Fertility Mediating Factors in Sub-Saharan Africa （SSA）： Macro-Level Cross Sectional Perspectives

The aim of this paper is to investigate the mediating factors of fertility levels and trends in Sub-Saharan African CSSA） countries. The major sources of data of the study are the 2001 and 2002 UNDP （United Nations Development Program）, covering 42 SSA countries. The selected antecedent variables of fertility levels and trends include： GDP per capita; female adult literacy rate; infant mortality rate; contraceptive prevalence rate; breastfeeding; access to health services; undernutrition; and level of urbanization. The main analytical techniques of the study include simple central tendency descriptive statistics and advanced multiple regression models. The outputs of the correlation matrix and regression models are shown to influence the levels and trends of fertility positively or negatively, increasing or decreasing fertility levels among the countries. But, contraceptive prevalence level appears to be relatively powerful at 5% significance level, relatively more decline with the level of urbanization and positively related with poverty level, which cumulatively gives rise to 5.9 total fertility rate per woman. Accordingly, with declining mortality and high fertility level, the era of rapid population growth in SSA countries has not yet been over with all its implications on sustainable development.

基于SSA−LSTM的风速异常波动检测方法

针对传统统计方法对风门开闭导致传感器监测数据异常波动的漏报率和误报率高的问题,通过挖掘风速传感器中时间序列数据中的数据特征,提出了一种基于奇异谱分析法(SSA)与长短期记忆神经网络(LSTM)组合的SSA−LSTM风速异常波动检测方法。首先利用SSA对风速传感器监测数据进行预处理,将风速数据分解为趋势分量、周期分量和噪声分量,通过重组趋势分量和噪声分量去除因湍流脉动产生的数据噪声;然后对LSTM进行参数优化,利用优化后的LSTM模型对预处理数据进行预测并得到重构风速;最后以对数概率密度函数计算监测风速与重构风速的异常分数,通过计算训练集数据样本的异常分数设定阈值对监测风速进行异常检测。试验结果表明:SSA去除因湍流脉动产生的数据噪声效果较好,在不影响数据波动情况下去除噪声分量,有助于提高风速重构效果和异常检测准确率;LSTM在无异常波动时能正确重构因湍流脉动导致的小幅波且与实际数据拟合效果较好,在有异常波动时根据历史波动趋势对异常波动段进行重构,可有效提高异常检测的准确率。通过对比分析,所提方法比ARIMA、BP、CNN模型的重构效果更好,异常检测准确率为99.2%,F1-Score为0.97,验证了所提方法的可靠性。表明本文所提方法在检测因风门开闭导致的风速异常波动上具有一定的应用价值。

基于BS-TabNet和LSSA的车架智能轻量化设计

为解决传统牵引车车架轻量化设计中设计周期长、设计难度较大和过分依赖工程师经验等问题,提出了一种智能轻量化设计方法.首先,通过试验设计(Design of Experiments,DOE)联合仿真获取车架性能表格数据.其次,基于TabNet算法、贝叶斯优化算法和沙普利增量解释理论(SHapley Additive exPlanation,SHAP)构建出BS-TabNet模型,用于学习车架性能表格数据,生成车架代理模型.最后,采用莱维飞行策略对麻雀搜索算法(Sparrow Search Algorithm,SSA)进行改进,得到莱维麻雀搜索算法(Levy Sparrow Search Algorithm,LSSA),用于求解车架轻量化任务,找到最优车架结构参数.相较于传统机器学习算法,BS-TabNet模型在准确性、稳定性和可解释性三个方面都有着更高的评价,其准确度达到了0.98左右,稳定性提高50%以上,而且具有更强的可解释能力,解决了深度学习在表格型数据上表现较差的问题.相较于传统群智能优化算法,LSSA算法能够寻找到更好的优化结果,在满足其他性能要求的同时,实现了车架质量减轻5.64%的轻量化效果.智能轻量化设计方法将人工智能与车架轻量化设计相结合,能够节省大量设计时间,提高设计效率.

