用于碳酸盐岩储层裂缝检测的GWO-CS-BP算法及应用研究

碳酸盐岩储层中的裂隙是油气的运移通道和储集空间,对于油气勘探、开发和评价都具有重要的指导意义。针对研究区碳酸盐岩储层裂缝检测的难题,提出灰狼布谷鸟优化BP算法(GWO-CS-BP),该算法是将GWO-CS(grey wolf-cuckoo search algorithm)与BP(back propagation)相结合形成的裂隙检测方法。将含裂缝信息的相干、曲率、倾角、方位角和构型张量等属性作为GWO-CS-BP神经网络的输入数据,在工区地质资料约束下根据测井数据获得裂缝发育水平评价指标,进而对研究区裂缝发育水平进行评价并划分等级。研究区碳酸盐岩储层裂缝发育水平检测结果表明,GWO-CS-BP算法能够综合各属性特点对研究区的裂缝发育水平特征进行二次误差控制,获得裂缝发育水平评价指标f s并将研究区裂缝发育水平划分为3个等级及4个裂缝存在区域。其中,当研究区裂缝发育水平参数的值适中时,即f s的值大于4.0且小于5.8时,C区域最有利于油气的聚集,高产井的分布数量较多。利用GWO-CS-BP算法对研究区的裂缝发育水平进行了精细评价,并得出裂隙发育水平参数f s,实现了GWO-CS算法改进的BP神经网络在裂缝检测中的有效应用。

基于IMOCS-BP神经网络的锂离子电池SOH估计

锂离子电池随着循环充放电次数的增长,其健康状态SOH(state-of-health)会随之发生一定程度的衰减。针对以上问题,设计了一种基于改进的多目标布谷鸟搜索IMOCS(improved multi-objective Cuckoo search)-BP神经网络的锂离子电池健康状态估计方法,在避免算法陷入局部最优的同时自适应改变布谷鸟搜索CS(Cuckoo search)算法更新概率和搜索步长,解决CS算法收敛速度慢和求解精度低的问题。以IMOCS算法和BP神经网络结合,对节点空间范围进行全局搜索,降低权值和阈值的初值对BP神经网络的影响,实现参数优化。通过Matlab仿真,验证了基于IMOCS-BP神经网络的SOH估计算法误差低、性能强,实现了锂电池SOH的精准预测。

基于CS-BP神经网络的引水隧洞开挖变形预测研究

为使监测模型深入揭示隧洞在开挖期间的变形规律,合理有效地对引水隧洞开挖变形进行预测,保证隧道工程安全顺利施工,本文从遗传蠕变机理出发,考虑开挖进度,将影响因子分别构造为瞬时变形影响因子和蠕变变形影响因子。将布谷鸟(cuckoo search,CS)算法引入到BP神经网络中进行优化改进,构建CS-BP预测模型。结果表明,构建的模型结构合理,拟合和预测能力良好,可以为引水隧洞开挖变形预测提供有效方法。

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。

基于小波包和CS-BP神经网络的矿用电力电缆故障诊断

针对矿用电力电缆故障类型诊断实时性和准确性不足等问题,提出一种基于小波包信息熵和布谷鸟搜索优化BP神经网络的方法对矿用电力电缆进行故障诊断。通过PSCAD对电缆故障进行仿真,将故障电压信号进行三层小波包分解和重构,再提取小波包信息熵构造特征向量。训练CS-BP神经网络使其输入特征向量后能够有效检测并输出电力电缆的故障类型,以实现对电力电缆的故障诊断。实验结果表明,该方法可以有效地诊断电力电缆的故障类型,并且优于同参数下的BP神经网络和PSO-BP神经网络模型。

基于布谷鸟—BP神经网络的页岩脆性指数预测研究

页岩储层具有低孔隙度、低渗透率的物理性质,因此在页岩气开采中往往需要对其储层进行压裂处理,而页岩储层的可压裂性可用脆性指数来评价。目前应用最广泛的岩石脆性指数计算方法是基于矿物组分法。基于矿物组分法计算获得岩心页岩脆性指数(BI),利用BP神经网络的自我学习能力,探寻测井参数与页岩脆性指数(BI)之间的非线性关系,再结合布谷鸟(CS)算法的全局优化能力和稳定性来提升BP神经网络的预测精度和稳定性,从而建立基于CS—BP神经网络的页岩脆性指数预测模型。使用CS—BP预测模型对研究区Y1井和Y2井两口井进行了页岩BI值预测,其预测结果显示:CS—BP预测值与岩心BI值的变化趋势基本一致;CS—BP预测值总体预测效果较好。研究结果表明:基于布谷鸟(CS)—BP神经网络,利用测井资料快速计算页岩脆性指数的方法在研究区具有一定的实用价值。

