基于总体经验模态分解和CoDE-BP短期风速预测

预测问题是应用机器学习的研究热点之一,是计算机技术领域在实际工程的重要应用,然而由于风速具有随机性、波动性等特性,导致风速预测存在准确率低的问题。为了提高风速预测的准确性,将总体经验模态分解(EEMD)方法引入到组合差分进化算法(CoDE)和前馈(BP)神经网络中,提出了一种新颖的混合风速预测模型(EEMD-CoDE-BP)。利用EEMD将原始风速信号分解成一系列不同频率的子序列IMFs和残差序列r,通过每个子序列训练CoDE-BP模型,最终的风速预测结果由每个子序列预测结果等权求和得到。以国内某风电场每10 min、1 h采样间隔的风速数据进行MATLAB仿真,对比包括传统的Elman神经网络(ENN)、小波神经网络(WNN)、BP、CoDE-BP和EMD-CoDE-BP等算法,仿真结果表明所提方法能对风速进行准确有效的预测,极大地提高了预测精度,减小了预测误差。

复杂战场环境下武器装备作战效能优化问题研究

针对复杂对抗环境下武器作战效能影响因素多、难以获得最佳参数组合达到作战效能最大化的问题,将作战仿真技术与优化技术相结合,提出了作战效能优化方法。该方法将复杂作战效能最优评估问题转化为影响效能因素的组合优化问题,通过将进化算法引入作战仿真环节,解决了效能优化目标函数难以构建的问题,为复杂战场环境中武器装备作战效能的优化与评估提供了手段,可有效减少传统基于仿真的作战效能评估过程中,仿真参数设定对评估人员经验的依赖。应用算例表明,该方法可行、有效,为武器作战效能评估和作战使用研究提供了一种新的方法。