Statistical analysis of fracture properties based on particle swarm optimization and Pearson correlation coefficient method

Prediction of reservoir fracture is the key to explore fracture-type reservoir. When a shear-wave propagates in anisotropic media containing fracture,it splits into two polarized shear waves: fast shear wave and slow shear wave. The polarization and time delay of the fast and slow shear wave can be used to predict the azimuth and density of fracture. The current identification method of fracture azimuth and fracture density is cross-correlation method. It is assumed that fast and slow shear waves were symmetrical wavelets after completely separating,and use the most similar characteristics of wavelets to identify fracture azimuth and density,but in the experiment the identification is poor in accuracy. Pearson correlation coefficient method is one of the methods for separating the fast wave and slow wave. This method is faster in calculating speed and better in noise immunity and resolution compared with the traditional cross-correlation method. Pearson correlation coefficient method is a non-linear problem,particle swarm optimization( PSO) is a good nonlinear global optimization method which converges fast and is easy to implement. In this study,PSO is combined with the Pearson correlation coefficient method to achieve identifying fracture property and improve the computational efficiency.

基于Pearson相关性的VAR模型煤电水煤比寻优应用

本文为解决350MW燃煤机组在煤质频繁变化情况下水煤比失衡的问题,使用向量自回归(VAR)模型在机组参数波动工况下进行水煤比寻优。通过使用Pearson相关系数分析机组运行参数,确定寻优模型的输入数据,计算VAR模型最优阶数,并建立VAR模型从多个参数的时间序列寻找对应工况下水煤比最优值,同时使用三种不同分析方法确保该最优值的准确性和安全性。实践证明,该方法能有效解决机组由于煤质频繁变化导致锅炉给水策略不适配引发的主蒸汽温度和主蒸汽压力偏差大等问题。

基于Pearson相关系数与广义S变换的低压直流微电网的故障选线方法

针对低压直流微电网线路的故障选线方法的研究有限,提出一种基于Pearson相关系数与广义S变换的故障选线方法。首先,介绍了低压直流微电网的一般组成。在此基础上,研究了低压直流微电网的单极故障以及极间故障的故障特征,提出选线方法,对各线路正负极首末端电流差进行Pearson相关系数计算来确定故障线路。然后对所选故障线路正负线路首端的电流量进行广义S变换,计算出其能量和的比值判别故障极性或者极间故障。最后,在PSCAD/EMTDC中搭建出低压直流微电网模型以输出各线路电流数据,并利用Matlab对数据进行仿真。结果表明,所提选线方法直接有效,且耐受过渡电阻的能力较强。

基于频数统计和χ^(2)-PCC的建筑施工高处坠落事故特征分析

为减少建筑施工高坠事故的发生概率,完善相关工程管理质量和技术措施,收集和整理2010—2020年中央住房和城乡建设部等部门公布的746份事故报告,总结事故发生时间、事故等级、直接经济损失、坠落高度、高处作业分类、防护措施和工人年龄这7类典型事故特征及相应指标,采用频数统计方法分析事故特征和规律,采用χ^(2)-皮尔逊相关系数(PCC)方法明确各因素间的相关性水平以及影响程度。结果表明:近半数坠落高度发生在二级作业高度范围,超过半数的工人在发生事故时未采取有效防护措施,且坠落高度、死亡人数、直接经济损失和防护措施四者之间的相关性达到显著性水平;防护措施与坠落高度、死亡人数、直接经济损失的相关系数分别为0.119、0.149和0.187,坠落高度与死亡人数相关系数为0.404,直接经济损失和死亡人数的相关系数达0.957,悬空作业与死亡人数相关系数为0.17。此外,目前国内施工现场较低高度的高处作业存在防护盲区,既有防护措施未能有效降低事故严重程度,建议加强对危险区域作业的安全监控,提高伤亡赔偿标准,重视防护用具长期使用后性能劣化情况的检验和抽查。

