径流序列相空间重构的水文学含义及应用

为确定径流序列相空间重构后的水文学含义并提高径流中长期预测精度,基于混沌理论进行径流序列相空间重构,并对径流影响因素与重构后相空间列向量进行相关性分析。在此基础上建立了混沌理论与人工神经网络耦合(Chaos-BPNN)的径流预测模型,并应用于黑河上游莺落峡水文站和正义峡水文站。结果表明:径流序列重构后相空间列向量具有明确的水文学含义;Chaos-BPNN径流预测模型仅需径流序列数据就可进行建模和预测,规避了径流预测过程中主控因素难以确定和不易量化的问题;黑河上游降水量、输沙量、水位和气温分别与重构后相空间的第1、3、6、7列具有较高的相关性,风速与任何一列都不相关,推测雪线高程、植被覆盖率以及土地利用类型等因素与第2、4、5列存在相关性;构建的Chaos-BPNN径流预测模型在黑河上游莺落峡水文站和正义峡水文站的径流预测精度均在86%以上。

基于多变量相空间重构和径向基函数神经网络的综合能源系统电冷热超短期负荷预测

为解决能源危机问题,提高能源利用率,综合能源系统(integrated energy system,IES)成为发展创新型能源系统的重要方向。准确的多元负荷预测对IES的经济调度和优化运行有着重要的影响,而借助混沌理论能够进一步挖掘IES多元负荷潜在的耦合特性。提出了一种基于多变量相空间重构(multivariate phase space reconstruction,MPSR)和径向基函数神经网络(radial basis function neural network,RBFNN)相结合的IES超短期电冷热负荷预测模型。首先,分析了IES中能源子系统之间的耦合关系,运用Pearson相关性分析定量描述多元负荷和气象特征的相关性。然后,采用C-C法对时间序列进行MPSR以进一步挖掘电冷热负荷和气象特征在时间上的耦合特性。最后,利用RBFNN模型对电冷热负荷间耦合关系进行学习并预测。实验结果表明,所提方法有效挖掘并学习电冷热负荷在时间上的耦合特性,且在不同样本容量下具有良好且稳定的预测效果。

基于相空间重构与深度学习的冲击地压矿井时间序列b值趋势

冲击地压是制约煤炭安全高效开采的重大灾害之一,实现冲击地压的智能化预警是保障煤矿智能安全开采的关键路径。b值作为监测冲击地压的有效指标,掌握矿井开采过程中b值演化趋势对冲击地压的及时预警具有重要意义。为此基于相空间重构(PSR)与深度学习提出了对矿井开采中时间序列b值的短期预测方法,运用相空间重构技术将卷积神经网络识别及降噪后的b值映射到高维空间,混合遗传算法(GA)优化的长短期记忆网络(LSTM)学习高维数据特征构成b值预测模型(PSR–GA–LSTM)。实例结合冲击地压矿井宽沟煤矿W1123综采工作面,计算了降噪后b值的重构参数且实现了数据的重构。评价了不同模型的预测性能并对最优预测模型进行了实例分析。研究结果表明:时间序列b值经过降噪技术处理后,能增强模型对于b值趋势特征的学习能力和降低噪点对于冲击前兆信息的干扰;时间序列b值经过相空间重构及长短期记忆网络的超参数得到优化后,模型的预测精度能得到明显提升;较其他模型相比PSR–GA–LSTM的残差波动范围最小稳定在0.005以内,其误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为0.00151、0.00133、0.29%都低于其他模型;PSR–GA–LSTM模型经过时间序列b值训练后,所预测的b值趋势蕴含着冲击前兆信息,能预先对冲击事件的发生提供b值预警指标。该模型对于匀速推进的冲击地压矿井b值趋势发展有着较好的预测能力,所用方法可为在冲击地压时间上演化发展的预测预警研究提供借鉴与参考。

融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明:PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%~9.77%,均方根误差平均降低17.01%~19.72%,对训练数据量的依赖程度相比LSTM降低25%~33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构(multivariate phase space reconstruction,MPSR)和鲸鱼优化算法深度极限学习机(whale optimization algorithm-deep extreme learning machine,WOA-DELM)的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机(deep extreme learning machine,DELM)模型中,同时利用鲸鱼优化算法(whale optimization algorithm,WOA)对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,结合实例分析,并与传统的模型进行比较。结果表明:所提预测模型得到的3个评价指标分别0.4120 MW、0.4921 MW和1.7822%,优于其他模型,具有更好的稳定性和预测性能。