基于PCA-SSA-XGBoost算法的拱坝应力预测模型研究

由于大坝应力受水位、温度等众多因素共同作用,各影响因子间的相互关联会引起多重共线性问题,容易导致以此为输入的预测模型出现伪回归现象。此外,现有基于机器学习算法的应力预测模型由于训练特征过多、过度训练易产生过拟合现象,其预测精度还有待提高。针对上述问题,提出了基于主成分分析法(PCA)和麻雀搜索算法(SSA)改进的极限梯度提升算法(PCA-SSA-XGBoost)构建拱坝应力预测模型。该模型首先采用主成分分析法对参数进行降维,降低影响因子的多重共线性影响;进而通过SSA算法优化XGBoost的超参数,以避免传统算法过拟合,进一步提高模型预测性能。将该模型应用于我国西南某混凝土拱坝工程,对应力及应力相关监测数据进行处理、分析和预测,并与多元线性回归模型(MVLR)、神经网络模型(RBFNN)、极限梯度提升回归预测模型(XGBR)的预测结果进行对比分析。结果表明,基于PCA-SSA-XGBoost算法的应力预测模型可克服输入变量的多重共线性和过拟合问题,在预测精度方面具有优越性。

基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time,AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks,CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm,SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder,QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

基于MDS和改进SSA-SVM的高速铁路道岔故障诊断方法研究

针对高速铁路道岔设备故障频繁,现场维修工作量大等问题,提出基于多维尺度缩放法(MDS)和改进麻雀搜索算法(SSA)优化支持向量机(SVM)的高速铁路道岔故障诊断模型。首先以ZDJ9道岔转换功率曲线为研究对象,总结现场典型道岔故障类型及故障原因,分别提取道岔功率曲线的时域、频域特征指标以及小波包能量熵,组成特征指标向量;其次采用MDS方法进行多维特征指标的降维优化,建立道岔故障特征指标样本数据库;最后利用改进Circle混沌映射初始化种群,并通过自适应t分布增强麻雀种群的多样性,再以改进SSA算法优化SVM模型中的惩罚因子和核函数方差2个关键参数,构建改进SSA-SVM的道岔故障诊断模型。故障诊断结果表明,本模型的故障诊断正确率高达96.25%,诊断效果优于其他方法,可以为道岔设备的故障维修提供理论依据。

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

基于VMD-SSA-LSTM的架空输电导线覆冰预测模型

针对输电导线覆冰过程间断性强且波动性大而导致的现有模型预测精度不高的问题,从覆冰厚度数据的时序信息和气象信息出发,提出一种基于变分模态分解(variational mode decomposition,VMD)的麻雀搜索算法(sparrow search algorithm,SSA)优化长短期记忆网络(long short-term memory network,LSTM)的覆冰组合预测模型.该方法首先使用VMD分解覆冰厚度数据,降低了原始序列的不稳定性,得到具有不同中心频率的本征模态分量;其次,采用SSA算法对LSTM中的3个参数进行寻优;最后,对模态分量分别建立LSTM预测模型,将各个模态分量的预测值叠加为覆冰厚度的总预测值.通过实例仿真,对所提预测模型进行验证.结果表明:VMD-SSA-LSTM组合模型与其他模型相比,其预测精度有进一步提高,验证了所提方法的有效性.

基于SSA-BP神经网络的车-轨-桥系统随机振动分析

轨道及桥梁结构参数随机性对车-轨-桥耦合系统的振动影响不能忽略。基于代理模型研究轨道-桥梁间3层弹簧刚度和弹簧阻尼以及桥梁刚度和阻尼的随机性对竖向车-轨-桥耦合系统动力响应的影响。首先,基于经典的车-轨-桥耦合系统力学模型(没有考虑桥墩),采用Monte-Carlo生成2 000个样本集,作为代理模型的训练集。然后,对比SSA-BP(麻雀优化BP算法)与传统BP神经网络、GA-BP神经网络(遗传优化BP算法)对车辆和桥梁响应的预测精度,同时探讨样本数量以及Levenberg-Marquardt和Bayesian Regulation训练算法对SSA-BP神经网络预测精度的影响。最后,假定各随机参数概率分布规律服从高斯型正态分布,所有随机参数变异系数均分为0.05、0.10、0.15、0.20、0.25等5个级别,采用所提出的SSA-BP神经网络研究轨道及桥梁的刚度和阻尼变化对车辆和桥梁响应极值的影响。结果表明:与经典的车-轨-桥耦合系统力学模型相比,所提出的代理模型具有更高的计算效率;SSA-BP模型对车辆和桥梁响应的预测精度高于GA-BP模型,GA-BP模型的预测精度高于传统的BP模型;SSA-BP模型采用Levenberg-Marquardt训练算法对车辆和桥梁响应的预测精度优于Bayesian Regulation训练算法的预测精度;道砟和桥梁之间弹簧刚度的随机变化对桥梁随机振动响应尤为明显;钢轨和轨枕之间弹簧刚度的随机性对车体响应的影响不可忽视,而桥梁刚度和阻尼随机性对车体的影响可不考虑。研究成果可为车轨桥系统随机振动响应预测进一步研究提供依据和参考。