基于GINI-PCC分析方法的批判性思维培养的探索

批判性思维是当代学生必须具备的一种思维方式,能够促进学生从辩证的角度对待多元化的信息,提高学生的问题思辨能力。以高校计算机专业的研究生为研究对象,采用基尼指数分析学生批判性思维特征的重要性,利用皮尔逊相关系数分析各个特征相关性,来确定侧重培养的特征。研究发现,通过侧重培养这些特征,学生的批判性思维有明显提高。

基于PCC-ISSA-BP燃料电池剩余寿命预测

在质子交换膜燃料电池(PEMFC)寿命预测中,针对燃料电池中的特征对其寿命的影响程度未知问题,使预测燃料电池的剩余寿命问题变得相对复杂,为了更加准确的预测燃料电池的剩余使用寿命。本文首先通过小波分析对原始堆栈电压进行去噪处理,滤除噪声数据,利用皮尔逊相关系数(PCC)对影响因素进行降维,提取关键影响因素,简化模型结构;然后利用改进的麻雀优化算法(ISSA)优化BP神经网络,找到网络最优的权值和阈值,并建立ISSABP模型;最后将处理好的数据输入ISSA-BP模型,实现PEMFC的剩余寿命预测。实验结果表明,PCC-ISSA-BP的平均绝对误差百分比、平均绝对误差、均方根误差分别为0.125%、0.00397、0.00568,优于其它模型,能够更有效地预测燃料电池的剩余寿命。

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测,提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号,通过移动平均法进一步获取相关特征,并采用皮尔逊相关系数筛选高度相关特征指标,利用KPCA提取高度相关特征指标中的若干主成分;将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证,得到的轴承寿命预测RMSE值和可决策系数值分别为0.0543和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比,证明所提方法具有较高的精度。

基于PCC-LSTM模型的全国碳排放权交易价格预测研究

为了有效提升碳价的预测精度和保证全国碳交易市场的稳定运行,在利用皮尔逊相关系数法(PCC)提取关键碳价影响要素的基础上,分别运用ARIMA模型、多项式回归算法和LSTM模型,构建了全国碳交易市场的碳价预测模型。对比结果显示:相较于其它两类模型,PCC-LSTM模型的预测精度最高,平均精度达到99.26%,标准偏差最小,仅为0.2630,很好地显示了深度学习算法在样本数据充足条件下的优越性和实用性。相较于上半年的平均碳价,预测得到的11月碳价渐趋平稳,且有所提高,一定程度反映了全国碳交易市场整体运行平稳和年底交易活跃的特性。PCC-LSTM模型在碳价预测领域的成功应用,有助于企业熟悉碳市场的运行机制和变化规律,对扩大碳市场的覆盖范围和确保碳市场的稳定、健康发展具有重要的推动作用。

基于聚类分析和Pearson相关系数法的电网负荷数据清洗与去重

针对电网负荷数据存在冗余和价值密度低等问题,本文提出一种结合K-means算法与Pearson相关系数计算的集成学习方法,对负荷数据进行清洗与去重。设置仿真实验将某地区连续730日的负荷数据进行聚类、切片、排序、比对、去重等分析处理,得到清洗后的新数据集,将新数据集与原数据集代入相同的BP神经网络模型和随机森林模型进行负荷预测,实验结果表明新旧数据集具有相似的特征特性与数据挖掘潜力。与传统的数据去重方法相比,本文提出的数据清洗策略在进行训练集的预处理时,效率和准确度方面均有更好表现,可以为训练用于负荷预测的网络模型提供支持。

基于PCC和KELM的电力系统暂态稳定分析方法

为准确及时地监测电力系统的运行状态,提出一种基于皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和核极限学习机(Kernel Extreme Learning Machine,KELM)的电力系统暂态稳定分析方法。首先,利用电力系统仿真软件PSS/E进行数据生成;然后,使用PCC对电力系统运行特征进行相关性检测,进而选出关键特征;最后,对KELM模型进行训练。在实际应用时,当相量测量单元(Phasor Measurement Unit,PMU)所采集的电力系统实时运行信息被发送到训练好的KELM模型时,可立即提供暂态稳定分析结果。此外,设计了模型更新过程以应对电力系统运行条件的变化,并在新英格兰10机39节点系统验证了该方法的有效性。