一种自适应CS算法及其在风电齿轮箱故障诊断中的应用

针对布谷鸟搜索(CS)算法易出现早熟收敛以及风电机组齿轮箱的故障模式难以有效识别等问题,提出一种基于自适应CS算法的BP神经网络(SaCS-BP)智能诊断技术。通过构建SaCS算法,实现了步长和发现概率的自适应调整,并采用一组基准函数测试了该算法的有效性;将SaCS与BP神经网络进行融合,构建了风电齿轮箱的故障诊断模型。结果表明,SaCS算法具有较佳的寻优精度和普适性。此外,与BP神经网络以及布谷鸟搜索算法优化BP网络(CS-BP)相比,SaCS-BP算法获得了最高的诊断准确度,从而实现了风电齿轮箱故障模式的有效识别。

蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试

蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络(CS-BP)预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络(GA-BP)、粒子群算法优化BP神经网络(PSO-BP)3种深度学习方法进行性能参数分析比对,结果表明:改进CS-BP评价预测模型的平均绝对误差(MAE)、平均相对误差(MAPE)和决定系数(R2)分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。

基于CS和神经网络的传感器网络模式识别研究

当前,传感器网络快速地发展,其节点不断增多,需要传输和储存的数据量也就不断增大,同时现有传感器节点尺寸与复杂度限制了传感器网络的数据存储、数据的计算速度及频宽。针对此类问题,将压缩感知技术应用于传感器网络,对传感器网络中传输的数据进行压缩,降低传输数据量,然后在接收端重构数据,将该数据样本作为BP网络的输入进行识别。实验证明:该方法可以提高网络数据存储能力和带宽利用率。

一种用于压缩感知理论的投影矩阵优化算法

考虑到投影矩阵对压缩感知(CS)算法性能的影响,该文提出一种优化投影矩阵的算法。该方法提出可导的阈值函数,通过收缩Gram矩阵非对角元的方法压缩投影矩阵和稀疏字典的相关系数,引入基于沃尔夫条件(Wolfe’s conditions)的梯度下降法求解最佳投影矩阵,达到提高投影矩阵优化算法稳定度和重构信号精度的目的。通过基追踪(BP)算法和正交匹配追踪(OMP)算法求解0l优化问题,用压缩感知方法实现随机稀疏向量、小波测试信号和图像信号的感知和重构。仿真实验表明,该文提出的投影矩阵优化算法能较大地提高重构信号的精度。

基于CS、WLC、BPNN理论预测铁路工程造价的方法

前期可行性研究投资估算和设计阶段概预算不准确是目前铁路工程“三超”的主要原因之一,在这两个阶段中,许多不确定因素影响着项目造价,并且这些影响因素与造价之间呈高度非线性关系,传统的投资估算和设计概预算方法难以对新建铁路项目造价进行准确计算。本文依据全生命周期造价WLC理论进行拟建项目造价测算和投资、设计方案优化,根据显著性成本CS理论提出显著性成本项目CSIs测算方法简化投资预测程序,并依据BP神经网络在大量已完工程资料中“提取”类似CSIs和显著性因子csf,从非线性角度实现了对项目投资的准确预测,并进行算例分析,从算例可以看到,预测值与实际值的相对误差很小,满足投资预测要求。

基于基追踪-Moore-Penrose逆矩阵算法的稀疏信号重构

压缩感知(Compressed Sensing,CS)稀疏信号重构其本质就是在稀疏约束条件下求解欠定线性方程组,基于迭代加权L-p(0<p￡1,p=2)类范数算法减小重构误差成为近来稀疏信号重构热点之一。该文提出了基追踪-Moore-Penrose逆矩阵(Basis Pursuit-Moore-Penrose Inverse Matrix,BP-MPIM)算法:(1)由基追踪(Basis Pursuit,BP)算法得到稀疏信号非零元素位置(亦称支撑集,对应于测量矩阵的列);(2)通过求解由支撑集所对应测量矩阵的子矩阵和CS测量值组成的超定线性方程组实现稀疏信号重构,并证明了由此重构的稀疏信号是其唯一最小二次范数解。仿真的稀疏信号和实测宽带雷达回波信号脉冲压缩结果表明,和原来算法相比,新算法具有更小的重构误差,且误差只存在于其支撑集内。

基于压缩感知理论的线性分组码译码

将压缩感知理论应用于线性分组码的译码,提出差错图案E重构的压缩感知模型及校验矩阵H作为测量矩阵的构成形式和性质.将伴随式S作为测量信号,校验矩阵H作为测量矩阵,以(15,7)循环码为例,采用基追踪(BP)算法重构差错图案E的估值,并设计线性分组码译码的仿真实验方案.仿真实验结果表明,采用压缩感知理论与BP算法能较好完成线性分组码的译码.