基于SSA和双稳随机共振的车削颤振微弱特征提取

围绕车削颤振激发过程,针对车削颤振过渡阶段特征微弱且存在噪声和转频干扰的问题,提出一种基于麻雀优化算法(sparrow search algorithm, SSA)和双稳随机共振(bistable stochastic resonance, BSR)系统的车削颤振微弱特征提取方法。该方法利用SSA优良的寻优特性,以信噪比作为优化指标确定最佳BSR系统参数,用优化后的参数对车削颤振信号进行滤波处理,提取颤振特征频率。仿真试验表明SSA-BSR方法可以实现对强噪声背景下微弱特征信号的提取与增强,同时兼顾寻优速度快和获得全局最优解概率高的优点。开展车削颤振检测试验,颤振激发过程的加速度信号图谱分析结果验证了车削颤振特征频率幅值与颤振激发程度之间的相关性;不同模型在车削颤振过渡阶段特征提取的对比结果验证了SSA-BSR模型的有效性和优越性,并且能够满足车削颤振检测对实时性的要求,实现在进入剧烈颤振阶段前发出预警,为量化车削颤振和车削颤振在线监测提供一种新思路。

用SSA优化CNN-LSTM-SEnet预测模型实现风电机组故障预警

风电机组数据采集与监控系统的原始高维数据存在大量异常点和噪声点,且故障预警对性能预测模型的精度要求很高。为此,建立了一种基于混合神经网络预测模型的风电机组故障预警方法。为获取高质量的建模数据,采用快速密度峰值聚类和孤立森林算法对原始数据进行多步清洗。利用麻雀搜索算法优化的卷积神经网络–长短期记忆网络–压缩激励网络混合模型,建立了能够有效提取潜在特征信息、高精度的风机正常工况性能预测模型。为实现故障可靠预警、降低误报率,通过滑动窗口法构建预警指标并结合核密度估计法计算其阈值。采用真实故障历史数据进行实验,验证了方法的有效性。

基于优化VMD-SSA-LSTM算法的锂离子电池RUL预测

目的为了避免锂电池在使用的过程中可能会出现容量虚假回升现象,从而导致电池在超出退化标准后继续使用造成风险。方法提出基于鲸鱼优化算法(WOA)、分模态分解(VMD)、麻雀搜索算法(SSA)和长短时记忆神经网络(LSTM)的组合预测算法对锂离子电池剩余寿命(RUL)进行预测。首先对于变分模态分解模态数K和惩罚因子a以往需要凭经验确定的问题,提出使用WOA对VMD的两个参数进行寻优。其次将原始容量退化数据根据上一步确定的参数进行模态分解,得到有限个模态分量。由于经过分解过后得到的残差分量的起伏性较大,因此将其作为其中的一个分量。最后,使用SSA优化LSTM的超参数,并对得到的模态分量和残差分量进行预测,并将预测的各个分量重构得到预测结果。结果采用NASA PCoE实验室公开的锂电池失效数据集进行实验,验证了所提出的WOA-VMD-SSA-LSTM优化算法相较于其他2种优化算法,在平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分误差(MAPE)3项评价标准中都是最低,且MAPE小于1%。结论该优化算法对于锂电池RUL预测具有不错的精度和稳定性,为锂电池RUL预测提供了一种新的预测模型的同时,也为VMD超参数的选择和确定提供了一种新方法。

基于天气状态模式识别的SSA-BP神经网络光伏电厂功率及碳减排量预测

文章提出了一种基于天气状态模式识别并结合SSA-BP(Sparrow Search Algorithm-Back Propagation)预测光伏出力的方法。首先,在分析辐照度、温度、风速等参数变化规律基础上,基于高斯混合模型,针对专业天气类型开展分类,获得类晴、类雨和类阴3种典型的广义天气;然后,将数据作为SSA-BP神经网络输入,对光伏电厂出力分类进行预测;最后,结合碳核算方法学对光伏发电项目碳减排量进行核算。结果表明:利用分类识别和改进的SSA-BP神经网络,在3种天气类型预测中平均相对误差分别为0.195,0.243,0.310;SSA-BP与其他模型相比,平均相对误差降低了17.8%~66.7%。此外,预测CO_(2)减排量与实际核算值相对误差为3.37%,亦表现出良好预测效果。

