基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。

抗野值多速率模型及交互式多传感器状态融合

针对状态估计中野值问题进行研究.基于HongLong多速率模型,引入小波变换进行奇异值检测,在时频域将野值剔除;同时利用子波分解抽取多速率信息用以状态估计,从而建立了抗野值的多速率模型.该模型用于集中式多传感器IMM融合算法,形成抗野交互式多速率多传感器滤波算法.仿真结果证明了该算法对观测中的野值有良好的抗于扰性.并且通过抽取观测序列包含的多速率信息实现了对目标状态的精确估计.

一种新的信号状态融合方法

为解决无线网络信号在传输过程中由于受到其他信号的干扰,导致接收端接收的信号与原始信号相比存在误差的问题,该文在利用数据关联和卡尔曼滤波对信号进行融合(fusion method of signal filtering based on wavelet transform and Calman,FSWC)的基础上,利用FARIMA(p,d,q)模型和数据关联来建立一种新的信号融合算法(signal fusion based on wavelet transform and date association,SFTD)。通过仿真实验分别研究融合信号与干扰距离、发送速率、容量、功率的变化情况。仿真结果表明:随着干扰距离的增加,容量开始呈现正相关趋势,直至趋于平稳,并且发送速率、容量、功率对融合信号也产生较大影响;SFTD算法比FSWC算法具有更好的信号状态融合准确性。

一种基于状态融合的协议状态机推断方法

针对现有协议状态机推断方法忽视协议系统输入输出报文之间的内在关系,导致自动化程度较低等问题,提出一种基于状态融合的协议状态机推断方法。首先采集会话样本,将会话过程的输入输出报文序列抽象为符号序列;然后采用扩展前缀树转换器(EPTT)构建初始状态机,通过各状态对相同输入符号序列的状态转换和输出响应评判其相似度,依据相似度的高低搜寻候选状态对并尝试对其融合,同时有针对性地构造测试用例以验证此次融合的正确性。上述流程反复执行,直到没有可融合的状态。结果表明,该方法自动化程度较高,推断出的结果与真实协议状态机高度吻合。

一种用于雷达网目标状态融合的算法

针对目前雷达情报自动化系统中雷达网目标状态融合存在航迹不连续、情报信息利用率低等问题,综合 运用了神经网络和军事运筹学理论和方法,给出了一种用于雷达网目标状态融合的算法。结果表明,利用本方法 使融合后的目标轨迹与目标真实运动轨迹非常接近,有效地提高了雷达情报的综合质量。

高校创新创业教育与专业教育相互融合研究:内涵、原则、状态

创新创业教育与专业教育的融合,是一个重要的理论问题,也是亟须解决的现实问题。以创新教育、创业教育、创新创业教育、专业教育的内涵为逻辑起点,深入分析各概念之间的异同,并指出创新创业教育与专业教育融合是社会对高校人才的迫切要求,也是高校开展人才培养质量改革的突破口。研究认为,高校开展专创融合的过程中应树立“以能力为主”的质量观,建立起“以学生为中心”的教学方法体系,大力推进有专业特色的创新创业教育课程体系,实行创新创业选课制度和学分管理,从而解决专创融合过程中课程体系和制度管理的核心问题。

应用于状态监测的多传感器融合估计

在状态监测的工程实际中,使用多个同类传感器进行在线测量可以得到更为准确的状态估计.但各传感器测量噪声会出现相关的情况,而且很难得到相关测量噪声的方差矩阵的精确值,测量系统往往是不确定的.本文根据系统测量将系统分解为确定和不确定扰动两部分,分别进行估计,然后将两者的融合估计结果相加得到了最优鲁棒的融合估计.针对确定部分,利用同类传感器的测量方差为Pei-Radman矩阵的特性,通过求解测量噪声方差矩阵的最大特征值得到了一种简便的最优融合估计算法,该算法避免了求解方差矩阵的逆的过程.针对不确定扰动部分,基于多胞型描述模型给出了线性矩阵不等式形式的鲁棒融合估计算法.

基于Vague集的道路交通状态决策信息融合

为了获取更加合理、准确的交通状态决策信息,针对交通状态决策信息的多源、模糊、时变特性,基于vague集建立了浮动车、感应线圈与人工报告作为信息源的模糊信息融合模型,能够实现路段与区域路网的交通状态判别。给出了一个路段多源交通状态决策信息融合的算例,验证了该方法的有效性。该方法同时为主客观信息融合提供了一种实现途径。

随机模糊神经网络在目标状态信息融合中的应用

提出一种新的基于随机模糊神经网络的多传感器状态信息融合方法 ,研究和比较了基于单值模糊神经网络和基于随机模糊神经网络的雷达与红外传感器状态信息融合。仿真结果表明 ,当输入被噪声污染时 ,基于随机模糊神经网络的方法离线学习次数更少 ,能更有效地防止噪声的干扰 ,并且融合误差更小。

相关测量噪声的多传感器最优融合状态估计

当检测环境中有一个统一的噪声源时,各个传感器的测量噪声是相关的.许多算法都假设各个传感器的测量噪声是不相关的,因为这是保证测量噪声方差矩阵平行解耦的必要条件.基于矩阵相似变换的理论,提出了一种使多传感器相关测量噪声方差矩阵解耦的方法,该方法使多传感器数据融合测量模型转化成测量噪声不相关的新模型,推导了存在相关测量噪声的多传感器数据融合最优状态估计算法.当测量噪声不相关时,算法与以往的具有不相关噪声的最优算法相同.

