基于ISSA-HKLSSVM的浮选精矿品位预测方法

针对浮选过程变量滞后、耦合特征及建模样本数量少所导致精矿品位难以准确预测的问题,提出了一种基于改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)优化混核最小二乘支持向量机(Hybrid Kernel Least Squares Support Vector Machine,HKLSSVM)的浮选过程精矿品位预测方法.首先采集浮选现场载流X荧光品位分析仪数据作为建模变量并进行预处理,建立基于最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的预测模型,以此构建新型混合核函数,将输入空间映射至高维特征空间,再引入改进麻雀搜索算法对模型参数进行优化,提出基于ISSA-HKLSSVM方法实现精矿品位预测,最后开发基于LabVIEW的浮选精矿品位预测系统对本文提出方法实际验证.实验结果表明,本文提出方法对于浮选过程小样本建模具有良好拟合能力,相比现有方法提高了预测准确率,可实现精矿品位的准确在线预测,为浮选过程的智能调控提供实时可靠的精矿品位反馈信息.

基于深度学习的发动机声品质预测模型研究

为建立发动机辐射噪声品质深度学习预测模型,搭建试验台架采集发动机辐射噪声,计算噪声信号心理学客观参数并进行主观评价试验。采用卷积神经网络(convolution neural net‐work,CNN)提取信号特征,引入长短期记忆网络(long short-term memory network,LSTM)模型捕获信号长期依赖信息,利用注意力(Attention)机制使模型自动学习关键特征信息。以心理学客观参数为输入,主观评价得分为输出,建立CNN-LSTM-Attention声品质预测模型,引入改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化模型超参数,提高预测准确性。研究结果表明,ISSA-CNN-LSTM-Attention模型对发动机声品质具有良好的训练性能和预测能力,训练集和测试集的决定系数分别为0.988、0.981,训练集和测试集的平均绝对误差分别为0.204、0.241。该模型能够准确地反映客观评价参数与主观满意度之间的非线性映射关系,为发动机声品质预测提供了新的思路和方法。

基于ISSA-LSTM模型的可再生能源电力需求预测

为了更精准地预测未来能源结构调整方向及成效,选用ISSA-LSTM组合预测模型对中国2023-2030年可再生能源的电力需求进行预测。首先,利用Circle混沌映射改进麻雀搜索算法(SSA)以提高搜索能力以及种群多样性;然后引入长短期记忆神经网络(LSTM)以有效捕捉可再生能源电力需求随机波动性和时序性;最后,通过ISSA-LSTM模型预测长期可再生能源的电力需求,验证测试集数据,并与其他传统模型进行对比。结果表明:ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求;在未来2023-2030年可再生能源电力需求稳定,波动幅度不大,可达到全国用电量的1/3;利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比,SSA算法寻找LSTM超参数最优解的能力更优,ISSA-LSTM模型预测可再生能源电力需求精度更高。

时空异质性视角下长江经济带水资源系统韧性评估及调控因子分析

水资源系统韧性的评估与调控是缓解水资源危机和规避水资源风险的重要途径之一。从水资源的自然资源、社会经济、生态环境等属性出发,综合考虑水资源系统韧性的抵抗性、恢复性、适应性特征,构建了包含水资源、水经济、水福利、水管理、水生态和水环境6个维度的水资源系统韧性评价指标体系,建立了基于麻雀搜索算法的投影寻踪模型,运用自然断点法识别区域空间分异特征,采用因子探测识别影响水资源系统韧性空间分布格局的调控因子。通过对2010—2019年长江经济带11个省(市)水资源系统韧性的分析发现,在空间上,长江经济带水资源系统韧性表现为西部最优、东部次之、中部最末,且南部优于北部;在时间上,长江经济带水资源系统韧性虽有波动但整体呈现上升的趋势。从6个维度来看,水生态韧性维度的韧性值区间跨度较大,在0.08~0.52之间波动,水福利韧性最高,水环境韧性次之。水资源和水福利的相关因子对水资源系统韧性的影响较为明显,水经济中的工业废水治理投资占GDP的比重和万元工业增加值用水量2个指标以及水福利中的供水管道密度和人均供水量2个指标的影响力逐渐上升。通过对长江经济带水资源系统韧性和调控因子的分析,有针对性地提出了提高长江经济带水资源系统韧性的对策建议。

