基于参考曲线模型和并行非线性最小二乘算法的HPLC-DAD数据分解

HPLC-DAD数据分解问题是化学计量学领域的一个重要课题,也是很多其他研究领域的前提和基础。本文基于参考曲线模型,构造了一种三参数的色谱峰参考曲线,并提出了并行非线性最小二乘算法对参考曲线模型(RCM)进行求解。通过仿真实验和HPLC-DAD数据实验,验证了本文提出的方法具有分辨率高、收敛速度快、参数易控制等特点。

基于四维张量特征分解的风电机组轴承故障缺失数据恢复方法研究

针对风电机组轴承故障信息采集过程中数据缺失导致故障类型无法识别问题,提出了一种基于四维张量模型特征分解恢复缺失数据的方法。首先,基于转速、时窗、经验模态分解和时间4个维度构建四维张量;其次,通过加权优化算法实现张量填充,修补故障数据的缺失值;然后,对张量进行Tucker分解得到核心张量及因子矩阵;最后,基于梯度优化算法进行迭代优化得到最终核心张量及因子矩阵,并利用二者对四维张量进行重构得到恢复数据。采用实验数据和实际数据来验证提出方法的有效性和可靠性。结果表明:两组恢复数据的RMSE值分别为0.3169和0.0291,远小于4种对比方法的RMSE值。利用双稳态随机共振对2组恢复数据进行故障特征提取,信噪比显著提高,分别为-13.2647和-15.5212,进一步验证提出方法的准确性。

基于大数据分析的智能用电非侵入式负荷分解模型

为准确从电网电流数据中分解出单独的负荷叠加信号,基于大数据分析构建一种新的智能用电非侵入式负荷分解模型。应用大数据分析技术建立时间序列数据集,确定时间区域断点均值,并在大数据内部提取非侵入式负荷信号,通过迭代计算提取智能用电设备运行状态。根据线性解码计算结果构建负荷分解数学模型,分析负荷电流信号独立性,检测电流信号和负荷电流信号的近似系数,实现分解操作。实验结果表明,所构建模型分解后的电流与负荷的电流信号之间的相关系数达到0.9999,加快了收敛速度,保证分解效果。

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先,基于百度指数获得碳交易相关非结构性数据,并利用主成分分析(PCA)方法提取其主成分。其次,对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后,自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后,基于BP神经网络等对三种分解方法的预测值分层集成,得到碳价格最终预测结果。对比实验结果显示,上述组合预测方法充分利用了多源信息,预测精度高且适用性良好。

非负矩阵因子分解算法解析手性药物重叠峰的HPLC-DAD数据

目的:研究非负矩阵因子分解算法(NMF)用于手性药物HPLC-DAD二维数据解析的可行性及其影响因素。方法:根据化学波谱的基本特征如色谱的单峰性改进NMF算法。考查组分之间色谱分离度、光谱相似程度以及迭代次数对模拟重叠峰解析结果的影响,并将NMF算法应用于实测体系盐酸舍曲林对映异构体体(cis-1R,4R;cis-1S,4S)重叠峰解析。结果:解析结果表明,在色谱严重重叠,光谱相似甚至完全相同时,在合适的迭代次数下,NMF能解析出重叠峰中各单组分的光谱和相应色谱。结论该种二维数据的解析方法,将为混合样本特别是手性药物混合体系的分析提供新途径。

基于随机矩阵分解的大数据无向压缩算法设计

由于已有的大数据压缩算法均是按照一定方向实现,导致冗余数据无法完全滤除,数据压缩耗时较长且网络能耗较大。为解决上述问题,设计一种基于随机矩阵分解的大数据无向压缩算法。构建随机矩阵分解模型,引入用户相邻数据计算隐含可靠大数据,消除冗余信息;运用归约技术预处理数据,利用不同变量的线性组合顶替初始变量,标准化处理大数据样本降低压缩难度;构建数据压缩评估指标,采用无向旋转门算法,期望误差和真实解压缩误差作为负反馈,动态调节压缩误差,连续迭代直到误差降至理想范围,完成大数据无向压缩算法的设计。仿真结果表明,所提算法压缩耗时短,有效提升了大数据压缩比,减少了网络能耗,为大数据的管理与应用提供参考借鉴。

