高速铁路日常客运量的EMD-Informer组合预测方法

铁路客流需求的科学预测是进行运输组织方案决策的重要依据。以高速铁路历史客票数据为基础,结合经验模态分解(empirical mode decomposition,EMD)与机器深度学习中的注意力机制,提出高速铁路日客流量的EMD-Informer组合预测方法。首先采用EMD方法分解高速铁路客流量序列,获得具有周期特征和线路客流内在特征的模态分量,再利用Informer模型分别训练和预测各模态分解分量,并通过多头注意力机制高效挖掘客流数据内在规律和捕捉数据序列中的关键特征,在此基础上重组各分量预测值,从而得到高速铁路日常客流的整体高精度预测值。同时,根据结合问题特征的大量实验,明确可供实际运用参考的超参数设置规则。基于京沪高速铁路全线的实例计算分析表明,相对对比预测方法,EMD-Informer组合预测方法在高速铁路客流的单步预测及超前预测上均具有明显更小的预测误差。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

基于STL-Informer-BiLSTM-XGB模型的供热负荷预测

供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。

基于成果导向教育的分类器实验教学设计探索

探索一种区别于传统教育的新型OBE教育模式。以学生自身兴趣爱好为导向,引用经典课题实践案例,并将其分解成不同难度题型,引导不同基础学生用科学的方法实现基于Python编译器的分类器仿真实验模型,让每一个学生能够得到最大程度的学习效率。通过此互动式、开放性的课堂教学,不仅充分激发了每一个学生的学习能动性,也使得教师通过课堂氛围灵活的分配教学计划以获得更好的教学体验,更好地完成教学成绩。

引入激活扩散的类分布关系近邻分类器

针对同质性关系分类器基于一阶Markov假设简化处理的局限性,在类分布关系近邻分类器构建类向量和参考向量时,引入局部图排序激活扩散方法,并结合松弛标注的协作推理方法,通过适当扩大分类时邻居节点的范围增加网络数据中待分类节点的同质性,从而降低分类错误率.对比实验结果表明,该方法扩大了待分类节点的邻域,在网络数据上分类精度较好.

基于集成神经网络的类风湿关节炎中医证候分类器研究

目的构建一种集成神经网络模型实现类风湿关节炎(RA)中医证候分类,并探究其中的特征重要性和风险因素。方法针对基于人工智能技术的RA中医证候多标签分类中存在的标签关联性差、泛化性能低等问题,提出一种集成神经网络模型——集成神经网络链(FEN)。FEN模型采用一种基于深度神经网络的特征提取基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度;根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度;并采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。此外,分析了RA中医证候主证和兼证的特征贡献度,挖掘其潜在的风险因素。结果FEN模型的10折交叉验证性能参数汉明损失、1-错误率、准确度和F1值分别为0.0036、0.0248、97.52%、99.18%。与7种典型多标签分类器(分类器链、标签幂集、二进制关联、随机k-标签集、多标签K最近邻、集成分类器链和集成二进制关联)相比,FEN模型具有较好的分类性能。特征贡献度分析提示,主症和次症特征均可作为RA中医证候分类的重要指标,是影响主证和兼证分类的主要因素。结论基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。

TimeGAN-Informer长时机场能见度预测

能见度的预测对机场的业务决策、保障飞机的安全起降具有重要的意义。针对现有能见度预测模型预测时间较短的问题,提出一种基于TimeGAN Informer(Time Generative Adversarial Network-Informer)的机场能见度预测方法。利用2018—2022年气象和污染物数据,通过相关系数法和递归特征消除法提取出能见度的主要影响因素,使用TimeGAN时间序列生成对抗网络对数据进行扩充,并将Informer长时间序列预测模型应用于能见度预测。结果显示:当预测步长为1 d、2 d、3 d时,TimeGAN Informer的绝对误差(Mean Absolute Error,MAE)分别为2.42、3.13、3.57,比Informer分别降低了0.29、0.27、0.28,比长短时记忆网络(Long Short-Term Memory,LSTM)分别降低了0.28、0.49、0.63;均方根误差(Root Mean Square Error,RMSE)分别为3.03、3.7、4.09,比Informer分别降低了0.38、0.22、0.24,比长短时记忆网络(LSTM)分别降低了0.3、0.5、1.04;百分误差小于30%的分别占测试样本集的78.07%、70.68%、63.84%。尽管随着步长的增加预测效果变差,但在预测步长为3 d时,多数样本的预测误差仍小于30%,实现了对机场区域较为准确的长时能见度预测。

基于Informer融合模型的油田开发指标预测方法

为解决油田开发指标的预测问题,提出了一种基于物质平衡方程和Informer的融合模型。首先,通过物质平衡方程领域知识建立油田开发产量递减前后的机理模型;其次,将所建机理模型作为约束与Informer模型损失函数进行融合建立符合油田开发物理规律的指标预测模型;最后,采用油田实际生产数据进行实验分析,结果表明相比于纯数据驱动的几种循环结构预测模型,本融合模型在相同数据条件下的预测效果更优。该模型的机理约束部分能引导模型的训练过程,使其收敛速度更快,且波峰波谷处的预测更准确。该融合模型具有更好的预测能力和泛化能力和比较合理的物理可解释性。