基于SSA和RIFT的多重联合域鲁棒水印算法

数字水印技术是数字版权保护的关键技术之一.针对目前数字水印的鲁棒性仍有待提高的问题,提出了一种基于麻雀搜索算法SSA和辐射不变特征变换RIFT的多重联合域的鲁棒水印算法.首先,对原始载体图像进行冗余离散小波变换RDWT,提取低频子带进行海森堡分解HD,再取载体矩阵进行奇异值分解SVD.其次,对水印图像进行离散小波变换DWT,取低频子带进行SVD.然后利用嵌入规则,将水印嵌入到原始载体图像中,得到含水印的载体图像.此外,利用SSA对嵌入强度进行自适应优化.对于旋转攻击,利用RIFT进行旋转校正.实验结果表明,含水印的载体图像的峰值信噪比在35 dB左右,结构相似度在0.997以上.针对不同攻击,提取的水印归一化相关系数大多在0.97以上.所提算法相较于其他算法表现出较好的不可感知性和鲁棒性.

基于SSA-BP近似模型的湿式制动器带排转矩参数CSO智能优化

针对湿式制动器在非制动工况下功率损失的工程问题,考虑摩擦副间隙内部的润滑油对摩擦副带排转矩的影响,运用麻雀搜索算法-反向传播(Sparrow Search Algorithm-Back Propagation,SSABP)神经网络的强大非线性拟合能力,以制动器空载工况为输入量、带排转矩为输出量,建立了湿式制动器近似模型;与传统的BP模型对比,该模型预测精度明显提高,更能满足实际工程的需要;同时,为获取最小带排转矩,采用鸡群优化(Chicken Swarm Optimization,CSO)智能算法对工况参数进行搜索寻优,得到湿式制动器的最佳工况。经试验测试验证,与优化前相比,优化后摩擦副间的带排转矩和功率损失有着明显降低。研究为湿式制动器结构的进一步优化提供了理论基础和工程实践经验。

混合多策略MHSSA智能优化风电拉挤板生产排程

针对带序列相关调整时间和顺序齐套约束的风电拉挤板生产排程问题,构建了最小化设备负荷偏差、交货期偏差和最大化设备利用率的多目标优化模型,改进并设计了基于Pareto寻优和拥挤度计算机制的多目标启发式麻雀搜索算法(multi-objective heuristic sparrow search algorithm, MHSSA)。算法具有“组件-区域”两层编码方式和“倒排-修复-优化”启发式解码算子;采用多规则结合反向学习的改进种群初始化策略,增强了全局搜索能力;利用具有交叉算子和外部存档扰动机制的改进搜索策略,提升了寻优精度和种群多样性。通过数据集测试和实例仿真分析,验证了排程优化模型和智能排程算法的有效性。

基于SSA-BP的爆破振动峰值速度预测研究

为了精准预测爆破振动峰值速度(PPV),有效降低爆破振动的危害,以星光一号露天矿山爆破工程为依托,选取爆心距、堵塞长度、最小抵抗线、炸药单耗、最大单孔装药量、总延期时间、最大单响药量等7个影响因素作为输入变量,采用灰色关联分析法评估各因素与PPV之间的相关性,构建麻雀搜索算法(SSA)优化BP神经网络的爆破峰值振速预测模型,对三向峰值振动速度进行预测,并与BP神经网络模型预测结果进行对比分析,得到SSA-BP神经网络模型预测结果的平均误差分别为6.08%、7.34%、1.91%,BP神经网络模型预测结果的平均误差分别为22.19%、54.01%、25.29%。研究结果表明:SSA-BP神经网络模型全面考虑了多种爆破设计参数对振动峰值速度的影响;麻雀搜索优化算法有效解决了传统BP神经网络模型容易陷入局部最优的问题,预测结果更精确,与振速监测值吻合度更高、误差更小;并且极大地缩短了样本数据的学习训练时间,加快BP神经网络预测模型的收敛速度,可为类似露天爆破工程质点峰值振速的预测提供借鉴。

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R^(2)可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。