基于改进SAX算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法

新型电力系统下配电网运行方式调整愈来愈频繁,配电网负荷-馈线匹配面临采样数据高维异构且价值密度低、现有匹配算法对负荷物理特征依赖度高、参数设置灵活性弱等难点,为此提出一种基于改进SAX(符号聚合近似)算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法。首先,建立面向离散符号化时间数据序列的数据价值提升模型,将高维异构的数据近似表示为低维统一的符号,修正和填充异常数据、空白数据。其次,构建改进CNN-LSTM(卷积神经网络-长短期记忆)混合神经网络,对负荷数据进行所属馈线匹配分类训练,利用多头注意力机制深入挖掘负荷数据的潜在数学关系,降低对负荷物理特征的依赖度。然后,引入贝叶斯超参数优化算法对神经网络训练参数进行逐次更新,提高馈线拓扑变化时神经网络模型的灵活性与适应性。最后,对某地区100条馈线进行负荷匹配实验验证,结果证明所提方法较传统方法具有更高的匹配精度。

一种基于贝叶斯网络的微波雷达和图像融合与分类算法

近年来,深度学习技术的进步在合成孔径雷达(SAR)自动目标识别(ATR)技术中取得了出色的表现。然而,由于斑点噪声的干扰,SAR图像的分类任务仍然具有挑战性。为了解决这个问题,本研究提出了一种多尺度局部–全局特征融合网络(MFN),该网络集成了卷积神经网络(CNN)和Transformer网络。所提出的网络包括三个分支:CovNeXt-SimAM分支,Swin Transformer分支和多尺度特征融合分支。CovNeXt-SimAM分支在不同的尺度上提取SAR图像的局部纹理细节特征。通过将SimAM注意机制结合到CNN块中,从空间和通道注意角度增强了模型的特征提取能力。此外,Swin Transformer分支用于提取不同尺度下的SAR图像全局语义信息。最后,多尺度特征融合分支用于融合局部特征和全局语义信息。此外,为了解决由于经验确定的模型超参数问题而导致模型精度和效率较低的问题,采用贝叶斯超参数优化算法确定了最佳的模型超参数。该研究提出的模型在MSTAR数据集上,标准工作条件(SOCs)和扩展工作条件(EOCs)下,对SAR车辆目标分别取得了99.26%和94.27%的平均识别准确率。与基准模型相比,识别准确率分别提高了12.74%和25.26%。结果表明,贝叶斯-MFN降低了SAR图像之间的类间距离,导致更紧凑的分类特征和更少的斑点噪声干扰。与其他主流模型相比,贝叶斯-MFN模型展现出最佳的分类性能。

受电弓系统可靠性评估的超椭球贝叶斯网络方法

针对受电弓系统复杂多态特性以及故障概率难以精确表达的问题,且现有研究主要滞留于结合证据理论的模糊贝叶斯网络的现状,首次将超椭球贝叶斯网络引入受电弓可靠性分析中,规避了模糊贝叶斯网络区间取极值的情况,使得根节点的概率取值区间进一步被界定;进而以超椭球贝叶斯网络求解受电弓系统在不同故障状态下的叶节点故障率、灵敏度、后验概率等可靠性参数,找出了影响系统可靠性的高风险事件.经与模糊贝叶斯网络对比可知,超椭球贝叶斯网络区间更小,验证了新方法的正确性与实用性.

基于超椭球贝叶斯网络的制动系统可靠性研究

制动系统工作条件多样、功能层次、内部结构间运行关系复杂等特性,经常受到磨损、振动、疲劳、冲击、以及过度维修等多种因素影响,在实际运行过程中,会导致的系统及部件在正常工作和完全失效两状态之间存在着多故障状态、多失效模式问题。通过基于超椭球贝叶斯网络的可靠性分析方法,研究了贝叶斯网络描述部件及事件的故障状态的多态问题,同时结合超椭球模型对区间变量进行约束,构建超椭球贝叶斯网络模型,引入动车制动可靠性分析中,并与区间贝叶斯网络分析结果进行对比。结果表明:超椭球贝叶斯网络模型分析结果较区间贝叶斯网络的概率区间范围更小,精度更高,既解决了区间贝叶斯网络区间计算结果的保守问题,又提高了制动系统可靠性分析的准确性,然后通过求解制动系统的灵敏度、后验概率等重要参数,找出了系统的薄弱环节和影响制动系统可靠性的高风险事件,为检修策略的制定及技术改造提供理论指导。

