基于粒子群优化-熵权无偏灰色马尔可夫模型的沥青道面性能预测

为提高沥青道面使用性能的预测精度,针对道面性能数据累积年限少、波动大的特点,采用熵值法对多个道面单元进行赋权,并利用粒子群算法(PSO)和马尔可夫模型对传统无偏灰色模型残差序列的状态区间和白化系数进行优化,构建可准确预测沥青道面性能的PSO-熵权无偏灰色马尔可夫模型.结合西北某机场沥青道面6个检测单元前7年的道面状况指数进行模型精度检验,结果表明:与传统无偏灰色模型相比,经马尔可夫模型划分残差序列空间并使用PSO算法寻找最佳白化函数后,优化模型第1年~第5年各单元残差和相对误差均减小,且整体预测精度分别提高0.05%、0.28%、0.05%、0.03%和0.14%,第6、7年的整体预测精度分别提高12.9%和19.2%,说明优化后的模型对实际沥青道面的预测结果更具有效性和针对性.

中国省域工业碳排放效率的空间马尔可夫链分析

选取2010—2020年中国30个省份(除西藏、港澳台外)的面板数据,结合工业生产的特点,使用非期望SBM模型测算中国省域工业碳排放效率,结合莫兰指数、核密度、空间马尔可夫链模型对中国省域工业碳排放效率的分布及发展趋势进行分析解读。结果发现:样本期间,工业碳排放效率呈先降低后升高的走势;2013年起我国工业碳排放效率在省域空间中呈现显著的空间正相关性,工业碳排放效率的省域分布情况为分散聚集分散,地区差异增大有两极化趋势,且存在明显的时间滞后性和空间溢出效应。

联合吸收马尔可夫链和骨架映射的视频分割

因严重遮挡和剧烈形变等挑战长期共存,精准鲁棒的视频分割已成为计算机视觉的热点之一.构建联合吸收马尔可夫链和骨架映射的视频分割方法,经由“预分割—后优化—再提升”逐步递进地生成精准目标轮廓.在预分割阶段,基于孪生网络和区域生成网络获取目标感兴趣区域,建立这些区域内超像素的吸收马尔可夫链,计算出超像素的前景/背景标签.吸收马尔可夫链可灵活有效地感知和传播目标特征,能从复杂场景初步预分割出目标物体.后优化阶段,设计短期时空线索模型和长期时空线索模型,以获取目标的短期变化规律和长期稳定特征,进而优化超像素标签,降低相似物体和噪声带来的误差.在再提升阶段,为减少优化结果的边缘毛刺和不连贯,基于超像素标签和位置,提出前景骨架和背景骨架的自动生成算法,并构建基于编解码的骨架映射网络,以学习出像素级目标轮廓,最终得到精准视频分割结果.标准数据集的大量实验表明:所提方法优于现有主流视频分割方法,能够产生具有更高区域相似度和轮廓精准度的分割结果.

基于隐马尔可夫模型的商品信任值计算

融合用户在线评论文本与评价等级来计算商品信任值是构建社会化商务中信任机制的重要环节。利用长短时神经网络计算出用户评论文本的情感得分值,将其与用户评价等级值相结合得到用户综合评价观测值;利用隐马尔可夫模型建立评价信息和信任程度之间观测状态生成的概率矩阵,计算出不同评价观测值对应的信任程度;计算商品在最信任状态的概率值求和平均后求得商品信任值。结果表明论文提出的模型能有效提高信任计算的准确性。

基于离散马尔可夫模型的液位感测系统分析

阐述一种新的测量原理及测量电容结构,其利用模型计算传统式电容液位测量方法中测量介质介电常数数据,分析定期标定的原因。新系统根据液位变化、介电常数、电容量关系,实现高精度测量。

