基于加速无约束张量隐因子分解模型的Web服务Qo S估计

针对基于张量非负隐因子分解模型的Web服务QoS估计方法过于依赖非负初始随机数据以及特意设计的非负训练方法,导致模型的兼容性和扩展性不高的问题,提出了加速无约束张量隐因子分解模型。其主要思想包括三部分:将非负性约束从决策参数转移到输出的隐因子,并通过单元素映射函数连接它们;运用结合动量方法的随机梯度下降算法,有效提高模型的收敛速度与估计精度;给出加速无约束张量隐因子分解模型的详细算法和结果分析。在实际工业应用中的2个动态QoS数据集上的实证研究表明,与最先进的QoS估计模型相比,所提模型具有较高的计算效率和估计精度。

基于极点对称模态分解的中长期径流预报组合模型

为提高径流预报精度,解决径流序列分解后高频分量波动范围大、预报精度差的问题,基于极点对称模态分解法(ESMD)平稳化处理技术将径流序列分解,通过分析不同频率分量特征,择优选取预报方法,结合粒子群优化最小二乘支持向量机(PSO-LSSVM)全局优化和非线性建模能力及适应性强的特点,对高频分量进行预测,利用BP神经网络非线性映射能力和逼近任意非线性函数的优势对中低频分量和趋势分量进行预报,构建了ESMD-PSO-LSSVM-BP组合预报模型,对西江干流上中下游三座水文站的年、月尺度径流开展中长期径流预报。结果表明,对不同频率分量采用不同预报方法的组合模型可以有效提高径流预报精度。

特征分解模式下的系列化零件模型重构方法

具有相似结构特征的系列化零件模型,为进行高效地零件变更以适应不断变化的设计要求,提出基于特征分解的思想实现模型重构。通过完善布尔分割环组成实现模型分解,将模型解析为特征体的布尔组合;建立模型加权属性邻接图,分割出特征子图,获得分割块与模型整体的几何拓扑关系,以此表征模型分割元素之间的联系;通过判断分割环分割的优先级,从分解过程逆向推导,将分割得到的面壳恢复成特征体,构建基于模型设计历史的有向图表征建模过程;基于几何约束和定位约束实现模型参数化重构。经实例验证,当在满足几何和定位约束前提下对零件模型进行重构时,该方法能够实现系列化零件模型的快速变更。

基于层次分解、主成分分析和高斯混合模型的火成岩岩性识别——以惠州26洼古潜山为例

火成岩油气成藏规律复杂,受到火山运动、强构造运动以及风化剥蚀等叠加影响,火成岩的化学成分和结构构造复杂多样,非均质性极强,采用常规岩性识别方法难以一次性将所有岩性准确识别。借鉴层次分解思路,以惠州26洼古潜山为例,提出了一种火成岩岩性测井识别分类方法:综合考虑火成岩地质分类原则和测井响应特征来确定岩性识别层级,基于这种层次性的分类原则,在每一层次定量优选岩性识别敏感参数,建立研究区岩性识别优选层级;在明确岩性识别优选层级的基础上,逐级逐次使用主成分分析(PCA)和高斯混合模型(GMM)对岩性进行判别并确定其计算函数,建立分级优选岩性识别模型,最终达到整体岩性区分的目的。研究结果表明,研究区辉绿岩和闪长岩识别正确率分别为87.31%和84.32%,未分级未优选辉绿岩和闪长岩识别正确率为60.45%和54.88%,分级未优选其岩性识别正确率为69.61%和67.04%,有效提高了研究区的复杂岩性识别精度。该方法的提出对提高火成岩岩性识别精度提供了一种思路,也为研究区古潜山火成岩岩性精确识别提供了参考依据。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

配电网负荷预测中信号分解和预测模型组合的双层优化策略

负荷时间序列的波动性和非线性特征的加剧对负荷预测方法提出了更高的要求,而常规组合预测方法针对海量负荷数据存在应用局限性问题。为此,提出了配电网负荷预测中时序分解方法和预测模型组合的双层优化策略。首先针对某一负荷预测数据,在时序信号分解层配置权重,以负荷均方根误差最小寻优各分解方法的权重系数,进而获得各时序信号分解方法的最优组合;在此基础上,在预测模型层进行组合方案寻优,通过配置权重系数以获得各预测模型的最优组合,进一步提升负荷预测的精度。仿真结果表明,所提策略可根据预测对象的特征优化组合各信号分解方法和预测模型,降低了配电网负荷序列的非平稳性对预测精度的影响。