一种基于多分类器和证据理论融合的水质分类方法

针对单分类器对不同水质类别识别不均衡、水质分类准确率较低、适应性较差的问题,提出一种基于多分类器和证据理论融合的水质分类方法。选取深度神经网络分类器、改进支持向量机分类器和贝叶斯分类器3种分类器,通过全概率公式构建信度函数,基于证据理论对信度函数进行融合,获得多分类器融合模型。从国家地表水水质自动站发布的2022年3月1—22日水质数据中选取3 558条数据为样本集,采用DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型和多分类器融合模型对待测样本进行测试。结果表明:多分类器融合模型对水质类别判定的平均准确率、精确率、召回率和F1值分别为94.2%、93.8%、94.2%和94.0%。相较于DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型,多分类器融合模型准确率分别提高5.6%、9.8%和13.6%,精确率分别提高5.2%、10.0%和10.9%,召回率分别提高5.6%、9.8%和13.6%,F1值分别提高5.4%、10.2%和12.3%,多分类器融合模型在水质分类方面的准确性和适应性更高。

基于极化SAR梯度和复Wishart分类器的舰船检测

舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。

基于ER Rule的多分类器汽车评论情感分类研究

该文针对汽车评论语料的情感二分类问题,提出一种基于证据推理规则的多分类器融合的情感分类方法。在情感特征构建方面,通过实验对比不同特征模型对分类结果的影响,并改进传统的TFIDF权重计算方法。同时,在此基础上使用ER Rule融合不同分类器进行文本情感极性分析,并考虑各分类器的权重和可靠度。最后,爬取汽车网站上的评论数据对上述方法进行测试,并用公开的中文酒店评论语料数据进行了验证,结果表明该方法能够有效集成不同分类器的优点,与传统机器学习分类算法相比,其结果在Recall,F1值和Accuracy三个指标上得到了提高,与目前流行的深度学习算法和集成学习算法相比,其结果总体占优。

基于KCR-Informer的长期风电功率预测研究

准确的长期风电功率预测对电网系统稳定运行至关重要,传统预测方法在处理长序列预测时效果并不理想,近期研究表明Informer模型在长序列预测领域取得良好效果。然而,该模型在捕捉数据的局部特征以及处理网络层数堆叠问题上还有待改进。文章提出一种基于卡尔曼滤波器-卷积神经网络-残差网络-Informer(Kalman filter-convolutional neural network-residual network-informer,KCR-Informer)模型的长期风电功率预测方法,首先分析气象数据对风电功率的影响,使用卡尔曼滤波器对风电气象数据进行数据平滑处理,以减轻噪声对数据的影响,然后基于Informer模型建立风电功率预测模型,根据气象数据以及历史功率数据进行长期功率预测;在此基础上,引入卷积神经网络和残差连接模块,使模型能够更好的捕捉到局部特征,同时加快模型收敛,解决模型网络退化问题。算例的结果表明,与长短期记忆网络(long short-term memory,LSTM)算法、Transformer算法、Informer算法相比,文章方法在不同预测步长下的平均绝对误差(mean absolute error,MAE)降低5.7%~30%,均方误差(mean square error,MSE)降低8.3%~35%,长期风功率预测的精度得到提升,验证了模型的有效性。

基于Hamming距离和量子搜索算法的联想分类器设计

针对现有联想分类器不能存储重复样本的问题,提出一种基于Hamming距离和量子搜索算法的量子联想分类器设计方法,并给出联想分类器存储和分类的线路图.该方法需提前准备5组量子比特,分别对Hamming距离、输入样本、模式样本、类别和序号进行编码.首先,根据样本总体N,计算联想分类器所需的量子位数,再利用量子旋转门和Hadamard门将初态为|0〉的量子位旋转为恰好包含N个基态的均衡叠加态;其次,根据待存储样本的类别和值,将剩余两组初始状态为|0〉的量子位通过可控操作转换为相应的量子基态;最后,基于量子最小搜索的分类方法,计算输入样本与所有存储样本之间的Ha mming距离,再使用固定相位Grover量子搜索算法搜索这些Hamming距离的最小值,最小值对应存储样本的类别即为输入样本的类别,具体的分类结果可通过测量寄存器中的量子态得到.