基于HSS-MCC融合模型及SSA-BP神经网络开展深基坑超大变形预测研究

软土环境下深基坑开挖变形特性研究中,多采用硬化类弹塑性模型进行分析,如HSS模型和MCC模型.南京河漫滩软土地区,深基坑开挖时局部常发生较大变形,部分土体变形状态介于小应变与大应变之间,单一模型无法准确预测土体变形特征.同时,BP神经网络在基坑变形预测中得到广泛应用,但在训练过程中,权阈值易陷入局部最优解,影响预测的准确性.据此,依托南京地区典型软土深基坑工程,采用Midas中的HSS模型与MCC模型进行分析,比对两种模型的桩体变形量差异,并基于最小二乘准则对两模型进行线性融合,融合模型可对后续区段监测数据进行校准及补充.通过融合麻雀搜索算法对BP神经网络进行优化,在其训练过程中快速收敛,得到全局最优的权阈值,依托狭长基坑已开挖区段监测数据学习训练,进而依据后续区段浅部开挖揭露深部变形特征,预测结果与实测值吻合度较高.研究结果对软土地区深基坑大变形的预测研究具有重要参考价值.

矿井煤与瓦斯突出事故应急救援能力评估模型

为降低煤矿井下煤与瓦斯突出事故中的人员伤亡和财产损失,提高突出事故中的应急救援能力,提出一种麻雀搜索算法(SSA)优化支持向量机(SVM)的煤与瓦斯突出事故应急救援能力评估模型。首先,依据相关文献与研究报告构建包括应急预防能力、应急准备能力、应急响应能力和恢复善后能力在内的4项一级指标,其中包括18项二级指标,并以各指标的得分数据作为模型训练数据集;然后,利用网络层次分析法(ANP)与熵权法(EWM)分别确定各评估指标在相互影响下的主客观权重,通过拉格朗日函数将各权重融合得到最优权重,运用SSA算法优化SVM的径向基核参数g和惩罚因子C,将最优权重计算得出的结果作为SSA-SVM模型的输入,期望值作为输出进行线性回归预测;最后,以河北省某矿为例,将SSA-SVM模型与传统SVM、粒子群优化算法(PSO)优化SVM、鲸鱼优化算法(WOA)优化SVM 3种不同模型的预测结果分别与期望值作对比分析。结果表明:SSA-SVM模型的预测结果与实际相符,平均绝对误差相较于其他模型分别下降8.04%、5.15%、4.82%,证明所建模型的优越性,可将其应用于矿山企业实际矿井煤与瓦斯突出事故应急救援能力评估。

小样本预测埋地管道外腐蚀速率

为解决现有线性回归模型、单一支持向量机和遗传算法优化支持向量机(GA-SVM)等管道腐蚀速率预测准确率低的难题,选取总含盐量、氧化还原电位、pH值、氯离子浓度、硝酸根浓度、硫酸根浓度、溶解氧含量、自然腐蚀电位等埋地管道外腐蚀速率的主要影响因素作为输入变量,采用麻雀搜索算法优化支持向量机算法,建立了麻雀搜索优化的支持向量机(SSA-SVM)腐蚀速率预测模型。测试集验证结果表明,SSA-SVM模型的决定系数R2为0.9919,高于线性回归模型(0.7189)、单一支持向量机(0.8442)和GA-SVM(0.9137);均方根误差为0.0686 mm/a,低于其他3种模型的0.1166、1.7745、0.1183 mm/a;平均绝对误差为0.0902 mm/a,低于其他3种模型的0.1474、1.7056、0.0977 mm/a;平均相对误差为3.94%,低于其他3种模型的25.59%、32.29%和6.42%。采用此模型随机选择B管道8组检测数据预测埋地管线外腐蚀速率,与现场实际年腐蚀速率对比预测精度为0.9642,高于GA-SVM的预测精度0.6690,表明该模型可应用于埋地管道的外腐蚀量和腐蚀速率预测,为埋地管道的安全运行提供数据支持。

