煤系岩体参数概率分布及Bayes优化

正确确定煤系岩体力学参数的概率分布是松散含水层下采煤顶板稳定可靠性分析的关键。以淮南矿区部分煤矿8煤顶板砂岩强度参数为例，以 K － S 检验法对数据进行概率分布拟合，获取参数分布类型及统量。以此大样本概型为先验函数，，具体工作面顶板岩体小样本参数的概型为似然函数，基于 Bayes 方法对其优化，得到验后分布的概型参数。计算结果表明，8煤顶板砂岩强度参数全部接受正态分布和对数正态分布，优化后的方差有所下降，可以提高覆岩采动稳定可靠性分析结果，从而达到优化目的。

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory,LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator,LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明:相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。

混合顺序作业堆场BAY优化模型研究(下)

4.利用模式识别技术,求出最优堆放位置本文采用的模式识别技术属于模式识别理论中几何分类方法中的距离分类方法.基本思想就是将可行位置作为标准样本,将当前的集装箱作为待识别的样本,将待识别的样本和标准样本匹配后,选择出距待识别样本距离最小的标准样本作为最优堆放位置.(1)样本集及其特征建立所谓样本即模式识别的模板或标准.所有的样本构成样本集.样本集是有一定特征的,这些特征是模式识别的判断依据.由于我们只考虑重量一个指标,故取每一可行位置可以堆放的集装箱的重量作为特征.因为在当前的可行位置中,每一位置的理想装船顺序是有先后的,故可以先按理想装船先后顺序对可行位置进行排序.先装船的箱位应堆放较重的箱,后装船的位置应堆放较轻的箱.因为每一BAY都有堆放箱的重量区间[W_(min)’W_(max)].若当前有l个可行位置。

基于贝叶斯优化LSTM的S型道路车辆轨迹预测

为了提高车辆特殊轨迹预测的准确率,采用一种基于长短时记忆网络与贝叶斯优化算法结合的目标车辆轨迹预测方法。利用长短时神经网络进行车辆轨迹预测,并运用贝叶斯优化算法对长短时神经网络进行迭代优化。最后,利用真实数据集以及通过NSGIM(Next Generation Simulation)数据集对模型进行训练和测试,结果表明,基于贝叶斯优化的LSTM车辆轨迹预测方法预测精度于以往方法有所提升。

煤系岩体物理力学参数特征及统计分析——以皖北青东煤矿为例

在煤矿工程地质问题分析及地质工程设计中,岩石的物理力学指标必不可少,它们直接关系到井巷及围岩稳定性分析、预计开采围岩破坏高度、顶底板抗水压能力评价等工程地质问题的可靠性。以青东煤矿为例,在分析矿区3种典型岩性(泥岩、砂岩、粉砂岩)的视密度、含水率、吸水率、抗压强度、抗拉强度、抗剪强度、内摩擦角、内聚力、泊松比等岩石物理力学参数特征的基础上,重点对抗压强度等7个参数指标进行概率分布拟合,从而获得其参数分布类型及统计量,并利用Bayes方法对参数进行了优化。结果表明:随着煤系岩体赋存深度的增大,无论是泥岩、砂岩还是粉砂岩,其割线模量和视密度变化不大,而抗压强度等参数则不断变化。同时,相关性分析表明各参数岩石力学性质的差异性和一致性;粉砂岩各参数的P-P图、直方图、曲线拟合结果表明,全部参数符合正态分布,经过Bayes优化后其方差均有所降低。煤系岩体物理力学参数的确定可为该区煤矿工程地质问题防治提供参考。

基于轨迹分析的交通目标异常行为识别

针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。

自动化机器学习中的超参调优方法

本文介绍近年逐渐兴起的自动化机器学习框架,着重讨论其中颇具挑战的超参调优问题.常用的调参方法有格子点法、随机搜索等批量抽样策略,还包括Bayes优化、群体搜索算法和强化学习等序贯策略.由方开泰和王元早在1990年提出的贯序数论优化算法,利用序贯均匀设计对复杂响应曲面寻求全局最优值,同样适用于超参调优.本文以支持向量机和极限梯度推进机这两种常用的机器学习模型为例,结合两组典型的二分类数据集,对多种超参调优方法进行测试.通过比较分析发现一种改进的贯序数论优化算法,对解决自动化机器学习中的调参问题,颇具潜力.