基于多层感知分类器的皮革图像缺陷识别研究

针对传统皮革图像缺陷识别准确率和识别效率不高的问题,提出一种改进多层感知分类器的皮革图像缺陷识别方法。首先,以多层感知分类器作为基础网络模型,对其结构进行优化,并选择适宜的激活函数、分类器和权值与偏置更新方法;然后,搭建一个基于改进多层感知分类器的皮革图像缺陷识别模型;最后,提出一套皮革缺陷图像数据集构建方案,通过滑窗裁剪、样本标注、图像增广等获得4类皮革缺陷图像样本,并将该数据集输入至搭建缺陷识别模型中进行缺陷识别。试验结果表明,本模型对孔洞缺陷、划痕缺陷、针眼缺陷和无缺陷4种故障样本的平均精确率、召回率、准确率和F1值分别为96.97%、96.52%、94.99%和96.14,且本模型进行缺陷识别所用时长仅为3.56 s。相较于经典卷积神经网络VGG16、残差网络ResNet10和支持向量机SVM,本模型对皮革图像不同样本的故障识别准确率更高,识别时间更短。由此说明,本模型能够提升皮革图像缺陷识别准确率和效率,模型性能具备优越性和有效性。

基于改进Informer的云计算资源负载预测

负载预测是云计算资源管理中的重要组成部分,准确预测云资源的使用情况可提高云平台性能及防止资源浪费,然而云计算资源使用的动态性和不确定性使得负载预测较为困难,尽管Informer在时序预测领域取得了较好的效果,但未对时间的因果依赖关系加以限制造成未来信息泄露,也未考虑网络深度的增加导致模型性能下降的问题。为解决上述问题,提出一种基于改进Informer的多步负载预测模型(Informer-DCR)。将编码器中各注意力块之间的正则卷积替换为扩张因果卷积,使深层网络中的高层能够接收更大范围的输入信息来提高模型预测精度,并保证时序预测过程的因果性。在编码器中添加残差连接,使网络中低层的输入信息直接传到后续的高层,解决了深层网络退化问题。实验结果表明,Informer-DCR模型在不同预测步长下的平均绝对误差比Informer、时间卷积网络等主流预测模型降低了8.4%~40.0%,并且在训练过程中表现出比Informer更好的收敛性。

基于Informer神经网络的锂离子电池容量退化轨迹预测

通过对锂离子电池容量退化轨迹的精确预测可以大幅提升电池材料的研究效率。针对Transformer网络在锂电池容量退化轨迹预测这种长时间序列预测任务中存在的问题,本工作采用滑动窗口策略,构建了一种基于Informer网络的锂离子电池容量退化轨迹预测方法。首先,利用滑动窗口对数据集进行划分和再拼接,便于神经网络挖掘数据序列内部的相关性;然后,根据Informer网络的周期性时间特征捕捉能力设计适用于锂电池数据的全局时间戳;最后,使用前10%容量数据通过多步滚动预测方法实现模型输出,缓解预测中的误差累积问题,进而得到完整的预测轨迹。通过选取不同的误差评价指标和训练过程中的时间开销,在美国马里兰大学提供的锂电池数据集上验证了所建立模型的准确性和训练效率,并在美国航空航天局提供的电池数据集上验证了模型的泛用性。本工作模型的预测结果与多层感知机神经网络、循环神经网络及Transformer网络模型对比,退化轨迹与真实轨迹最为拟合,且训练时间开销小,预测结果的平均绝对误差和均方根误差控制在2.57%和3.5%,验证了所提预测方法的有效性。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

基于Informer算法的网联车辆运动轨迹预测模型

自动驾驶汽车可以根据轨迹预测算法计算周边车辆的运动轨迹,并作出反应以降低行车风险,而传统的轨迹预测模型在长时间序列预测的情况下会产生较大的误差。为解决这一问题,提出了一种以Informer算法为基础的轨迹预测模型,并根据公开数据集NGSIM进行实验分析。首先通过对称指数移动平均法(sEMA)对原始数据进行滤波处理,并在原有的Informer编码器中加入了联合归一化层对不同车辆进行特征提取处理,减少了不同车辆之间的运动误差,通过考虑车辆的本身速度信息与周围环境的车辆运动信息,提高了预测精度,最后经过解码器得到未来时刻的车辆轨迹分布。结果表明,模型对车辆的轨迹预测误差在0.5 m以内;通过对轨迹预测的MAE与MSE结果分析可知,预测时间超过0.3 s以后,Informer模型的轨迹预测效果明显优于其他算法,验证了模型和算法的有效性。

基于聚合二次模态分解及Informer的短期负荷预测

针对区域级负荷的非平稳性及长序列预测精度低的问题,该文提出了一种基于聚合二次模态分解及Informer的短期负荷预测方法。首先,运用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对负荷序列进行初步分解,削弱原始序列的随机性与波动性;其次,根据子序列的样本熵计算结果进行聚合,并通过比较不同的聚合方式选出最优重构方案;然后,利用变分模态分解对高复杂度的合作模态函数进行二次分解;充分考虑到电价、气象等因素对负荷的影响,采用随机森林(random forest,RF)算法进行相关性分析,从而为每个子序列构建不同的高耦合度特征矩阵并输入Informer进行建模,并通过其多层次编码及稀疏多头自注意力机制等方式提高对负荷序列的预测效率;最后采用巴塞罗那区域级负荷数据集进行实例验证,结果显示所提框架有效解决了模态分解过程中的模态混叠以及高频分量问题,并且其长序列预测均方根误差相比其他经典深度学习模型最高降低了65.28%。

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘(Hyperdisk,HD)对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器(Deep Hyperdisk Large Margin Classifier,DHD),该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。