基于奇异值分解的地震数据去噪分析与研究

奇异值分解(SVD)是去除地震数据噪音、提高信噪比的一种有效方法。本文对基于奇异值分解的地震数据去噪进行了分析与研究,主要阐述了SVD和SVD去噪的基本原理,然后进行了模型验证和实际应用,去噪结果可知SVD技术不但可以有效去除地震数据中的随机噪音,而且具有良好的保真性,从而为后续的油气勘探开发工作打下了坚实的基础。地下构造特征是解决水文地质、天然地震带检测、探测油气以及其他各种矿藏资源等工程问题的关键资料,而获取地下构造特征的主要技术之一就是地震勘探。而在实际地震勘探过程中,地震数据一般会受到很多噪音干扰,这些噪音的能量大小不一,在很大程度上降低了地震数据的品质,给后续的处理、解释、储层预测等工作带来了很大的影响.

基于动响应数据特征的桥梁结构损伤识别

介绍了本征正交分解(Proper Orthogonal Decomposition,POD)的基本原理,探讨了POD在桥梁结构损伤识别中的应用。提出了基于动响应数据特征的桥梁结构损伤识别方法,该识别方法基于POD技术对桥梁结构在不同位置、不同时刻收集到的位移快照矩阵(Snapshot Matrix)进行本征正交分解,得到结构的本征正交模态(POMs),进而构造出损伤指标来识别结构的损伤位置及程度,实现了对桥梁结构损伤的多工况识别。并以保定黄花沟桥为例,通过数值模拟试验,验证了该方法的有效性,结果表明POD能够从空心板桥结构的振动响应数据中提取出结构的本质特征,并且提取过程简单、快捷,可为桥梁结构提供一种有效的损伤识别方法。

基于影响因子分解法的大坝监测数据异常检测算法

如何快速检测出大坝安全监测系统内的异常数据(例如粗差和告警值)对于大坝安全运行具有极其重要的意义,但传统方法容易漏检较小数值异常而对后续建模产生不利影响。提出了一种基于影响因子分解的异常值检测方法,通过快速小波变换及离散傅里叶变换提取监测序列中的显著趋势与周期,剥离环境因子的影响,构建余项序列,并结合小概率事件思想准确判定余项序列中保留的异常值,从而精确检测出监测序列中较小数值异常。实例验证结果表明:此方法具有较好的实用性与稳定性,各类监测序列中异常检测准确率均达98%以上,查准率与查全率均值分别为93%与92%,与传统检测方法相比,检测精确程度及泛化能力明显提升。

基于随机数据驱动SDMD的电力系统区域惯量评估方法

准确评估系统惯量对于支持未来低惯量电力系统的系统安全运行至关重要。文中提出了一种随机数据驱动下基于机电响应特征的系统惯量评估方法,从随机响应信号中实现了区域有效惯量的评估。首先,通过将随机Koopman理论与随机动态系统相结合,推导出了随机Koopman空间上机电特征与系统惯量的耦合关系。然后,利用子空间动态模式分解(SDMD),以数据驱动的方式提取系统机电响应特征。该算法通过正交投影和奇异值分解,在压缩数据的同时实现了系统状态矩阵的低秩近似,可以有效减弱观测噪声对计算结果的影响。最后,采用IEEE 4机2区系统和IEEE 10机39节点系统的数值模拟算例验证了所提算法的有效性和鲁棒性。

