变分模态分解模型中关键参数K的辨识研究——基于加权最大信息系数法

变分模态分解模型中参数K的最优辨识问题,一直是影响该方法理论与应用研究的一个重要问题。针对该模型中参数K的最优辨识,尝试构建基于分量累积信息贡献的加权最大信息系数法,对该模型的参数K进行辨识研究,并通过美元兑人民币汇率和中国消费者信心指数这两个实际数据的算例进行分析检验。研究结果表明,针对不同的序列数据特征,单纯的最大信息系数或分量方差贡献方法都难以辨识出变分模态分解的最优参数K值,而加权最大信息系数法对于参数K的确定具有良好效果,可以有效辨识出不同特征序列分解的最优K值。

基于MIC与BiGRU的水电机组振动趋势预测

为提高水电机组振动趋势预测的准确率,本研究提出了一种基于最大信息系数(MIC)与双边门控循环神经网络(BiGRU)的水电机组振动趋势预测模型。首先,预处理阶段采用小波系数阈值去噪(WTD)方法对历史振动信号数据进行降噪处理以消除强背景噪声的干扰,并将振动信号划分为多个训练样本以改善算法的鲁棒性;其次考虑水力、电气与机械不平衡力因素的影响,基于MIC对与振动信号关联性强的状态参数进行特征选择作为模型的参考输入;再采用BiGRU网络建立振动信号预测模型,进行超前多步的振动信号趋势预测;最后利用训练好的模型对在线获取的振动数据进行实时预测。为评估模型的预测性能,本研究采集某抽水蓄能水电站的振动监测数据进行多组对比实验,验证了所提方法具有较好的预测能力和泛化能力,适用于水电机组振动的趋势预测。

空管塔台运行效能评价指标网构建及计算

随着信息时代的到来,空管领域数字化、网络化特征逐渐呈现,塔台作为空管体系运行的重要组成部分,影响其运行效能的因素均呈网络化相互作用。根据影响因素及客观数据挖掘塔台运行基础指标,使用最大信息系数法对塔台运行指标进行相关性分析确定底层网络化关联关系,再结合复杂网络FN算法对底层关联网划分功能社团,产生了一种根据数据自发涌现的网络化指标体系(指标网),为后期科学评价塔台运行效能奠定了基础。