基于分子群改进海象优化算法的矢量水听器宽带信号DOA估计

针对矢量水听器阵列宽带信号波达方向(DOA)估计中存在误差大,求解精度不高等问题,提出一种将分子群改进的海象优化算法(MGIWaOA)与极大似然(ML)估计算法相结合的宽带信号估计方法。首先利用信号子空间变换算法构建聚焦矩阵,将宽带信号转换为窄带信号,然后建立基于ML的DOA估计模型,再通过MGIWaOA进行优化估计。仿真结果表明,该算法比海象优化算法、正弦余弦算法、麻雀优化算法、差分进化算法、遗传算法、粒子群算法的ML估计方法具有更快的收敛速度、更低的均方根误差和更稳健的性能。

基于SMD与WaOA-CNN-LSTM的短期光伏功率预测

针对当前光伏功率预测模型所面临因数据的复杂性、信号处理过程的噪声干扰、非线性特征难以提取等问题而导致的预测精度低、稳定性差等多方面挑战,提出了一种融合二次模态分解(SMD)和基于海象算法(WaOA)优化CNN-LSTM神经网络的组合预测模型。首先,利用完全自适应噪声集合经验模态分解(CEEMDAN)对光伏数据进行分解,并结合K均值聚类算法(K-means)将多个子序列重构成低频、中频以及高频序列;其次,将含有残余噪声的高频序列采用变分模态分解(VMD)进行二次分解处理;最后,对各分量分别构建CNN-LSTM模型,并利用WaOA算法对网络参数进行寻优,将各分量的预测结果进行叠加,得到最终预测结果。SMD处理方法解决了传统数据处理方法模态混叠、低频分量过多和高频分量噪声残余等问题,CNN-LSTM模型能够捕捉数据中的空间关系和长期依赖关系,WaOA算法对模型参数的优化提高了模型的性能和效率。选取陕西某地光伏电站数据进行测试,通过多组对比实验进行验证,结果表明:所提方法具有更高的预测精度。

融合SBAS-InSAR和WaOA-LSTM的上海浦东国际机场沉降监测与预测

为了监测上海浦东国际机场(SPIA)的沉降现状并提高长短时记忆(LSTM)网络模型预测精度,本文基于短基线集合成孔径雷达干涉测量(SBAS-InSAR)技术和32景Sentinel-1A影像,获取了上海浦东国际机场2020年9月—2023年8月的时间序列沉降信息;构建了基于海象优化算法(WaOA)优化的WaOALSTM沉降预测模型,并将预测结果与合成孔径雷达干涉测量(InSAR)监测值进行对比分析。结果表明,上海浦东国际机场近三年最大沉降速率为-52.21 mm/a,最大累积沉降量达到-159.30 mm,沉降主要集中在填海区的二号、四号和五号跑道,其中五号跑道北部周围护岸区域及沿海堤坝区域最为严重;WaOA-LSTM模型预测值与监测真实值的均方根误差为2.63 mm,平均绝对误差为2.06 mm,相较于传统LSTM模型分别提升了52.87%和53.29%。研究结果为上海浦东国际机场的安全运营提供了参考。