基于相空间重构与GSA-LVQ的有载调压变压器分接开关机械故障诊断

针对有载调压变压器分接开关机械故障诊断准确率不高以及潜在机械故障不能及时被发现的问题,提出了一种基于互补集合经验模态分解(CEEMD)、相空间重构结合万有引力搜索法(GSA)改进学习矢量量化神经网络(LVQ)的有载分接开关机械故障诊断新方法。采用CEEMD对振动信号进行时频域分解,然后通过C-C算法确定延迟时间和嵌入维数,对反映不同频率特征的固有模态函数(IMF)进行相空间重构,并提取反映混沌特征的两个特征量李雅普诺夫指数和关联维数构成特征向量。利用GSA优化LVQ,解决网络对初始连接权值敏感的问题,增强网络对有载分接开关机械故障分类识别性能。通过对有载分接开关机械状态的实验分析,证明了相空间重构结合GSA-LVQ算法的可行性和有效性。

基于相空间重构和卷积神经网络的混沌信号识别方法

针对卷积神经网络在处理一维信号时会由于网络模型参量过多导致算法收敛慢和过拟合问题,提出了一种基于相空间重构和卷积神经网络的混沌振动信号智能识别方法。首先,利用时间延迟法将一维混沌振动信号重构为二维吸引子图;然后,通过扫描转换法将其转换为标准像素图输入卷积神经网络模型;最后,借助卷积神经网络强大的图像分类能力,实现仿真和试验混沌振动信号的智能识别。结果表明:该方法能对含噪声的混沌振动信号进行有效识别,在信噪比超过10 dB时分类准确率仍可达100%,不仅具有良好的泛化性、稳定性和通用性,还消除了训练的过拟合现象,能较好地应用于工程实际中。

基于相空间重构和PSO-K-means的球磨机负荷状态识别方法

针对球磨机振动信号具有强随机性、非平稳性和非线性等内在特性导致负荷状态难以识别的问题,提出一种基于相空间重构和PSO-K-means的球磨机负荷状态识别方法。首先,利用改进前后的自相关系数算法对Lorenz与Rossler两种混沌时间序列进行数值模拟,得出延迟时间和嵌入维数精准有效的计算方法;其次,验证出球磨机筒体振动信号具有混沌特性后对其时间序列进行相空间重构,恢复出等价的混沌吸引子;接着,针对3种不同负荷状态下的相空间吸引子进行特征提取,分析了关联维数特征量的变化规律;最后,将关联维数作为特征向量输入PSO-K-means聚类模型中对球磨机负荷状态进行分类与识别。结果表明,PSO-K-means聚类模型在负荷状态识别时有较高的精准性,欠负荷、正常负荷、过负荷下识别精度分别为94.2%、96.3%、94.8%。以上结果证实了该方法能够实现对球磨机负荷状态的有效识别。

云计算系统相空间分析模型及仿真研究

针对云计算系统具有海量节点和节点间高耦合性的特点,提出了将云计算系统投影到参数相空间,将节点参数的变化转化为参数相空间中点的运动,利用海量节点在参数相空间的运动与热力学运动的相似性定义来分析云计算系统在相空间上的广义热力学参数,并在参数相空间的基础上进一步定义云计算系统的动量相空间,建立云计算相空间分析方法的基本理论模型.依据该模型建立了相空间调度算法,通过仿真对比实验验证了相空间分析模型对云计算系统工作状态的分析表述能力和相空间调度算法的有效性.相空间调度算法能使云计算系统在参数相空间中保持低熵的均衡状态.

基于相空间张量分解的有载分接开关故障诊断

有载分接开关一次档位切换过程中伴生的振动信号与其机械状态密切相关。文中基于有载分接开关档位切换过程中振动信号的高维相点空间分布,对有载分接开关多个位置处的振动信号进行张量化表示,用以捕捉尽可能丰富的有载分接开关机械状态信息。然后对所构建的相空间三阶张量进行Tucker张量分解以获取核心张量,据此建立基于卷积神经网络的有载分接开关机械故障判别模型。以某CM型有载分接开关动作时的振动信号为例进行分析,结果表明,有载分接开关动作时的振动信号的相空间核心张量信息全面且冗余少,所构建的基于卷积神经网络的有载分接开关机械故障诊断模型性能良好,准确率超过95%,可为有载分接开关的故障识别及状态维修提供参考依据。

广东热带气旋短期气候预测——相空间相似预报方法的应用

利用非线性理论,对广东省热带气旋年频数时间序列采用相空间向量相似和相空间投影预报方法建立预报模型。经过5种方案的试验,发现这两种方法都有一定的预报能力,而且通过对比发现,热带气旋年频数内在的性质和外部强迫因子的作用在预报中都不可忽视,且外部因子的选取是否适当也是非常重要的。