基于高阶马尔可夫链的纯电重卡集群负荷预测

相比于普通电动汽车,纯电重卡具有更高的充电功率、更大的电池容量和更可观的调度潜力,同时受货物重量、物流特性及行驶路径等诸多因素影响,其充电负荷呈现更大的随机性,建立准确的纯电重卡集群负荷预测模型有利于掌握其充电规律,降低对电网的冲击。为此,提出了考虑物流特性基于高阶马尔科夫链的纯电重卡集群负荷预测方法。首先,在考虑软时间窗约束实现纯电重卡路径规划的基础上,通过分析纯电重卡行驶特性预测其开始充电时间,以获取各时刻纯电重卡充电数量;其次,对纯电重卡的荷电状态区间进行模糊双层离散化分区处理,将每个大区间进一步细分为n个小区间,提高预测精度;然后,在求取纯电重卡荷电状态多步转移概率基础上,采用高阶马尔可夫链建立集群负荷预测模型,实现更为精确的负荷预测;最后,采用某物流园区实际纯电重卡数据进行仿真验证,结果表明,所构建的负荷预测模型较准确地预测了纯电重卡集群功率,同时减小了普通马尔科夫链方法的预测误差。

基于半马尔可夫过程的异质WSNs可用度评估

为评估异质无线传感器网络(HWSNs)的可用性,提出一种异质传感器节点状态更契合实际情况的SEQIRD(Susceptible Exposed Quarantined Infected Recovered Dead)新模型。使用半马尔可夫过程描述节点各状态之间的动态转换过程,得到各个状态的稳态概率,并计算得出不同拓扑结构下整个HWSNs稳态可用度。最后进行数值分析,以验证初始感染率、感染变化率和恢复率对HWSNs稳态可用度的影响。

基于概率权重灰色马尔可夫模型的腐蚀预测

精准地预测管道的腐蚀发展趋势是降低油气事故损失,保证其安全运输的主要途径之一。针对常用的基于聚类中心灰色马尔可夫预测模型中等转移概率会导致较大预测误差的问题,提出了一种基于概率权重的灰色马尔可夫模型用于油气管道腐蚀预测。首先用灰色模型对管道腐蚀状态进行初步预测,后采用模糊C均值聚类对预测误差数据聚类,并提出基于概率权重的马尔可夫模型对预测值进行修正,以提高出现等转移概率时模型的预测精度。最后通过两个实例验证了上述模型的有效性和正确性,并与基于聚类中心灰色马尔可夫模型进行比较。

基于马尔可夫转移概率的意识障碍识别研究

意识障碍可分为最小意识状态和植物状态,目前对两类患者的区分主要基于行为量表的方法,但仍存在40%的误判率,脑电信号可以作为临床诊断的辅助工具.微状态可以反应大脑潜在认知机制的时空信息,探讨较短且具有平稳性微状态序列的低阶马尔可夫性质鲜少研究.基于18名意识障碍患者的静息态脑电信号,在具有平稳性的时间尺度上(60 s)对微状态序列进行分割,然后计算状态转换序列的一阶马尔可夫和二阶马尔可夫转移概率,得到两类意识障碍患者具有统计学差异的转移模式,并将差异模式作为特征进行交叉验证,最高得到92%的分类准确率.结果表明:意识障碍患者的统计差异模式更倾向于转向C状态和D状态,一阶马尔可夫比二阶马尔可夫具有更好的分类效果.上述结果为区分两类意识障碍患者以及医疗领域的微状态研究提供了新方法.