基于PCC-LSTM刀具磨损预测方法研究

基于铣削加工过程中的电流、振动、声发射等信号,建立了基于皮尔逊相关系数(PCC)和长短期记忆人工神经网络(LSTM)的刀具磨损预测模型。模型充分利用PCC的降维优势以及LSTM的时间序列预测优势,实现刀具磨损预测精度与预测效率的协调统一。实验结果表明,该模型可以实现刀具磨损状态的快速、精确预测,对铣削加工质量的提升具有重要意义。

基于PCC-SVM的发电机转子匝间短路在线监测法

本文针对发电机转子绕组匝间短路故障在线监测的问题,提出一种皮尔逊相关系数(Pearson Correlation Coefficient,PCC)与支持向量机(Support Vector Machine,SVM)相结合的方法。该方法首先通过PCC计算一段时间内发电机励磁电压、励磁电流与前后轴承间振动之间的相关性,得到一组特征参数。然后将正常机组与故障机组的特征参数分别加上标签,形成样本集。最后使用SVM对样本集进行分类,从而得到故障诊断模型。后采用具体案例对所提方法进行验证,结果证明,此方法可以较为准确地识别出发电机转子绕组的匝间短路故障。

基于RF-PCCs和RBF的焦炭质量预测模型研究

在炼焦生产实践中,焦炭质量预测模型的准确性对降低配煤成本和优质炼焦煤的消耗具有重要作用。为此,基于径向基函数神经网络模型,通过随机森林和皮尔逊相关系数算法共同进行特征选择,建立了焦炭质量预测模型,并以某钢厂炼焦部生产焦炭的各项实际数据进行仿真。结果表明,该模型预测精度高,泛化能力强,可为炼焦生产提供一定的理论依据。

基于合肥光源数据库的束流寿命分析与诊断

高质量的电子束流寿命数据可以直接反映装置的健康状态,为了获得高质量的束流寿命数据,提出一种束流寿命数据清洗方法,并开展了影响束流寿命的关键因素研究。基于合肥光源历史数据库对2022年以来累积的束流寿命原始数据进行分析,采用Python开发了自动化数据清洗程序,用于获取和处理合肥光源的原始束流寿命数据,以获得长时间跨度的束流寿命变化趋势。通过使用Pearson相关系数对束流寿命异常原因进行分析,发现合肥光源束流寿命受储存环真空压强和高频腔压的影响较大。该束流寿命清洗程序处理快捷,获取的高质量束流寿命数据可以为合肥光源的健康状态检测诊断和预警提供重要依据。

基于图像分析的掘进工作面粉尘颗粒检测方法

基于光散射原理测定粉尘质量浓度只能定时定点手动检测,实时性差,且只能检测出粉尘质量浓度,并不能给出粒径分布范围。目前基于图像分析的粉尘颗粒检测研究主要是针对粉尘质量浓度或粒径分布进行单方面研究,并不能实现粉尘质量浓度和粒径分布范围的同时检测。针对上述问题,提出了一种基于图像分析的掘进工作面粉尘颗粒检测方法,探究图像特征与粉尘质量浓度、粒径分布间的关系。通过粉尘样本收集及图像采集装置,采集粉尘颗粒图像并获取采集图像时的粉尘质量浓度。编写粉尘样本图像处理算法,提取图像的灰度特征、纹理特征、几何特征相关参数。对提取的图像特征与实测粉尘质量浓度进行相关性分析,选取相关性较大的图像特征作为参数建立回归数学模型。提取粉尘颗粒对象像素点个数,结合转换系数,基于几何当量等效面积径计算粉尘粒径大小及分布范围。实验结果表明:实测粉尘质量浓度与建立的图像特征多元非线性回归模型数学模型计算值间的平均相对误差为12.37%,标准实测粒径与几何当量等效面积径得到的粒径分布间的最大相对误差为8.63%,平均相对误差为6.37%,验证了基于图像特征的粉尘质量浓度回归数学模型和基于几何当量等效面积径分布数学模型的准确性。