多模型信息融合Wiener状态估值器

对多模型多传感器线性离散定常随机系统,应用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型和白噪声估计理论,根据按矩阵加权、按对角阵加权和按标量加权三种最优融合规则,提出了系统公共状态的三种最优加权融合Wiener估值器。它们的精度高于每个局部估值器的精度,且可统一处理融合滤波、预报和平滑问题。为计算最优加权,提出计算局部估计误差互协方差公式。它们可用于带ARMA有色观测噪声系统状态融合滤波问题。一个跟踪系统MonteCarlo仿真例子说明其有效性。

多传感器多目标状态信息融合

研究了多传感器多目标状态信息融合问题．针对被动式跟踪的特点，借助主动跟踪的距离通道值，提出类主动的被动式跟踪．在此基础上提出主被动串并联状态信息融合算法．仿真结果表明该融合方法可以大大提高跟踪精度。

基于运行状态信息融合的电站制粉系统实时优化研究

针对传统优化算法的不足,采用神经网络非线性在线建模技术,提出了一种基于运行状态信息融合的制粉系统实时优化算法。该算法基于资源分配网络获得制粉单耗与过程参数之间的非线性映射关系,在此基础上,建立起球磨机系统在线优化模型,并利用遗传算法对该模型进行寻优,获得优化运行参数,用以指导实际生产。优化结果表明,该算法能有效地降低制粉单耗,在节能优化的同时获得料位、出口温度和入口负压等可控变量参数的优化值。

任意噪声相关异类传感器非线性系统状态矢量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声异类传感器非线性系统状态矢量融合算法.该算法考虑了过程噪声和测量噪声以及测量噪声之间的相关性和传感器系统结构的不同性,增加了描述多传感器融合系统的信息量,通过局部估计的组合构造新的变量以去除局部状态之间的相关性,采用顺序滤波的方法减小了异类多传感器融合系统全局状态估计的计算量.仿真结果表明,由于考虑了过程噪声和测量噪声以及测量噪声之间的相关性,状态矢量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.

任意相关噪声线性系统异步状态向量融合

基于线性无偏最小方差估计理论,提出了一种任意相关噪声线性系统异步状态向量融合算法.该算法将融合中心的采样周期设定为传感器测量周期的最小公倍数,使得传输到融合中心的局部状态估计在每个周期内具有相同的数目,减少了跟踪滤波的计算量.在跟踪滤波器的增益阵中引入测量噪声与过程噪声的相关量和测量噪声之间的相关量,增加了描述多传感器融合系统的信息量.仿真结果表明,状态向量融合算法比噪声不相关融合算法具有更好的跟踪性能,航迹跟踪的精度得到了改善.

组合导航系统状态／观测矢量融合算法比较

本文对组合导航系统中所采用的状态矢量融合和观测矢量融合两种数据融合算法进行了比较，分析了其优缺点，并针对一个两ＧＰＳ子导航系统／ＳＩＮＳ组合导航进行了仿真计算。

基于状态融合策略的锅炉智能补偿优化控制

随着火电机组向高参数、大容量的方向发展,开展大型火电厂节能减排研究成为发电企业面临的重要课题。先进算法在电力系统的应用已非常普遍,如何选择和区分是关键。采用基于状态融合策略的智能预测补偿控制技术能够对过程状态进行区分,从而进行选择性的优化控制。实际案例表明,应用该系统后改善了汽温控制品质并降低NOx排放,提高了锅炉效率,节能减排效果明显。

自校正观测融合解耦Wiener状态预报器

对于带未知噪声方差和带不同观测阵的多传感器系统,应用现代时间序列分析方法,基于子系统和加权观测融合系统的滑动平均(MA)新息模型的在线辨识,提出了一类自校正加权观测融合解耦Wiener状态预报器。用动态误差系统分析方法,证明了它按实现收敛于当噪声方差已知时的最优加权观测融合解耦Wiener状态预报器,因而它具有渐近全局最优性。一个目标跟踪系统的仿真例子说明了其有效性。

融合状态反馈的两模型目标跟踪方法

IMM是目前目标跟踪中状态估计的最有效估计器之一。但它需要先验的模型转换矩阵,这在实际跟踪系统中没有依据确定。通过将前一时刻的组合状态反馈到各个不同的模型滤波过程中,对不同维状态,建立与真实目标状态空间之间的映射,提出了一种新的多模型跟踪算法,这种算法动态加权各模型的滤波输出,不需要设计模型之间的转换矩阵。仿真试验表明了算法的有效性。