基于时延传感器网络的预测融合算法研究

现有的基于网络时延的融合算法大都直接套用传统的同步数据融合方法,因此会产生信息等待、资源闲置以及差的实时性能等问题。针对上述问题,在现有工作基础上,结合预测估计以及顺序加权融合技术,设计出了一种新的能适应网络时延的多传感器预测加权融合算法。该算法不仅能很好地解决现有基于时延的数据融合算法存在的诸多弊端,同时获得了良好的实时预测功能,并给出了新的基于网络时延的预测加权融合算法的推导过程,通过计算机仿真算例和理论分析来显示新算法的实用性和优越性。

基于激光雷达探测的飞机尾流融合预测方法

为提高基于激光雷达的飞机尾流探测反演精度,根据扫描出的径向风速数据,建立了基于Kolmogorov结构函数的大气背景湍流耗散率(EDR)估计方法;然后基于两阶段消散预测模型,计入湍流对尾流消散过程的影响,实现基于历史探测数据的尾涡强度环量和涡核运动趋势的预测;通过环境探测数据与预测模型的结合,提高尾涡特性参数的反演精度。研究表明,相较于反演算法,采用本文模型预测的尾涡轨迹在径向距离和角度的精度上分别提高了59.5%、64.8%。

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。

基于边缘检测的乳腺癌细胞核分割预测图融合算法

目前针对病理学图像中的乳腺癌细胞核分割研究中,乳腺癌细胞核分割结果中存在边缘欠分割,过分割等问题.由此提出了一种基于边缘检测的分割预测图融合算法(UDE-M),该算法主要为两个步骤,一是通过U-Net,DeepLab V3对数据集进行训练获取分割预测图,二是通过算法中的逻辑判别规则进行融合获取最终的分割结果.研究结果表明:UDE-M算法Accuracy值达到了92.5%,Precision值达到了77.3%,Recall达到了83.8%,F1分数值达到了80.4%,相比于U-Net和DeepLab V3以及文中组成的FDE-M模型和SDE-M模型,能够更加有效对乳腺癌细胞核进行分割.

融合局部特征的多知识库常识问答模型

当前的多知识库融合常识推理模型的输入和特征组合的方式过于简单,导致模型丢失了一些与问题和答案相关的重要信息,限制了融合外部知识的常识推理模型的效果。另外,在进行常识问答的任务时,预训练语言模型输出的问题和答案表示存在的向量各向异性问题没有得到解决。这些问题都是导致常识问答推理性能不够高的因素。针对以上问题,提出了一种基于局部特征融合的多知识库常识问答模型,改进外部知识库和问答文本的融合方式。模型将局部的问题和答案特征融入预训练语言模型全局特征,以丰富模型的特征信息,并在预测层结合了多种维度的特征进行预测;模型对于待匹配的问题和答案句子表示进行了白化处理,然后执行匹配任务。通过白化操作,模型增强了句子表示的各向同性,提升了句子向量的表征能力;还探索了不同预训练编码器(如:ALBERT、ELECTRA)在模型上的效果,以加强对知识文本的特征抽取能力,并证明了模型的稳定性。实验结果证明,在相同BERT-base编码器的实验下,模型的准确率达到78.6%,相较于基线模型,准确率提升了3.5个百分点;在ELECTRA-base编码器的实验下,模型的准确率达到80.1%。

双预测结构融合的复杂红外图像背景抑制算法

针对复杂红外图像的背景抑制问题,提出了一种双预测结构融合的复杂红外图像背景抑制算法。算法以图像中每个像素为中心,在其局部区域内根据灰度相似程度和空间分布相关性计算像素的核值相似程度,然后根据核值相似程度有侧重地融合两种不同结构的空间滤波器的输出作为最终的预测结果,最后将原始图像与预测图像相减完成背景抑制。实验结果表明,本文提出的算法能够较好地抑制不同红外图像中的复杂背景,算法结构简单,具有较强的应用价值。

基于KNN多模型融合的高铁列车晚点预测方法

高速铁路列车运行过程中,由各种外部环境干扰或内部设备故障引发的列车晚点问题对铁路调度指挥与运营管理带来了极大的负面影响。为了更好地把握列车晚点情况,及时调整列车运行图,提高铁路行车指挥与运输服务的质量,本文提出了一种基于KNN多模型融合的列车晚点预测方法。本文采用神经网络、支持向量机和随机森林等机器学习方法,通过对荷兰铁路不同时间下的列车运行数据进行预处理、特征提取和特征选择,训练出了三个独立的列车晚点预测器。为了利用不同机器学习方法的互补预测特性,同时提高在异常交通条件下列车晚点预测模型的整体性能,本文采用基于KNN的多模型融合框架对三种基本预测器进行融合。研究结果表明,基于KNN多模型融合的智慧列车晚点预测方法的预测精度明显优于独立的机器学习模型。

