基于灰色关联及量子门节点神经网络的时间序列预测

为了有效地解决时间序列的波动性、随机性,以及处理难度大等造成的预测不稳定、预测误差大等问题,提出了结合灰色关联分析与量子门节点神经网络的时间序列预测模型。首先,通过灰色关联分析计算时间序列的主特征值与各影响因子的关联度并根据关联度值进行排序,删除低于关联度阈值的影响因子所对应的原始序列并更新时间序列,以降低待处理的数据量。然后,将更新后的时间序列作为输入,采用基于梯度下降算法的量子门节点神经网络,合理分配训练与测试数据,深入学习时间序列的变化规律,得到预测结果和预测误差。实验结果表明,该组合模型所得到的预测误差的稳定性和精度均优于传统的单一时间序列预测模型,为时间序列预测以及其他预测提供了一种新的思路和方法。

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.

浮选气泡NSCT域多尺度等效形态特征提取及识别

为了解决浮选气泡图像现场光照不均、相互黏结、无背景等造成的直接形态特征提取困难问题,提出一种浮选气泡NSCT域(Nonsubsampled Contourlet Transform, NSCT)的多尺度等效形态特征提取及识别方法。通过NSCT变换将浮选气泡图像分解为低频图像和多尺度多方向高频图像;采用模糊集方法二值化低频子带图像,得到气泡亮点图像,提取亮点个数、平均面积、标准差和椭圆率作为等效形态尺寸特征;结合方向模极大值及差分盒维法计算各高频子带方向的分形维数;最后,将多尺度多方向等效形态尺寸特征作为输入,采用量子门节点神经网络对三类浮选气泡图像进行状态识别和分类。实验结果表明,该方法提取的等效形态尺寸特征与分类的相关性高,能对三种类型浮选气泡图像进行有效的状态识别,平均识别准确率达95.1%。本算法的识别准确率较几种流行算法而言有较大提高,适用于动态变化的浮选工况。