基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类

现代电力系统的电能质量扰动逐渐复杂化和多样化,传统的分类方法难以适应复杂多样的扰动变化。依据神经网络进行识别分类的研究都采用传统的单标签分类方法,当出现标签集以外的复合扰动,该分类方法将无法使用。若要更新扰动标签集,则需要整个分类模型重新训练。因此,该文利用深度残差网络构建一种适应能力更强的多标签分类系统,该系统能够准确识别训练样本标签集以外未知标签组合的电能质量复合扰动(power quality disturbances,PQDs)。首先利用马尔可夫转移场(Markov transition field,MTF)将一维时域扰动信号转换为二维可视化图像,利用深度残差网络(ResNet)建立9个二分类器提取二维图像中涵盖的扰动特征。通过9个二分类器构成的多标签分类系统进行扰动分类,其训练样本标签集内分类正确率可达97.58%,掺杂标签集外的扰动信号平均正确率可达97.67%,远高于同级别的分类系统。

基于马尔可夫模型的多等级灾害下复杂系统可靠性和维修分析

近些年来,自然灾害发生的频率逐渐增加,复杂系统的规模越来越大,导致了巨大的经济损失。由于自然灾害的预测较难,且灾害极易对复杂系统造成巨大冲击,因此,对复杂系统的可靠性和维修分析显得尤为重要。本文研究多等级灾害下的复杂系统的维修策略。首先基于马尔可夫模型对多态复杂系统性能进行分析,基于系统性能变化对复杂系统的损失进行分析,然后以系统总损失最小为目标来确定故障组件的维修集合。由于资源限制,假设每次只能修复一条故障线路,而且不同线路对系统损耗的影响不同,因此必须确定修复故障线路的顺序,本文利用综合重要度来确定维修集合中组件的维修顺序。最后以IEEE18节点标准配电系统为例,对其进行可靠性和维修分析,提出给定故障组件集合下的维修策略,从而验证了模型的可行性。

基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法

新型电力系统中的电能质量扰动愈加复杂,为提升电能质量复杂扰动分类准确率并增强算法的噪声鲁棒性,提出了一种基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法。首先,利用马尔可夫转换场对电能质量扰动时序数据进行模态变换,得到图像模态数据;然后,将图像模态数据输入卷积神经网络进行特征提取;最后,利用多头注意力机制着重关注卷积神经网络提取特征的重要部分并进行扰动分类。与常规的图像模态转换方法相比,该方法具有更好的扰动分类效果与抗噪声能力。

基于隐马尔可夫模型的火灾风险评估研究

近年来全球气候变化越来越复杂,自然灾害频发,森林防火形式日益严峻,森林火灾风险评估工作越来越重要。为此,基于隐马尔可夫模型(Hidden Markov Model, HMM)提出一种森林火险评估模型。首先构建森林火灾风险指标体系,将其分为气象条件、森林特征以及防火意识和能力3类12个指标,并根据层次分析法计算指标权重。同时,针对HMM模型求解过程中Baum-Welch算法对初始值有较强的依赖性且容易陷入局部最优的问题,提出通过粒子群优化算法搜索全局最优解作为HMM初始值,再使用Baum-Welch算法进行局部校正,使其快速收敛到全局最优解。利用优化前后的2个模型分别对重庆市森林火灾风险数据开展评估,验证优化后的模型能够有效地评估森林火灾风险,并且与改进前相比更精确,可为区域森林防火工作提供有效指导。

多马尔可夫链协同的航班客舱保障过程预测

为感知航班客舱保障过程各节点的动态演化机理,提出一种多马尔可夫链协同(synergy of multi-Markov chains, SMMC)的航班客舱保障过程预测方法。根据航班客舱保障的实际流程及相互约束关系,构建一种客舱保障过程节点协同的马尔可夫模型;基于历史数据作为样本并改进DBSCAN(density-based spatial clustering of applications with noise)聚类算法,设计面向客舱保障过程的DBSCAN-SMMC预测方法。选取国内某大型机场航班运行保障过程的实际运行数据开展仿真验证。研究结果表明,所提方法实现了各节点发生时刻的动态精准预测,其平均绝对误差的均值为0.606 min,均方根误差的均值为1.133 min,与其它方法相比平均绝对百分误差最少降低2%,拟合优度最大提升0.14,能够为机场运行精细化管理提供决策依据。