基于机器学习的医学影像人工智能领域技术融合预测

[研究目的]研究旨在实现医学影像人工智能领域的技术融合预测及发展趋势预判,并对基于机器学习的技术融合预测方法进行改进,以避免根据传统研究技术融合的方法进行指标罗列,导致指标体系整体逻辑性不强的局限性。[研究方法]以德温特专利数据库为数据源,依据技术融合的内在机理提出相似性和技术特性指标,构建基于机器学习的技术融合预测框架,并对医学影像人工智能领域进行实证分析。[研究结论]结果显示医学影像所涉技术与数字化信息化技术的融合以及数字化信息化技术之间的融合是当前以及未来的发展主题。此外,该领域技术与语音扩音方面的技术G10L、H04R,信息通信方面技术G16H、G16B、H04L的融合以及教育相关的技术G09B与数据方面的技术G06K的融合可能是未来发展的趋势。该领域的研究验证了框架的可行性。

融合CEEMDAN和ICS-LSTM的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。

基于遥感数据的空间目标融合预测模型

提出了一种融合预测模型,把基于全局数据的径向基函数、人工神经网络与基于区域数据的空间采样插值相结合,并通过优化权重组合和修正误差,使得预测误差最小化。利用了多角度成像光谱辐射仪MISR,采集了从2002年—2003年美国大陆26个局部区域的辐射数据,对模型进行了2组气溶胶光学厚度的预测实验。地表特征因为反射能力的不同,导致了预测模型的不同复杂度。结果显示,融合模型能显著地减少陆地上的预测均方差。

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型,对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟和嵌入维数两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。实验结果表明:对于特征层的融合,每15 min时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5 min、10 min、20 min相比较误差达到最小仅0.003,较目前的最小误差值0.05大大下降,融合预测效果较好,可以较准确地预测15 min后的传感器数据,有充足时间进一步为井下的安全评估提供决策依据。

基于MISR遥感数据的优化融合预测模型

提出了一种新的预测气溶胶光学厚度AOT的优化融合模型，它把基于全局数据的径向基函数神经网络与基于局部区域数据的前向神经网络相结合，并通过优化权重组合，使得预测误差最小化。利用该模型对多角度成像光谱辐射仪MISR所采集的2002年7～9月份的数据进行AOT预测实验。结果显示：对美国陆地上空的大多数轨道，优化融合模型预测准确率明显高于全局模型和局部模型，其总体预测均方差比后二者分别减少了12．9％～24．5％和3．3％～10．5％．这表明优化融合模型是一种更为准确的摩间数据预测方法。

基于回归和神经网络的NdFeB磁性能融合预测模型

为了进一步提高纳米复相NdFeB系永磁合金磁性能预测模型的精度和扩大适用范围,根据组合优化理论对均匀设计试验建立的纳米复相NdFeB系永磁合金磁性能的回归预测模型和神经网络预测模型进行了组合优化,提出了一种融合预测模型。结果表明,融合预测模型的精度最高,神经网络模型次之,而回归模型精度最低。融合模型的最大相对误差为2.2%,可以用于纳米复相NdFeB系永磁合金的成分优化设计。验证实验表明该模型具有很好的适应性。

考虑航段相关性的航路拥挤态势多模型融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型,预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.

基于信息融合最优估计的非线性离散系统预测控制

针对非线性离散系统的二次型最优预测控制问题,提出了一种基于信息融合最优估计的迭代预测控制算法.通过融合二次型性能指标函数中包含的未来参考轨迹和控制能量的软约束信息,以及系统状态方程和输出方程的硬约束信息,获得协状态序列和控制序列的最优估计.通过二自由度机器人操作手的转移控制仿真,表明了该控制算法具有良好的稳定性和鲁棒性.

基于融合模型的风电场输出功率短期预测方法

风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型。首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型。以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156%,可有效提高大型风电场输出功率的预测精度。

主/客观证据融合模型在洪水预测研究中的应用

文章提出了BP神经网络联合与DS证据推理相融合的模型,实现了多个领域不同层次的全部主/客观证据的特征级融合,还实现了多个模型的优势互补。解决了单一模型洪水预测问题存在的算法复杂度高,分类准确率低等问题。通过实验得出,主/客观证据融合方法不仅提高了12%的分类精度,还降低了算法的时间复杂度。

改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.

融合多模型深层地应力预测方法

针对由于研究手段与技术等原因导致地应力测量难度大,而现有预测方法精度不高的问题,提出融合多模型预测方法。该方法首先通过构建多个子预测模型,然后由随机选取的样本训练子模型,按一定的优化算法将这些子模型进行线性融合,子模型投票优胜的决策结果即为预测的深层地应力值。利用某油田实际测井数据进行实验,并与最小二乘支持向量机(LS-SVM)、BP神经网络、线性回归进行对比分析。实验结果表明,对于最大水平应力和最小水平应力的预测,文中的融合多模型预测方法精度较LS-SVM、BP神经网络、线性回归最好,且其拟合结果也较好,提高了预测精度,能够满足工程需求,可有效应用于工程中深层地应力预测。

基于多预测器融合的医学时间序列数据预测

医学时间序列的预测对医疗工作具有重要指导意义,提出一种基于多预测器融合的时间序列预测方法,吸收不同单预测器的优点,从而提高预测性能。首先,在训练集上,分别用BP神经网络、多项式回归和稳健线性回归等预测器进行模型训练;其次,根据其相对误差推导自身权重,并将三个单预测器加权组合成为多预测器系统。实验过程将多预测器与三个单预测器进行比较,结果显示:多预测器的效果较好。