基于适应性矩估计的偏振控制算法

偏振控制可以有效恢复光纤传输过程中因相位偏移而受损的偏振态,是量子通信、光纤传感以及相干光通信等领域中的关键技术。提出了一种基于适应性矩估计(Adam)的偏振控制算法,建立了相应的偏振控制系统模型。基于该模型对Adam偏振控制算法进行了数值仿真,并与经典的随机梯度下降(SGD)算法进行了对比,同时分析了控制精度和噪声幅度对偏振控制效果的影响。仿真结果表明,该算法可以快速收敛到目标偏振态,在衰减率为0.03、噪声幅度为0.003、偏振迭代步数为53时,控制精度可达10-4。与SGD算法相比,平均迭代步数减少了23%,最高控制精度提升了1~2个数量级。基于现场可编程门阵列验证了Adam算法的可行性,结果表明,该算法能快速、稳定地补偿信道中的偏振变化,并通过优化衰减率提高偏振控制效果、缩短偏振控制时间。

基于LSTM-Adam的矿井提升机故障预警模型

针对不同作业环境下提升机特征参数的独特性难以充分贴合和故障预警难度大等问题,提出了一种基于长短期记忆神经网络(LSTM)和适应性矩估计算法(Adam)的矿井提升机故障预警模型。首先,对矿井提升机的工作原理和常见故障表现形式进行了分析,以LSTM神经网络为基础,建立了提升机特征参数预测模型,并结合Adam优化算法,对预测模型进行了训练和优化;然后,采用某矿提升机实际运行数据对所搭建的预测模型性能进行了验证;采用滑动加权均值法对预测残差进行了分析,得到了多个关键特征参数的合理预警阈值,并建立了提升机故障预警模型;最后,以提升机的制动系统故障为例,采用故障模拟实验对提升机故障预警模型的有效性进行了验证。研究结果表明:当预测模型的学习率为0.015时,其训练效果最优,预测模型的损失率可达到0.12%,且参数变化趋势能够得到更好的拟合;采用基于LSTM-Adam的矿井提升机预警模型可以对参数变化趋势进行准确预测,利用预测残差分析结果可以对提升机故障进行精确预警。

基于CNN-LSTM网络的短期电力负荷预测

传统的神经网络在时间相关性较强的负荷预测中精度不高。为了有效提高短期电力负荷预测精度,提出了一种基于卷积神经网络CNN和长短时记忆网络LSTM相结合的负荷预测方法。采集5维负荷特征数据,以CNN卷积层和池化层作为特征提取单元,提取数据空间耦合交互特征;将重构数据输入到LSTM网络挖掘负荷时序特征,采用Dropout技术增加模型泛化能力;利用适应性矩估计(Adam)优化器训练模型;将测试数据输入训练后的神经网络模型,预测未来1 h和12 h电负荷。实验结果表明,该负荷预测模型收敛速度和预测精度均优于改进的BP神经网络、LSTM等预测模型,其1 h负荷预测精度达到98.66%,12 h负荷预测精度达到96.81%,提高了短期电力负荷预测精度。