基于相空间重构方法的三维MIMO无线信道预测

第五代(5G)无线通信网络采用的大规模多输入多输出(MIMO)技术需要大量空口资源估计和反馈MIMO信道。除优化导频、估计和反馈设计外,对信道衰落的预测也是节约空口资源的有效途径。运用相空间重构方法研究三维信道模型相关的相空间重构参数,提出一种基于经验知识的小样本在线学习方法,对MIMO信道系数和信道容量进行预测。研究发现无线信道数据具有混沌性,相空间延迟时间和嵌入维数服从一定分布,因此可以作为实时预测的先验参数进行设定。实验结果表明,该方法预测效率比传统ARMA方法提升6倍左右,信道容量的平均误差最小为5.91%。最后,采用某市区的实测数据验证相空间重构方法的有效性,信道容量的预测平均误差最小为0.91%。

基于相空间重构的辐射源个体识别技术综述

辐射源个体识别技术,起源于雷达目标精确辨识任务,旨在根据截获的电磁信号提取辐射源独有的指纹特征,并进一步辨识辐射源个体身份的技术。相空间重构技术,作为一种有效的时间序列分析技术,可以从一维时间序列中重构一个与原系统非线性动力学特性相同的相空间。相空间重构技术自2007年开始被诸多学者引入辐射源个体识别问题中。然而,该项技术研究时间较短且分布较为分散,尚未形成清楚的发展脉络。对此,该文旨在系统性地总结归纳基于相空间重构的辐射源个体识别技术。首先,在介绍相空间重构技术的基础上,论述了相空间重构技术应用于辐射源个体识别的理论依据。其次,从方法框架、算法分类、算法应用效果、算法初步对比4个维度,介绍了基于相空间重构技术的辐射源个体识别技术的研究现状。仿真实验结果表明,该项技术能够有效地捕捉辐射源硬件的非理想性,胜任目标精确辨识任务,并可通过特征融合等手段提升算法鲁棒性。最后,总结现有方法的不足并展望其未来发展前景。

基于相空间重建-卷积神经网络识别混合机械通气人机不同步

机械通气过程中人机不同步(patient-ventilator asynchrony,PVA)是常见问题。随着智能生理闭环通气成为呼吸机的主要发展方向,机械通气过程将不再局限于传统的通气模式,且针对PVA的智能识别模型,现有技术存在弱泛化性和高复杂度的特点。为此,该文的主要工作是:首先,将定压型与定容型通气模式的混合作为样本;其次,设置Hold-out和留一法两种交叉验证实验,以验证混合通气模式下PVA的识别任务可行性。此外,为提高PVA识别任务中模型的泛化性能,该文提出了基于相空间重建的卷积神经网络(phase-space reconstruction-based convolutional neural network,PSR-CNN)模型,通过交叉验证对现有公开报道的方法做模型选择。在模型构造过程中,相空间重建的最优时间延迟参数和嵌入维度分别使用平均互信息和伪近邻算法估计;在交叉验证过程中,同时使用降采样和补零技术,以保证实验的正常运行。结果显示,就全局指标accuracy和F1-score而言,该文提出的PSR-CNN模型,分别高出对比模型约7%和6%;且PSR-CNN单个样本的平均训练耗时最短,约2 ms。综上所述,该文探索了混合通气模式下PVA识别的可行性,且在该任务的框架内提出了PSRCNN模型,提高了PVA分类任务中模型的泛化性能,降低了模型的复杂度。该文的工作对呼吸机在工程上的智能化发展具有重要参考意义与应用价值。

基于相空间重构与RBF网络的心冲击波补偿研究

在基于心冲击描记图的非接触式心率检测方法中,心冲击波的真实形态容易在体动发生时被掩盖。为解决无效信号给心跳点定位造成的阻碍,提出一种相空间重构与RBF神经网络结合的体动区间波形补偿模型。首先利用改进的C-C法选取合适的重构参数,并通过动态k-均值聚类确定网络拓扑结构,将动作发生前时间序列在重构空间中的相点作为学习样本输入到模型中,进而实现对无效信号段的单步递归预测。实验结果显示,该预测模型性能良好,能够减少原始信号中不规则噪声带来的影响,经模型修正后计算逐拍心动周期的平均误差为1.27%,平均绝对误差为8.9 ms,有效避免了心跳事件的误判。