珠三角区域出口贸易隐含碳的测算与分解——基于投入产出模型和结构分解的实证分析

首先基于2016—2020年珠三角数据,运用投入产出法测算出口贸易隐含碳的排放量,然后通过SDA分解模型,从规模、结构和技术三个层面分析了主要影响因子。结果表明:2016年起珠三角净输入量呈现下降的趋势;从分部门出口贸易隐含碳结构分解可知,规模效应整体呈现出快速上升—达到高峰—逐渐减少的三个阶段;部门结构效应的大部分效益值为负,说明珠三角区域的产业结构较为合理,可以有效地抑制碳排放的增长。鉴于此,认为珠三角地区应当优化进出口产品结构,加大绿色低碳技术创新力度,鼓励区域间合作减排。

“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

模态分解及混合模型在比特币价格预测中的应用

独特的生产、发行和交易机制等多种因素的影响下,比特币价格表现出极端的波动性,导致了预测任务的复杂性.为此提出了基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)的混合预测模型,将复杂的原始序列分解成多个简单固有模态函数(IMFs),并通过重构算法将IMFs集成为不同频率的分量.根据各分量的不同数据模式,选取不同机器学习模型分别进行预测,叠加各分量预测结果得到最终比特币价格预测结果.对比结果表明,该模型在各评价指标上均优于单一预测模型,混合模型可以优化预测结果,较好地减小预测误差.

基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测

针对风速的波动性和随机性等特点,提出一种基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测方法。该方法的基本思路是构造基于变分模态分解、样本熵和奇异谱分析的二次分解的方法,将原始风速序列分解为不同的子序列,并对这些子序列分别建立预测模型,最后重构。对变分模态分解的子序列建立基于长短时记忆网络的深度学习模型预测,而残差序列进行二次分解后的子序列建立乌鸦搜索算法优化的组合预测模型预测。最后,对子序列进行重构并得到最终的预测结果。使用实际的风速观测资料开展模拟实验,结果表明:在3个风电场中,所提模型与其他模型相比平均相对误差分别提升了30.07%、37.56%和37.40%,验证了混合模型在超短期风速预测中的有效性和稳定性,以及在不同数据集上的泛化性能。

考虑有机质含量及分解度的草炭土导热系数模型改进

土壤导热系数是决定土层传热性能的主要参数,影响到地温分布、土壤环境及作物生长。高有机质土的导热系数受到有机质组分直接影响,而目前土壤导热系数模型缺乏对有机质含量及分解度的考虑。该研究采用稳态比较法测定了未冻结及冻结状态下的草炭土导热系数,分析了不同层位原状草炭土性质对导热系数的影响,对比了10余种土体导热系数计算模型对草炭土的适用性,并以此提出了改进模型。结果表明:1)各层位草炭土在未冻结状态下导热系数相近(0.51~0.66 W/(m·K)),而冻结后导热系数层间差异明显(1.00~1.62 W/(m·K)),表明冻结极大地改变了土体物质组成,而有机质含量及分解度显著影响着土体的传热性质;2)考虑了干密度及组分权重的土体导热系数模型对草炭土的预测适用性更佳,但准确度仍然难以达到理想效果;3)基于土体性质的影响程度及计算模型的原理,引入草炭土有机质含量O_(c)及分解度D_(d)计算草炭土导热系数,建立了改进模型,提高了参数模型准确率(R^(2)>0.75)。研究成果可为季冻草炭土分布区的农业耕作及工程建设提供参数依据,同时可作为高有机质土体热物理性质研究的理论参考。

基于稀疏增强动力学模态分解的风力机尾流模型研究

基于稀疏增强动力学模态分解(SPDMD)方法对风力机尾流大涡模拟(LES)结果开展降阶模型研究,并将分解结果与标准DMD方法进行比较。结果表明,动力学模态分解方法能提取尾流动态特征,揭示风力机尾流演化规律。标准DMD方法倾向于选择具有小尺度和高频率的模态,而SPDMD方法选择具有低频率的大尺度流动特征。相比于标准DMD方法,SPDMD方法在低维子空间上建立风力机非定常尾流场的降阶模型,以较少的模态数目重构和预测风力机尾流场,可提高计算效率。

基于状态扩张输入输出动态模态分解的风力机尾流降阶模型

基于数据驱动范式,采用输入输出动态模态分解方法(IODMD)构建机组偏航动作下风力机尾流降阶模型,此外为应对传统输入输出动态模态分解方法(IODMD)在局部流场精度不足的问题,提出扩张风力机转速的输入输出动态模态分解方法(EIODMD),从而使得降阶模型能充分利用机组运行特性。研究结果表明,所提EIODMD较传统IODMD方法在流场重构与预测精度方面均有所提高,证明了EIODMD尾流降阶模型的优越性。

