点改进

求解最小费用最大流的一个算法是先求出其最大流,然后在保持流值不变的前提下修改流,使总的费用逐次减少,直到不能减少为止。为了对流作修改,算法中利用了求最短路的Floyf方法,以判别和寻找最大流f所对应的增量网络N~μ(f)中的负权回路。如果存在这样的负权回路Q(即W~μ(Q)【0),如果存在这样的负权回路,则可对流进行修改,使流值不变而总费用减少;如果不存在这样的负权回路,则已是最小费用最大流。本文试图对用Floyd方法寻找负权回路Q这一问题作一些探讨和改进。

基于QR分解的启发式自适应最优界椭圆辨识算法

借助于基于 QR分解的加权递推最小二乘算法结构 ,提出了一种启发式自适应最优界椭圆(Optimal Bounded Ellipsoid,OBE)辨识算法 .采用了集元方法中的 OBE辨识思想 ,使算法具有识别冗余数据的功能 ;同时具有比随机方法更佳的“局部”数据信息利用效果 .利用指示时变系统参数变化的监测因子 。

改进两阶段分解的熵变混合短期风速预测研究

针对风速序列不平稳难以预测的问题,提出了一种混沌麻雀搜索算法(CSSA)优化最小二乘支持向量机(LSSVM)参数的短期风速预测混合模型。模型结合样本熵(SE)和具有自适应噪声改进的互补集成经验模态分解(ICEEMDAN)、变分模态分解(VMD)两阶段分解的数据预处理方法。首先,利用ICEEMDAN分解原始风速序列,且依据SE评估子序列的复杂程度,重构熵值近似的序列,VMD二次分解熵值最大的序列。然后对所有子序列分别建立LSSVM预测模型,同时CSSA对该模型参数优化以提高预测效率。最后将预测的各子序列叠加得到最终风速预测值。通过与经典模态分解等混合模型比较表明,所提基于优化算法的模型预测精度和收敛速度有明显提高。

基于改进灰狼算法的船舶数学模型参数辨识

为了解决船舶操纵性指数计算复杂以及辨识参数泛化性较低问题,本文利用改进灰狼算法对辨识参数进一步优化。基于大型油轮运动数据以及一阶、二阶线性响应型数学模型,利用支持向量回归得到辨识参数的参考值。当参考值泛化性较低或者不准确时,利用改进灰狼算法实现辨识参数的范围内寻优,并将所得的辨识结果与基于遗忘因子的递推最小二乘的辨识结果对比。研究表明:利用改进灰狼算法优化后得到的辨识参数结果精度较高并且具有一定的泛化性。改进灰狼算法具有较强的搜索能力,同时可以对其他算法得到的不准确的参数进一步优化,使得参数辨识值更为准确。

一种不完全信息下递推辨识方法及收敛性分析

针对信号在网络环境下传输带来不完全信息使得在线参数辨识算法和收敛性困难的问题,不同于传统递推最小二乘方法,本文提出了一种不完全信息下递推辨识方法并分析其收敛性.首先运用伯努利分布刻画引起不完全信息的数据丢包特性,然后基于辅助模型方法补偿不完全信息并构造了新的数据信息矩阵,并运用矩阵正交变换性质对数据信息矩阵进行QR分解,推导了融合网络参数的递推辨识新算法,理论证明了在不完全信息下递推参数辨识算法的收敛性.最后仿真结果验证了所提方法的可行性和有效性.

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线SOC的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后EKF方法的SOC估计误差小于0.5%,估计精度获得明显提高。

一种基于小波分解的非线性系统辨识的新方法

提出了一种结合小波理论和NARX模型的新辨识算法 .该算法利用小波 (多维小波 )函数有效的逼近能力避免了通常确定NARX模型结构时的复杂过程 ,构成了一个相当通用且不依赖于系统先验信息的辨识框架 .应用递推最小二乘算法估计模型参数时 ,该算法可实现系统的在线辨识 .两仿真算例说明了这种算法的有效性 .