鼓泡流化床稀相空间颗粒粒度分布的时变特性

鼓泡流化床稀相空间的催化剂颗粒粒度分布一方面与流化床流化速度有关,另一方面与流化床中藏量的细小颗粒跑损有关,即随着流化床操作的连续进行,流化床系统中的细颗粒不可避免的存在跑损,进而影响到稀相空间的颗粒粒度分布。由于这种跑损是连续发生的,因此稀相的颗粒粒度分布变化具有时变特性。选用催化裂化平衡催化剂和二维流化床,在连续流化操作过程中采集稀相空间中的颗粒样品,分析颗粒的粒度分布,考察稀相空间中颗粒粒度分布随流化操作时间的变化。结果表明:随着流化床系统中细颗粒的跑损,稀相颗粒粒度分布的中位粒径和峭度逐渐增加,稀相空间的颗粒逐渐粗化,经过一段流化操作时间后颗粒粒度分布变化趋于稳定。

Floquet相空间方法分析周期驱动下原子玻色爱因斯坦凝聚体动力学

用相空间动力学方法研究一维无限深势阱内的原子玻色爱因斯坦凝聚体受到时域周期性微扰时的动力学行为.通过功角变换和共振频率近似,在Floquet相空间中构造有效的势场来预言玻色爱因斯坦凝聚体的运动,并通过数值模拟实空间动力学方程,验证了该方法.

利用蒙特卡洛模拟评估TrueBeam加速器6 MV非均整模式下相空间文件的通用性

目的探究Varian 6 MV光子束非均整模式(Flattening Filter Free,FFF)下相空间文件(Phase Space File,PSF)对同类加速器的通用性。方法基于我院的Varian Edge加速器头中的组件参数,利用EGSnrc/BEAMnrc分别模拟了完整的加速器头模型(完整FFF模型)和使用Varian提供的6 MV FFF模式PSF输入源的部分加速器头模型(部分FFF模型),使用EGSnrc/DOSXYZnrc模拟两种模型条件下水模体中的剂量分布,得到百分深度剂量(PercentageDoseDepth,PDD)和横向剂量离轴比(Off Axis Ratio,OAR),并与测量数据进行比较,同时对在射野大小10 cm×10 cm下二者在离开加速器头后获得的PSF进行能谱和能量注量的分析。结果Varian提供的6 MV FFF的PSF存在对入射能量和离轴平均能量的低估倾向,从而使其PDD相对测量数据偏低,在OAR跌落区存在较大的偏差。完整FFF模型和部分FFF模型之间存在差异。通过比较两个模型的PDD和OAR数据,发现部分FFF模型的结果略差于完整FFF模型。此外,能谱分析也表明,部分FFF模型的较低入射电子能量会对低能光子占比和离轴平均能量产生影响。结论本研究使用蒙特卡洛软件对利用Varian提供的TrueBeam的6 MV FFF的PSF构建部分FFF模型和完整FFF模型进行模拟,得到的不同射野下水模体的三维剂量分布,结果表明,采用PSF构建的模型存在PDD偏低、OAR偏差大、离轴平均能量低估等问题,建议采用该PSF时,应与实际的水箱测量数据进行对比验证,同时采取具体的措施降低不确定度,若差异较大时,应构建完整的加速器机头模拟参数以适应不同的研究内容。

基于多变量相空间重构与近似熵的飞行动作识别方法

针对现有飞行动作识别研究中规则表述复杂和训练代价高昂问题,提出一种基于多变量相空间重构与近似熵的飞行动作识别方法。首先,统一重构基数,分别得到高度、滚转和俯仰角三维序列相空间轨迹;然后,将多相空间中同位置相点基于贝叶斯理论融合得到新序列,并提取机动动作片段;最后,利用递归图及近似熵定性定量地描述片段序列复杂度,从而实现不同飞行动作识别。根据某型号飞机多次连续飞行数据验证结果表明,该方法可快速准确识别不同机动动作,具有较好泛化性。

基于机器学习的束团横向相空间测量

理论上,使用断层扫描技术可以得到真实的横向相空间分布。但是想要更加精确地了解分布的细节,需要解决旋转角度范围受限和投影数目不足的问题。针对这两个问题,提出了在混合域处理的神经网络模型,即组合地在正弦域和断层域分别使用插值和去除伪影神经网络。在简单地测量束线以及投影数目比较少(7个)的情况下,该网络模型也能高质量地重建束团横向相空间分布。并且,由于选择旋转角度的方式和归一化相空间无关,因此,无需测量Twiss参数。采用该方法测量束团横向相空间,一定程度提升了重建质量,简化了测量的方式。