贝叶斯超参数优化的浅层神经网络轴承故障诊断方法

为实现轴承故障的精确诊断,采用特征排列的方法分析轴承振动的数值特征,通过贝叶斯超参数优化方法调整神经元数量来拟合轴承振动特征,并用Dropout解决过拟合问题,提出一种基于贝叶斯超参数优化方法的浅层神经网络轴承故障诊断方法。实验表明,在各种阈值下,采用该方法的轴承故障诊断综合评价指标AUC达到99.8%,性能指标高于传统故障诊断方法。

基于不确定度的多智能体信用分配方法

近年来,部分可观测条件下多智能体协同受到广泛关注。中心化训练分布式执行作为处理这类任务的通用范式面临信用分配这一核心问题。值分解是该范式中的代表性方法,通过混合网络将联合状态动作值函数分解为多个局部观察动作值函数以实现信用分配,在很多问题中表现很好。然而这些方法维持对混合网络参数的单一点估计,因缺乏不确定度表示而难以有效应对环境中的随机因素导致只能收敛到次优策略。为缓解这一问题,对混合网络进行贝叶斯分析,提出一种基于不确定度的多智能体信用分配方法,通过显式地量化参数的不确定度来指导信用分配。考虑到智能体之间复杂的交互,利用贝叶斯超网络隐式地建模参数任意复杂的后验分布,以避免先验地指定分布类型而陷于局部最优解。在星际争霸微操环境中的多个地图上与代表性算法的性能进行对比与分析,验证了算法的有效性。

基于模型组合的电力负荷精准预测

电力负荷的预测涉及环境和社会因素,因此,设计一种高效准确的预测模型是电力行业的重要任务。设计了一种基于传统机器学习模型组合的电力负荷预测模型。该模型从特征层面入手并采用Wrapper与梯度的特征排序选择方法对主要特征进行筛选和优化。在实验中,对预测结果进行了基于时序扩展窗口拆分的K折时序交叉验证和比较。结果表明,该模型能够有效预测电力负荷的短期时序变化,且预测效果比传统的单一机器学习模型好。通过贝叶斯超参数调优方法得到的超参数组合能够显著提高模型的准确性和泛化能力。这说明贝叶斯超参数调优方法能够在一定程度上解决模型过拟合和欠拟合问题,提高模型的稳定性和可靠性。

概率密度函数信息融合概述

概率密度函数不仅包含了一阶、二阶统计量信息,还包含高阶统计量及更为复杂的特征信息。多传感器的概率密度函数信息融合是信号处理领域一个复杂待解决的难题,尤其是随着自动驾驶、无人系统等领域对于多传感器多尺度信息融合的需求,该问题的重要性逐渐凸显,如何设计融合准则、如何形成统一的融合框架是科学家和工程师们一直致力于解决的课题。本文针对随机变量的多传感器获得的多概率密度函数融合问题,调研了现有的融合理论和方法,提供了一些融合设计规则、准则、原理和定理等,如公理化方法、优化方法和超贝叶斯方法,期望能够为该问题的有效解决提供一定的方向性指导。

基于ForGAN的高速电梯制动器失效预测方法

针对高速电梯制动器失效率及维护决策方面的研究目前仍存在明显的不足。为了解决目前高速电梯在制动器失效率预测上存在结果准确性和可靠性不足的问题,对高速电梯制动器失效模式和机理进行了分析,确定了影响制动器失效的主要原因和相关参数,提出了一种经贝叶斯超参数优化后的预测性生成对抗网络(ForGAN)模型。首先,采集了高速电梯制动器工作性能数据,并对其进行了归一化处理;然后,利用主成分分析法进行了理论失效率计算,并采用了基于BO+ForGAN的模型对制动器失效率进行了预测和分析;最后,将所得结果与SVM、BiLSTM等传统预测模型所得结果进行了分析对比,并选取绝对误差、均方根误差、决定系数(R2)对上述各个预测结果的精度进行了评估。研究结果表明:基于BO+ForGAN模型的制动器失效率预测效果最好,泛化能力最高,能适应不同的实验工况,且贝叶斯超参数寻优算法能够找到一组最优的超参数。评估结果显示,高速电梯制动器失效率预测值的准确率达到了98.1%,从而验证了基于BO+ForGAN模型(方法)的有效性。