基于改进麻雀搜索算法优化BPNN的电阻点焊质量预测

电阻点焊技术由于具有高效、自动化程度高等焊接特点,被广泛应用于汽车、航空航天和公共交通等制造领域,由于焊点在封闭状态下进行,焊接过程存在诸多影响因素且无法直接检测,因此,准确预测电阻点焊质量是生产过程中必不可少的环节.本文以2219/5A06铝合金为研究对象,在3种不同的装配条件(包括间隙和间距)下进行电阻点焊工艺信号的分析,并进行人工智能建模.为了提高电阻点焊质量评价的性能和效率,本文采用Logistic-Tent(LT)复合映射改进麻雀搜索算法(SSA)对反向传播神经网络(LT-SSA-BPNN)模型进行优化,模型的输入和输出分别为多信号融合后的变量和熔核直径.实验结果表明,与传统的标准反向传播神经网络(BPNN)模型相比,经过LT-SSA-BP模型优化后,预测结果的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别降低了36.17%、17.55%和51.75%.同时,LT-SSA-BP神经网络在添加了不同间隙和间距条件作为训练集后,其预测稳定性明显提高,可以成功预测电阻点焊质量.

SPARROW模型研究及应用进展

SPARROW(SPAtially Referenced Regressions On Watershed attributes)模型是由美国地质调查局开发的一个基于空间的计算流域营养物质污染负荷的非线性回归模型。它使用机理函数和空间分布模块来计算流域的污染负荷,从而弥补了许多经验回归模型的缺陷。基于模型的特性,其在流域污染负荷核算、水质响应模拟、采样点空间优化、流域最大日最大污染负荷计算与水环境管理等方面有较好的应用前景。对SPARROW模型的机理、结构、输入输出变量、应用现状及在我国的应用发展前景和可能的问题进行了全面阐述和讨论,并对SPARROW模型的改进模型—贝叶斯-SPARROW模型进行简要介绍。以期为该模型在中国水环境管理中的应用提供参考。

SPARROW模型的传输过程研究——以新安江流域总氮为例

建立新安江流域总氮的SPARROW模型,以土-水传输因子(LDF)表示降雨、坡度、气温3个土-水传输变量的影响,结合农业源、林草地源、生活源3个污染源排放系数,分析总氮经过土-水传输之后到达河道的比例(LDR),由此揭示总氮的非点源污染特征。结果显示坡度的影响在整个流域范围内差异相对较大,LDF为0.86~1.06,因而对3类污染源进入河道的传输比差异亦较大。综合考虑3个土-水传输变量作用下,子流域60土-水传输因子最大,而子流域225最小,因此若制定减排措施要求入河减少量相同,管理上会优先考虑子流域60所在的地区。研究采用改进的河流衰减方程同时描述水文和非水文因素的影响,代替河流分级衰减系数,引进传质系数作为模型模拟参数,削减速率与流量呈负相关关系,且大部分河段削减速率均在以往文献研究范围之内,表明改进的传质速率用于新安江流域总氮模型具有可行性。

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义.由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测.代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高.为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究.首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Stacking集成学习代理模型应用于某实际灌浆工程的灌浆量预测并与其他方法进行对比分析.结果表明,所提方法具有较高的预测精度,绝对平均误差仅为0.21 m^(3);与组合代理模型及单一代理模型(SVR、BPNN和RF)相比,平均精度分别提高24.34%、30.84%、32.68%和26.56%,为灌浆量预测提供了一种新思路.