马尔可夫跳变系统的有限时间保性能控制

本文主要研究具有时变时滞的脉冲随机马尔可夫跳变系统的有限时间保性能控制问题.通过选取模态相关的李雅普诺夫泛函,使用线性矩阵不等式(LMI)、平均驻留时间方法等技术,得到一些新的充分条件来确保系统有限时间稳定,并给出了系统的上界性能指标.基于该充分条件设计了系统的状态反馈保性能控制器.最后,利用Matlab的LMI工具箱进行数据仿真,得到相应的均方轨迹图.数值例子结果表明,得到的仿真结果和理论结果一致,验证了文中理论的有效性.

基于马尔可夫决策过程的附加服务定价优化

随着民航运输业竞争日益加剧以及航空旅客个性化需求逐步提高,为取得差异化竞争优势和提高旅客满意度,开展附加服务业务是目前国内外航空公司关注的焦点,如何对附加服务定价以增加收益是目前航空公司运营的一个重要问题.为此基于马尔可夫决策过程提出了一种附加服务定价模型,并使用策略迭代算法对该模型进行求解以获得最优价格.对两类旅客细分市场进行仿真实验.结果表明,相比于现行使用较多的附加服务短视化定价模型,通过该模型求解得到最优价格将每位旅客的平均预期收益从93.7元提高到102.1元,提升幅度约8.96%.

基于马尔可夫决策的钢铁产成品订单分配模型研究

物流订单分配是钢铁产成品销售过程中的重要环节,对销售过程的整体体验和全流程的良性循环起着至关重要的作用。在实际生产过程中,传统的人工分单模式已难以适应长时间维度的发展要求。为了充分考虑一个时间周期内销售的物流成本最低以及承运司机的收益较高,同时确保企业的长期收益,本文用多目标约束,建立马尔可夫决策模型,引入KM算法执行二分图匹配,基于司机收益最大化和企业成本最小的多目标优化,最大化钢铁商品总交易量为长期的最终目标,结合价值函数和多属性的多目标优化函数,形成车辆和货物的完整匹配决策。以钢铁企业的真实业务数据为例,对数据进行预处理后筛选合适特征进行模型训练并验证算法的正确性和可用性。结果表明,该模型相较于传统的订单分配方法,可以更好地解决钢铁企业在订单分配场景下的需求。

基于灰色马尔可夫模型的连续配筋混凝土复合式沥青路面性能研究

为分析连续配筋混凝土复合式沥青路面性能衰减规律,依托湖南潭邵(湘潭—邵阳)高速公路K1054+000—K1100+500路段连续配筋混凝土复合式沥青路面2016—2021年路面状况指数检测数据,采用灰色马尔可夫模型对该路段2022—2024年路面状况指数衰减情况进行预测,预测值分别为90.36、89.94、89.54。研究结果表明,连续配筋混凝土复合式沥青路面的性能衰变曲线大致呈反S形。

基于聚类和马尔可夫链的货车实际工况构建方法研究

针对货车法规工况与实际使用工况的油耗等性能相差较大问题,利用车联网平台获取目标样车实车行驶数据,提出基于高斯混合模型聚类和马尔可夫链结合的货车实际工况构建方法。通过主成分分析、高斯混合模型聚类分析将运动学片段分类,类中以速度区间划分行驶状态,采用Laplace Smoothing方法来估计状态转移概率,利用马尔可夫链法合成类内候选工况,选择类内最佳工况,构建目标货车实际行驶工况。结果表明:与原始数据相比,所建工况速度-加速度联合概率密度分布吻合较好,整体特征参数平均相对误差为4.32%;与实测百公里油耗相比,法规工况和所建工况的仿真油耗相对误差分别为26.33%、4.86%。所建工况精度较高,能够有效反映车辆实际行驶特征及油耗性能,可以为车辆的精细化设计和实际道路整车性能评价提供条件和依据。

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。