基于BOHB-BP的增材制造成型件质量预测方法

表面粗糙度和拉伸强度是衡量熔融沉积制造(FDM)成型件质量的重要指标,但由于FDM工艺参数众多,且与FDM成型件质量之间呈现非线性关系,因此传统方法难以准确预测这两项指标。为此,提出一种贝叶斯超频道优化算法(BOHB)与BP神经网络相结合的FDM 3D打印成型件质量预测方法以提高预测精度与稳定性。将层厚、扫描次数和填充间隔这三个工艺参数作为模型的输入;利用BOHB算法对BP神经网络的超参数进行优化得到BOHB-BP模型;使用中心复合实验获取表面粗糙度和拉伸强度的实验数据,在以上两种数据集上根据留一法验证模型的精度与稳定性;将模型BOHB-BP与模型GA-BP和BP的预测情况进行对比实验,证明了所提方法在不同数据集上均有更好的预测精度与稳定性。

基于梯度提升决策树的风电机组齿轮箱故障检测

针对传统提升算法在处理风电机组运行大数据时,存在效率和准确度低、实时性差等问题,提出基于梯度提升决策树的风电机组齿轮箱故障检测方法。首先,结合专家经验并利用最大信息系数分析风电机组海量大数据之间的相关性,在此基础上进行特征选择得到合理的特征向量;其次,利用贝叶斯超参数优化算法,优化梯度提升决策树算法中关键参数,建立基于梯度提升决策树的故障检测模型;最后,将经过最大信息系数分析处理后的特征向量作为梯度提升决策树故障检测模型的输入值,将齿轮箱不同工况下类别作为输出值。实验结果表明,该方法具有更低的漏报率和误报率,具有更强的泛化能力,能实时检测故障,降低维护成本。

不同日照强度下的舰船目标识别

海面目标监测时,舰船目标的清晰度常随着不同的日照强度下海面光线反射强度而变化,不同的日照强度会导致舰船目标识别率不稳定,出现误判虚警率提高等问题.为此,提出基于ResNet-50的舰船目标识别算法.首先使用ResNet-50网络提取图像特征信息,并对日照强度变化前后的特征进行日照鲁棒损失约束,减小特征差异;然后采用灰度直方图计算特征统计矩的方法得到日照对比度、亮度、平滑度、信息量、三阶矩和熵6种特征,并生成新的特征向量对日照强度前后的特征再次进行日照鲁棒损失约束,削弱和约束日照变化前后亮度、对比度因素对特征的影响;最后将二者约束联合构成损失函数并进行训练,使用贝叶斯自适应超参数优化训练最佳权重.实验结果表明,针对舰船日照变化数据库的平均识别率达到90.47%,比改进前提高4.00%左右,对日照强度为25,65和80的舰船图像识别率分别提高3.14%,6.07%和16.41%,该算法对日照强度变化有着良好的约束作用,显著提升了识别率.

5G EN-DC场景下LTE基站下行速率预测方法研究

在EN-DC Option 3x双连接中,5G gNB能否在数据分流时准确地获取LTE eNB下行速率,影响着5G E-UTRA和NR双连接(E-UTRA-NR Dual Connectivity,EN-DC)实际性能的高低。文中提出了一种结合贝叶斯超参数优化的双层堆叠长短时记忆时序预测模型(BO_SLSTM)对LTE eNB下行速率进行实时高精度预测。研究了不同自适应学习率优化算法和时间步长对模型预测精度及速度的影响,实现算法的进一步优化。实验结果显示,经过优化后的模型预测准确性达到了99.8%,在LTE eNB下行速率预测中具有良好的预测性能和较好的适用性。

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题,提高油田生产中的产量预测精度,提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络,构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入,生成预测产量数据,利用对数损失函数评价预测数据与真实数据之间的偏差,通过条件生成式对抗网络的博弈训练,并结合贝叶斯超参数优化算法,优化模型结构,综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库,以地质与生产条件等产量影响因素作为模型的条件输入,进行油藏单井产量预测。结果表明:与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比,CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、0.81%以及1.72%,并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度,提高了模型的泛化能力与预测精度,验证了所提算法的优越性,对指导油田高效开发和保障我国能源战略安全具有重要意义。

基于随机森林模型的滑行艇剩余阻力预测

针对滑行艇阻力成分复杂、预报困难等问题,采用随机森林方法,以浮心纵向位置和棱柱系数等船体几何特征量及弗劳德数共六变量作为输入量,建立单位排水量剩余阻力的预测模型.采用Box-Cox变换与主成分分析相结合,并利用贝叶斯超频道优化(BOHB)算法对随机森林算法的超参数进行优化,提升了预报精度.结果表明:通过Box-Cox变换与主成分分析结合的数据处理方法,使随机森林模型预测均方误差降低24.09%;在此基础上,进一步利用BOHB算法优化超参数,使均方误差进一步降低25.95%.