基于Gash修正模型与神经网络优化模型的刺槐冠层截留模拟

[目的]对比分析Gash修正模型和神经网络模型在模拟和预测人工林冠层截留的适用性,揭示干旱区刺槐冠层截留及其响应过程,为深入了解森林生态水文过程及其调控机制提供科学依据。[方法]于2019年5—10月,以宁夏河东地区刺槐(Robinia pseudoacacia)人工林为研究对象,定位观测了树干茎流和穿透雨并计算得到冠层截留,采用修正后的Gash模型与神经网络模型对刺槐林林冠截留量进行了模拟。[结果](1)研究区刺槐人工林的穿透雨量、树干茎流量、林冠截留量分别为154.19,5.61,16.5 mm,产生穿透雨和树干茎流的阈值分别为1.37,2.17 mm。(2)Gash修正模型和优化后的神经网络模型均能较好地模拟刺槐冠层截留量,Gash修正模型的绝对误差、均方误差、均方根误差、平均绝对百分比误差分别为0.20%,0.06%,0.24%,52.43%,模拟结果拟合精度达到83%;与Gash修正模型相比,采用麻雀搜索算法优化后的BP神经网络算法模型(SSA-BP),均方误差降低了61.48%,平均绝对误差降低了40.39%,均方根误差降低了37.93%,平均绝对百分比误差降低了50.52%,决定系数提高了1.2%。[结论]在林木冠层截留模拟研究方面,加入麻雀搜索算法后的BP神经网络模型具有较好的可靠性,可以有效降低模拟误差,提高模型的预测精度。

流域空间统计模型SPARROW及其研究进展

SPARROW(SPAtially Referenced Regressions On Watershed attributes流域属性基于空间的回归模型)是美国地质调查局(USGS)开发的经验统计和地表过程相结合的流域空间统计模型。模型通过对河流水质数据和流域属性建立空间回归实现污染负荷产生和迁移的定量化。模型的最大特色是其空间特性非常显著,可以将上游的营养盐污染源数据和下游的营养盐负荷数据联系起来,同时可以将河流中的水质监测数据或污染物通量数据和流域的空间属性特征(比如土地利用类型、河网、大气沉降等)联系起来。模型除了一般水质模型所具有的水质模拟和流域污染源的分析功能外,还可在模拟过程中对流域中每个污染源、流域属性和污染物迁移过程对水质监测结果的影响进行显著性检验。文章简要介绍了SPARROW模型的结构和原理、功能和应用发展前景。

基于SSA优化的永磁同步电机级联模型预测控制研究

针对永磁同步电机(permanent magnet synchronous motor)使用传统PI控制鲁棒性差和动态响应慢,以及传统有限集电流预测控制方法控制稳定性差和电流脉动较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化的级联模型预测控制方法。首先,将速度外环采用模型预测速度控制器,利用麻雀搜索算法来在线整定控制器参数,该方法可以快速找到最优的控制器参数,使其更加准确地控制电机运转;其次,电流内环采用最优占空比模型预测电流控制器,使得电流脉动减小;最后,通过仿真对比实验结果表明所提出的控制方法显著地降低了超调量,快速响应性能更好、抗干扰能力更优,同时可以有效抑制电流脉动,证明了所提方法的合理性和有效性。

基于改进麻雀搜索算法的水质模型多参数反演

水质模型参数取值对模型的模拟精度影响很大,为提高BOD-DO水质模型参数反演精度,首先在DobbinsCamp BOD-DO水质模型的基础上,以BOD和DO浓度计算值与实测值之差的加权平方和最小为目标函数,构建了Dobbins-Camp BOD-DO水质多参数反演模型;然后针对麻雀搜索算法(Sparrow Search Algorithm,SSA)求解精度低、稳定性不足和易陷入局部最优等问题,引入Sine混沌映射和对立学习、转移概率以及差分变异3个策略,分别从提高初始种群多样性、扩大搜索空间以及增强种群跳出局部最优的能力三方面对SSA算法进行改进,提出了一种多策略改进的麻雀搜索算法(Multi-strategy Improved Sparrow Search Algorithm,MISSA),并将其应用于Dobbins-Camp BOD-DO水质多参数反演模型的求解;最后通过数值实验将得到的反演结果与SSA算法、模拟退火算法、粒子群算法、遗传算法四种优化算法进行对比,并探讨了参数初值选取和观测噪声水平对反演结果的影响。结果表明:MISSA算法的计算性能明显优于对照组中的4种算法,且能显著降低初值选取对BOD-DO水质模型参数反演结果的影响,当观测数据的噪声水平不超过5%时,MISSA算法可有效提高反演结果的稳定性。该结果验证了MISSA算法在反演Dobbins-Camp BOD-DO水质模型参数的有效性,为水质模型参数求解提供有益参考。

