半主动升沉补偿系统的预测控制与联合仿真分析

针对半主动升沉补偿系统响应滞后和非线性时变的特点,提出半主动升沉补偿系统的预测控制与联合仿真分析。以PSO-BiLSTM模型预测的船舶升沉位移作为控制信号输入,Terminal滑模控制器控制复合液压缸,补偿负载因船舶运动产生的升沉位移。建立AMESim-Simulink联合仿真系统,对比有无预测模型下的3种控制补偿性能,验证了采用PSO-BiLSTM预测算法的Terminal滑模控制半主动升沉补偿系统效果良好,补偿率可达95.63%,比PID控制和普通滑模控制分别提高11.07%和5.51%。仿真结果表明,精确的预测数据作为控制输入,可以有效地缩短响应时滞,提高位移补偿精度。

基于改进VMD与BiLSTM的滚动轴承剩余寿命预测模型

为提取能表示滚动轴承寿命退化的深层特征,用变分模态分解算法(Variational Model Decomposition,VMD)分解轴承的横向振动信号。为了解决VMD中需要手动选取惩罚因子α及模态分量数目K的问题,用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD进行了优化,以提取出更能代表寿命变化的特征。在此基础上,将筛选的特征输入到双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络中进行剩余使用寿命预测。通过实验并与其他深度模型进行对比,该文提出模型的均方误差等指标均比其他几种模型更低,证明了该文模型在轴承剩余使用寿命预测上的有效性。

CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bidirectional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76%和48.36%、平均绝对误差分别下降了45.71%和40.22%,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度.

基于多层BiLSTM和改进粒子群算法的应用负载预测方法

为了解决常用时序预测算法精度不高和调参困难的问题,提出基于多层双向长短期记忆(BiLSTM)神经网络的负载预测方法,包括网络模型设计、自适应参数设置和改进粒子群算法优化等步骤.将数据输入网络模型中进行训练,使用自适应算法进行自动调参;采用基于基准模型的多指标融合的模型评价方法,计算改进粒子群算法的适应度;使用改进粒子群算法优化模型的预测结果.通过与多种典型时间序列预测算法的实验对比,方法的预测平均绝对百分比误差减小3.6%~7.2%,训练时间缩短10%以上,实验结果验证了方法在时间序列预测中具有更高的准确性和很强的适用性,为使用负载预测结果进行弹性扩缩容提供了重要的科学依据.

基于TCN-BiLSTM的网络安全态势预测

针对现有网络安全态势预测模型预测精确度低和收敛速度慢的问题,提出一种基于时域卷积网络(temporal convolution network,TCN)和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络的预测方法。首先,将TCN处理时间序列问题的优势应用到态势预测上学习态势值的序列特征;随后,引入注意力机制动态调整属性的权值;然后,利用BiLSTM模型学习态势值的前后状况,以提取序列中更多的信息进行预测;利用粒子群优化(particle swarm optimization,PSO)算法进行超参数寻优,提升预测能力。实验结果表明,所提预测方法的拟合度可达0.9995,其拟合效果和收敛速度均优于其他模型。

基于PSO优化BiLSTM的联合循环电厂输出功率预测

针对联合循环电厂发电能力受环境温度、压力、相对湿度和电力需求等条件变化影响而造成对输出功率预测精度较差的问题,提出粒子群算法(PSO,particle swarm optimization)与BiLSTM(BiLSTM,bi-directional long short-term memory)相结合的预测模型PSO-Bi LSTM。利用PSO的寻优能力对BiLSTM的隐含层神经元个数、周期次数、学习率、批大小值等参数进行优化,不仅实现自动调参,而且进一步提高了BiLSTM模型在电厂输出功率预测性能。最后依据优化参数建立PSO-BiLSTM预测模型对UCI标准数据集进行预测。实验结果表明,PSO-Bi LSTM模型的均方根误差、平均绝对百分比误差等指标均优于所列举的典型算法以及优化组合算法,模型在预测电力负荷数据方面有较高的精度。