改进LMD和LS-SVM在小电流接地故障选线中的应用

提出一种改进的局部均值分解（LMD）和最小二乘支持向量机（LS-SVM）相结合的小电流接地故障选线新方法。针对LMD存在端点效应的缺陷，提出了一种最小平方距离相关的改进算法，对端点效应进行了有效的抑制；LS-SVM在SVM基础上，用二次损失函数代替不敏感损失函数，用等式约束代替不等式约束，降低了计算复杂度。与径向基神经网络（RBF）方法的分类效果对比，验证了LS-SVM在非线性模式识别方面的优势。实验表明该方法能够很好地选出故障线路，为小电流接地故障选线提供了一种有效的新方法。

一种基于改进BFO和RLS的模糊建模方法

为了提高非线性系统的模糊建模精度,提出了一种基于改进的菌群优化算法(IBFO)和递推最小二乘(RLS)算法的模糊建模混合学习算法。该方法采用T-S模糊系统进行函数逼近,首先用改进的菌群优化算法优化模糊模型的前提参数,然后用递推最小二乘算法优化模糊模型的后件参数,实现对模糊模型全局参数的优化。对非线性系统、煤气炉数据和气动加载系统的建模表明,该方法在逼近精度方面优于其他方法。

基于二次分解与IGWO-LSSVR模型的超短期风速预测研究

针对风速序列的非线性导致预测精度不高的问题,提出了一种基于二次分解技术和改进灰狼算法的风速预测模型。首先,利用该模型对风速序列进行完备经验模态分解(CEEMD),并且对复杂度过大的前3个分量采用变分模态分解(VMD)进行二次分解;然后,对分解后的各个分量采用改进灰狼算法(IGWO)优化最小二乘支持向量回归(LSSVR)进行风速预测得到各个分量的预测值;最后,将各个分量预测值相加得到风速的预测结果。结果表明,二次分解技术能有效降低子分量的复杂度;改进的灰狼算法能有效提高算法寻优能力,提高风速预测准确性。

用于增强信号的自适应广义特征向量跟踪算法

广义特征分解技术在现代自适应信号处理中占有重要地位.本文提出了一种新的无约束损失函数用于广义特征分解,并且分析了损失函数的特性.通过应用递推最小二乘(RLS)技术来最小化损失函数,得到了用于求解最大广义特征值对应的广义特征向量的自适应算法.并将这种算法应用于CDMA系统中的智能天线波束形成问题.仿真结果表明算法具有快速收敛和动态跟踪能力.

基于CEEMD和改进SSA-LSSVM风功率预测模型

为了保证电力系统的安全有效运行和便于调度人员调度,准确的风功率预测就变得极为重要,同时更高精度的预测模型也变为了研究热点。针对传统麻雀搜索算法(SSA)存在着容易出现局部最优解与全局搜索效果较差的问题,提出加入混沌序列与交换学习策略的麻雀算法对最小二乘支持向量机(LSSVM)的惩戒和核函数参数寻优,避免了单一预测变量精度不高的问题;同时为了解决预处理数据自相关性,采用完备总体经验模态分解(CEEMD)对其分解,有效降低预测曲线滞后性;最终提出基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型。仿真结果表明:该模型在一定程度上提高了预测精度,提升了该模型在风功率预测中的实际应用价值。

基于互补式集合经验模态分解和IPSO_ LSSVM的短期风功率预测

针对风电出力随时间变化具有非线性特点,本文提出一种基于互补式集合经验模态分解(CEEMD)和改进粒子群算法最小二乘支持向量机(IPSO_LSSVM)新型风功率预测组合模型。首先该方法利用CEEMD将风速序列分解为一系列相当平稳风电分量,以减少不同频率功率信号之间相互影响;其次针对各分量不同特点,采用改进粒子群算法优化核函数相关参数建立各自对应预测模型;最后将不同分量预测数据进行叠加得到风功率预测结果。通过仿真验证,本预测模型有较高预测精度,在工程中具有一定实用价值。