改进BP算法在混合气体定量检测中的应用

针对单一反向传播(BP)神经网络用于混合气体检测中出现的检测误差较大和依赖初始权值和阈值的问题,提出引入自适应调整发现概率的布谷鸟搜索(CS)算法和模拟退火算法优化BP网络初始权值和阈值的方法来实现混合气体的定量检测。利用CS算法强大的全局搜索能力,对神经网络的初始权值和阈值进行优化,在算法迭代过程中,使用模拟退火操作避免算法陷入局部最优,并在此基础上引入发现概率的自适应调整策略用于新解生成;以此优化后的参数作为初始连接权值和阈值用于BP网络进行混合气体的定量识别。在MATLAB软件上对实验数据进行仿真处理,与以往单一BP算法相比,改进算法对混合气体的定量检测效果显著,平均相对误差在10%左右。

一种基于异常值检测和群体智能优化神经网络的电价混合预测模型

为了提高短期电价预测精度,本文提出了一种将异常值检测、时间序列分析、神经网络以及群体智能算法相结合的混合算法。作为混合算法的具体实现,文中的异常值检测利用了残差比方法和正态分布方法,群体智能优化算法选取了粒子群(PSO)算法和布谷鸟(CS)算法。作为实例研究,本文将混合模型应用用于澳大利亚新南威尔士州短期电价预测中,结果表明,混合预测方法能在一定程度上提高模型的预测精度。

基于BP和CS相结合的圆周SAR三维成像算法

与传统的直线SAR相比,圆周SAR(CSAR)具有对场景进行三维成像的能力,但对于一般的目标,其有效孔径只是一定角度的圆弧而非完整圆周孔径,使得圆周SAR只能获得航迹向和斜距向的高分辨率,影响了其三维成像能力,所以现在通常采用沿着不同高度角进行多次观测的多航过圆周SAR模式来实现三维成像。针对多航过圆周SAR由于多航过稀疏并且非均匀采样而严重影响成像质量的问题,提出一种将BP算法和压缩传感算法(CS)结合的三维成像算法。该算法先利用BP算法实现每一次航过数据的二维成像,再利用压缩传感算法进行高度向聚焦,来改善高度向的聚焦质量,最后将实测数据成像结果和传统的三维BP算法的结果进行比较,证明该算法可以有效地抑制旁瓣,得到超分辨的三维成像结果。

基于改进算法的空调冷负荷组合预测研究

针对单一的预测方法难以综合描述冷负荷变化的规律性问题,本文以初投入使用的青岛市某自习室空调系统为研究对象,对基于改进算法的空调冷负荷组合预测进行研究。为获得动态负荷数据,搭建了TRNSYS模拟仿真平台,对扰动因子经平均影响值(mean impact value,MIV)和Spearman相关性分析及特征变量筛选后,对预测算法进行优化。通过引入随机粒子和混沌算法,建立基于标准粒子群算法的组合粒子群算法(combined particle swarm optimization,CPSO),得到组合粒子群优化后向传播网络(back propagation,BP)负荷预测模型CPSO-BP,并引布谷鸟搜索(cuckoo search,CS),确立布谷鸟搜索支持向量回归(support vector regression,SVR)负荷预测模型CS-SVR,建立基于遗传寻优的灰色预测模型GA-GM(1,N)。同时,将各模型的负荷预测值带入模糊系统中,建立实时模糊组合预测模型(fuzzy combination,FC),并采用Markov(M)对组合误差进行修正。结果表明,基于Markov的模糊组合预测算法FC-M优于CPSO-BP、CS-SVR和FC,组合精度与3个优化模型相比分别提高了26.32%,62.16%,94.68%,说明基于马尔可夫的模糊组合预测算法FC-M可以弥补各算法的不足,降低了预测误差,提高了预测准确率。该研究为空调节能运行策略的制定提供了理论参考。

基于CS-LBP与自适应神经网络的虹膜识别

针对判断两个虹膜是否为同一类别的问题,提出了基于分块中位排序规则的中心对称局部二值模式(CS-LBP)提取虹膜纹理特征,并使用BP神经网络进行判断.BP神经网络的连接权重采用混沌系统-选择变异算子-粒子群(C-SM-PSO)算法进行自适应优化,提高设置连接权重的全局搜索能力,使神经网络具有自我跳出局部最优的能力,提高算法通用性.用多种算法在不同的虹膜库中进行了实验.实验结果表明,所提出的算法正确率较高,等错率较低,ROC曲线更接近横、纵坐标轴,具有良好的稳定性与鲁棒性.

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。

基于改进遗传算法的轮毂缺陷检测研究

针对轮毂生产过程中产生的气孔、缩松、缩孔、裂纹和夹杂缺陷进行识别检测研究。对经过预处理操作后的缺陷图像运用布谷鸟算法结合大津法的CS-Otsu算法,寻找最优阈值T以便缺陷部分与背景分割。通过提取不同类型缺陷的特征数据构建样本数据库。基于萤火虫算法改进BP神经网络的GSO-BP算法优化权值及阈值,并结合构建的缺陷数据库实现对轮毂缺陷类型的检测。通过结果可知运用基于改进遗传算法的正确识别率为95%,高于传统遗传算法,能够满足缺陷检测要求。