基于数据挖掘的大学生就业指导资源挖掘方法

采用目前方法对大学生就业指导资源进行数据挖掘时,由于去噪性能差导致方法存在数据冗余、挖掘效率低和精准度较差的问题,因此提出了基于数据挖掘的大学生就业指导资源挖掘方法。利用H-BIRCH算法对就业指导数据进行聚类处理,结合EMD分解方法和小波去噪方法对不同类别的就业信息数据进行去噪,对去噪后的资源数据进行白化处理,采用图模型提取就业指导资源数据特征,完成就业指导资源挖掘。实验结果表明,该方法可以有效简化数据结构,数据冗余纠错率、数据挖掘效率和数据挖掘准确度较高。

基于ARMA和GRU的数据权重负载预测

文章将小波分解与自回归滑动平均模型(ARMA)和门控循环单元(GRU)结合起来,用于预测接下来几个时间间隔内的用户负载。为了降低数据中随机因素对模型的影响,对数据进行了加权处理。该方法首先通过Savitzky-Golay滤波对时间序列进行平滑处理,然后利用小波分解将平滑后的时间序列分解为2个分量。

基于ZYNQ的DCS设备数据采集模块优化设计

为了提高DCS(分布式控制系统)设备数据采集精度,优化系统运行效果,设计了一种基于ZYNQ的DCS数据采集模块。该模块可配合C/S架构,适应高性能的硬件运行环境,以确保DCS系统的高效通信。硬件架构使用ZYNQ-7000 BGA90可编程逻辑芯片作为核心芯片,配备双核ARM Cortex-A9处理器和DDR3内存。选用FS-AC32型号的6口无线AP控制器和S3150-8T2FP 8口L2+PoE+供电交换机。软件架构方面,设计了系统的数据采集和存储方法。数据采集方面,针对DCS设备的运营需求进行了数据指标分解、埋点需求设计和通信模块的优化,实现了高效的数据采集。系统测试结果表明,6组DCS设备数据采集误报率始终在0.5%以下,数据采集精度得到了显著提升。

不同时间尺度多源时序数据的FEEMD分解比较研究

中国南海东北部海区的叶绿素a浓度及相关环境因子受多尺度物理强迫影响,具有非线性非平稳态特征,对该区域的数据进行分解存在一定困难.该文利用一种自适应、非线性、非平稳态的FEEMD方法对研究区8 d尺度和月尺度长时序叶绿素a浓度及相关环境因子数据进行分解,结果发现:1)FEEMD有效避免了EMD和EEMD的高频模态混叠问题;2)FEEMD的运行速度比EMD和EEMD快10倍以上;3)基于8天和月尺度数据分解出的21年数据总趋势一致;4)相较于月尺度数据,8天尺度数据能分解出更多具有实际物理意义的高频模态,计算这些高频模态的周期发现基于8天尺度数据能分解出短至约2个月、4个月(季节)、6个月的周期;5)8天尺度叶绿素a浓度数据能分解出长达5年左右周期,其他相关环境因子可分解出10~14年超长周期,而月尺度数据一般只能分解出年尺度周期.该文研究结果表明,FEEMD方法可在环境复杂、动态度高、因子多变的区域进行长时间序列数据分解,并能取得理想效果,能为复杂环境条件下多因子间驱动关系研究提供借鉴.

融合矩阵分解和代价敏感的微生物数据扩增算法

微生物会对人类健康产生直接影响,对相关数据的分析有助于疾病诊断。然而,采集到的数据存在类不平衡与高稀疏性两个问题。现有的过采样方法在一定程度上可缓解数据的类不平衡,但是难以应对微生物数据的高稀疏性。本文提出了一种融合矩阵分解和代价敏感的数据扩增算法,其包含3个技术。首先,将原始矩阵分解为样本子空间和特征子空间;其次,利用样本子空间的正向量及其近邻向量生成合成向量;最后,根据合成向量与所有负向量的距离对其过滤。实验在8个微生物数据集上进行,同时与5种过采样算法对比,结果表明本文所提算法能够增强正样本的多样性,在识别出更多正样本的同时,分类结果的代价更低。