基于随机游走麻雀搜索算法的多特征结构尺寸熔融沉积成型工艺参数优化

在熔融沉积成型过程中,打印参数对成型样件精度有着重要影响.为了提高整体尺寸精度,采用随机游走的麻雀算法获得最优实验方案.首先,以熔融沉积成型的分层厚度、喷头温度、打印速度和填充率为实验变量设计4因素4水平的正交试验;然后,以样件不同特征结构尺寸的相对误差为优化对象,使用田口-灰色关联法对实验数据进行处理;最后,通过随机游走的麻雀算法计算最优参数方案.结果表明,相比常用的田口-灰色关联法,采用优化后工艺参数成型样件的综合尺寸精度提高了20%,灰色关联度提高了27%.

考虑模糊变量的声子晶体带隙特性研究及优化

针对声子晶体设计中存在模糊变量导致带宽不可靠问题,建立新型二维多组元局域共振型声子晶体,通过数值计算得到带隙曲线并探究带隙产生机制,并基于分析包覆层几何参数和材料参数对带隙影响结果,考虑将环状包覆层材料参数作为模糊变量,几何参数作为设计变量,通过拉丁超立方体抽样进行实验设计建立基于Kriging模型的声子晶体带隙优化模型,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)对Kriging模型进行全局寻优,得到声子晶体最优设计解。结果表明,优化后带隙宽度从101.17 Hz变为224.164 Hz,增大121.5%,且带宽边界均在设计目标范围内,所提出的Kriging带隙优化模型在避免大量数值计算的同时,考虑了模糊变量的影响,具有较高的预测精度和可靠性,为声子晶体设计提供新研究思路。

基于FPGA的两阶段配电网拓扑实时辨识算法

对配电网拓扑进行准确的实时辨识是电力系统安全稳定运行的基础,但随着新能源的接入以及配电网规模不断增大,配电网拓扑结构的动态变化愈加频繁且难以辨识。然而,现有配电网拓扑辨识算法所使用的历史数据需要人工对其进行拓扑标注,且拓扑辨识时间长,难以实现配电网拓扑实时辨识。因此,文中提出了一种基于现场可编程逻辑门阵列(FPAG)的两阶段配电网拓扑结构实时辨识算法。该算法不需要预先给出配电网拓扑类别的数量,即可对已有历史数据进行相应的拓扑标注及分类,并且基于FPGA实现了对配电网拓扑的实时辨别。该算法分为2个阶段:第1阶段采用变分贝叶斯高斯混合模型,对已有历史数据进行相应的拓扑标注及分类;第2阶段采用麻雀搜索算法,使得支持向量机快速收敛得到最优参数,以实现对配电网拓扑结构的精准辨识。基于该算法,利用FPGA并行架构以及高速高密度特性建立了实时拓扑结构辨识平台。最后,通过算例分析验证了所提辨识方法的有效性和优越性。

基于麻雀搜索算法与随机森林融合模型的个人信用评估

针对如何准确评估复杂的用户信用问题,提出一种基于麻雀搜索算法的随机森林(SSA-RF)模型,利用SSA优化RF模型中决策树和最小节点数,并基于优化后的RF模型对数据样本进行分类,并评估所提模型和传统模型的性能.研究结果表明:SSA-RF模型具备较高的准确性.

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法(SSA)和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法(SSA-BP)运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明:SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度快、寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。