基于低秩分解的YOLO轻量化目标检测模型

随着列车智能化程度的不断提高,许多研究探索了车载设备目标检测模型的轻量化技术,以满足在资源有限情况下的高效计算。针对当前YOLO(You Only Look Once)系列目标检测模型轻量化方法通用性不够强的问题,文章提出了一种针对YOLO系列的低秩分解参数压缩算法。首先通过预设的低秩比例系数和卷积单元的输入/输出通道数量计算低秩,然后通过对目标结构的卷积层进行Tucker分解,得到新的卷积序列,最后融合新的卷积序列,取代原有卷积层。使用公开数据集对所提出的基于低秩分解的参数压缩方法进行试验,选用了YOLOv5-l、YOLOv8-x和YOLOX-x这3种模型,在保证低秩分解后的模型检测平均精度为原模型96%的前提下,模型参数量和浮点计算量均减少了约40%,同时图像检测速度能达到原模型的150%左右。此外,可视化结果显示,该方法压缩过的模型与原模型在相同图像上的关注区域基本相同。试验结果表明,文章提出的方法可以有效地对单阶段YOLO系列目标检测模型进行轻量化压缩,提高模型在车载设备上的可用性;同时,所做工作对轨道交通领域自动驾驶场景下的其他模型的轻量化处理也具有重要的借鉴意义。

基于时序序列分解和IBAS LSTM的滑坡数据预测模型

针对传统静态机器学习模型在周期项位移预测中的缺陷和动态神经网络超参数人工选择困难的问题,在时序序列分解的基础上,提出一种新的滑坡预测耦合模型。首先,用最大相关最小冗余算法对周期项位移筛选合适的环境特征,作为长短期记忆人工神经网络的输入。然后,在天牛须搜索算法搜索过程中引入反馈机制,以避免原算法中出现远离最优解的问题;在算法迭代过程中将固定的递减因子改为动态递减因子,以提升前期全局和后期局部的寻优能力;利用改进的天牛须搜索算法对长短期记忆人工神经网络超参数进行寻优,以获得最佳的网络参数组合。最后,重构趋势项和周期项预测结果,得到最终预测位移。以发耳滑坡为例进行分析,结果表明:相较于其他方法,所提模型在平均绝对误差、均方根误差以及拟合度等方面更具优势。

引入旋转二面角模型的极化SAR七分量分解方法

在排列方向与传感器飞行方向不平行的建筑物区域(即非平行建筑),常规的二面角散射模型基于反射对称的条件,无法准确描述非反射对称成分的电磁波散射过程,相干矩阵中的T 33项被归因于体散射成分,造成城区建筑物体散射高估的现象。现有极化分解模型大多采用扩展体散射模型的方式来构建倾斜城区非反射对称分量,此类方法能降低建筑物区域体散射,但同时也会导致森林区体散射的低估。从对倾斜城区建筑物建模的角度出发,在不改变已有体散射模型的基础上,提出一种定向角补偿的各向同性二面角模型,该模型能解释极化相干矩阵T 23项的实部,且能描述城区具有不同方位角的建筑物的散射过程。在此基础上,将此二面角散射模型与Singh提出的六分量分解模型相结合,扩展一种新的七分量分解模型。文中选取L波段ALOS-2/PALSAR-2全极化数据,分别在旧金山实验区、长沙实验区进行引入旋转二面角模型的七分量分解实验。实验结果表明,在倾斜的建筑物区域,文中提出的方法能有效改善体散射高估的情况,并能有效地区分倾斜建筑物和森林,对识别和提取城区建筑物具有重要的意义。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

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。

面向用电负荷分解的特征融合与Transformer模型

针对目前非侵入式负荷分解中存在的特征提取不充分、分解精度较低等问题,本文提出了一种基于特征融合与Transformer的负荷分解模型MulTrm。首先使用滑动窗口法对负荷数据进行处理,增加训练样本数量;接着采用多个不同尺寸的卷积块提取总负荷功率值的多尺度特征并进行融合,同时结合总负荷序列中的位置特征,以获取更加丰富的特征信息;然后通过Transformer中的多头自注意力机制扩大感受野,以更好地捕获用电负荷序列中蕴含的长距离依赖关系,从而提高模型的分解精度;最后通过反卷积层和全连接层将特征映射为电器负荷序列,实现负荷分解。通过在REDD数据集和UK-DALE数据集上进行实验,验证了MulTrm模型的有效性。