基于高维时空张量CP分解的风速监测缺失数据恢复

“大数据”时代的到来为风机健康监测带来了新机遇,风机往往运行在极端恶劣环境下,监测数据中夹杂了大量缺失值,数据质量无法保障,进而会制定有误的运维指导策略。为保证风速监测数据质量,提出了基于高维时空张量CP分解的风速监测数据缺失值恢复方法。构建包含时空信息的四阶张量,利用CP分解将张量分解为多个因子矩阵,通过加权张量将恢复缺失数据转化为求解目标函数最小值,根据因子矩阵重构张量,从而获得缺失处原始信息值。利用提出方法与GPR、GRU、LSTM、SWLSTM等传统方法对某风电场的缺失数据进行恢复,结果表明,相比传统方法,提出方法的R^(2)最接近1,MAE等误差指标均为最小,具有最高拟合度,从而验证了该方法的有效性。

基于改进变分模态分解算法的海洋绝对重力数据滤波处理

原子重力仪具有采样率高、精度高及长期稳定性好等优点,适用于远洋深海高精度绝对重力测量工作。受恶劣海况影响,原子重力仪测量的绝对重力数据中存在大量非平稳、非线性的噪声信号,影响重力测量的精度,进而影响地质构造解释的准确性。为了消除重力测量数据中的噪声,本文分析了创新性地引入改进变分模态分解(improved variatio nal modal decomposition,IVMD)算法进行滤波处理。

基于自适应噪声完全集合经验模态分解算法和Hurst指数的地震数据去噪方法

在地震观测中,地震数据中普遍包含有噪声信号。由于噪声信号的干扰,地震分析的效率会受到不同程度的影响。传统的去噪方法通常需要噪声的先验知识,并且滤波时会造成部分有效信号丢失。针对这一问题,本文提出一种将自适应噪声完全集合经验模态分解(CEEMDAN)算法与Hurst指数相结合的地震数据去噪方法。首先通过CEEMDAN方法将信号分解为一系列本征模函数(IMF),然后利用Hurst指数对滤波后的IMF分量进行识别,最后对地震数据IMF分量进行重构,从而实现数据去噪。与传统方法的去噪效果对比表明,本文方法可将低信噪比波形的去噪效果提高32%,将高信噪比波形的去噪效果提高6倍。同时对地磁数据的去噪结果表明,本文方法能够较完整地将地铁噪声从地磁信号波形中滤除。

基于小波分解的光通信数据安全风险识别方法研究

进行光通信数据安全风险识别过程中,由于光通信数据选择的特征不能很好地反映数据的本质特点,导致安全风险识别效果较差,对此,研究基于小波分解的光通信数据安全风险识别方法。首先,通过光通信数据传输信道均衡控制设计,抵消信道传输引起的失真和噪声影响,然后,采用小波分解进行光通信数据的特征提取。基于提取到的光通信特征数据进行数据异常状态分析。最后,基于获取的数据特征和异常概率,采用萤火群算法进行光通信数据异常数据的识别定位,有效实现光通信数据的安全风险识别。实验结果表明:方法的异常数据识别相识度较高,且收敛速度与识别时间最高分别为23 V/s、40 s,说明本文方法具有实用性。

基于深度置信网络模型改进的数据中心温度场本征正交分解预测模型

本征正交分解(POD)是数据中心温度场降阶重构的一种常用模型,常规基于插值法获取模态系数的POD模型泛化能力较差。本文通过建立基于深度学习的深度置信网络模型(DBN),对POD模态系数计算方法进行了改进,提高泛化状态下POD模型预测温度场分布的准确性。研究结果表明,基于DBN改进后的POD模型(POD-DBN)的泛化能力大幅提高。与插值法获取模态系数的POD模型相比,POD-DBN模型在泛化状态下的平均相对误差下降至3%以内,平均绝对误差下降至0.5℃以内。利用POD-DBN模型,可以为数据中心空调系统的控制提供快速准确的温度场预测。