融合对比学习和特征选择的入侵检测模型

入侵检测系统可以主动识别恶意流量,是保护网络安全的重要工具.针对网络流量中存在的冗余特征以及现有的入侵检测算法在特征选择过程中存在的不足,提出一种融合对比学习和特征选择的入侵检测模型(contrastive learning and feature selection,CL-FS).利用皮尔逊相关系数(Pearson correlation coefficient,PCCs)对预处理后的网络流量进行相关性分析,过滤掉相似特征;使用自编码器(autoencoder,AE)进行深度特征提取,在提取阶段融入对比学习,减少类间相似性,将提取的新特征和过滤后的特征融合,得到表征能力更强的特征集;利用改进的鸽群算法进行包裹特征选择,根据贝叶斯分类器的性能选择最优特征子集,提高分类精度.在NSL-KDD,UNSW-NB15这2个数据集的实验结果表明,CL-FS模型可以提升分类精度并减少处理时间,在2个数据集上的2分类实验准确率分别为90.45%和88.52%,分类处理时间大约减少为原来的一半.

基于暂态电流Pearson相关性的两电平VSC-HVDC直流线路故障判别

为提高柔性直流(VSC-HVDC)输电系统的直流线路故障处理能力,提出了一种基于暂态电流相关性的直流线路故障判别方法。直流线路发生区内、外故障时,直流线路两端的电容支路暂态电流与直流线路入口处暂态电流特征差异明显;利用Pearson相关系数来描述电容支路与线路入口处暂态电流的差异程度,直流线路故障的判别仅通过线路两端计算的暂态电流Pearson相关系数即可实现。该故障判别方法可克服非故障线路馈入电流的影响,适用于两端以及多端柔性直流输电系统。分析和仿真结果表明,该故障判别方法不受高频分量、数据同步、故障位置与类型、噪声干扰以及控制方式等因素的影响,能准确地识别直流线路区内、外故障,实现故障线路的选择。

利用Pearson相关系数定量分析生物亲缘关系

论文主要利用计算语言学中使用的统计学方法定量分析生物物种的亲缘关系。以包含生物体遗传信息的核酸序列为研究对象,采用计算语言学的思想和方法,将每一个生物体的核酸序列看作一篇很长的自然语言文本,抽取核酸序列的双核苷酸频率分布特征向量,用以表征其数字特征。而后采用PearsonCorrelationCoefficient(Pearson相关系数)定量分析其亲缘关系的远近程度。将119个细菌的全基因组核酸序列进行两两比对,对所得的7021个r值进行分析,得出的结论是:亲缘关系越相近的物种,其Pearson相关系数越大。取定0.985作为“属”的分界阈值时,得到召回率为75.824%,准确率为73.404%。论文对定量分析生物学核酸序列的相似性和对生物亲缘关系远近的建模有重要的实际意义。

基于Pearson系数与多元核支持向量分类的葡萄酒分析

选择Pearson相关系数筛选出与红葡萄酒各理化指标相关性较强的酿酒红葡萄理化指标,用逐步回归法建立回归方程确定了它们之间的数量关系。同时,采用多元核支持向量机对红葡萄酒样品进行分类,所分类别与人工口感评分所分类别基本相符,正确率达到91.89%,结论表明酿酒红葡萄和红葡萄酒的理化指标能很好地确定葡萄酒的口感评价。

基于CEEMDAN和相关性分析的大坝位移预测

大坝位移数据受各种因素的影响,具有非平稳非线性的特征,针对数据预测精度低的问题,提出了一种CEEMDAN-PCCs-TCN-XGBoost组合预测模型.以某重力坝监测数据为例,首先,引入CEEMDAN算法捕捉非平稳数据的趋势信息和波动信息,联合PCCs算法确定影响数据波动的主要因素;其次,为了提高预测精度,趋势信息使用传统HST模型进行预测,波动信息利用主要因素作为输入变量进行预测,再分别应用TCN模型和XGBoost模型对数据进行预测最后累加得到最终预测结果,并将预测结果与EEMD-ARIMA、EEMD-LSTM-MLR等模型对比,结果表明,CEEMDAN-PCCs-TCN-XGBoost组合预测模型对波动频繁的大坝位移数据的预测更精确.