基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

基于SSA和双稳随机共振的车削颤振微弱特征提取

围绕车削颤振激发过程,针对车削颤振过渡阶段特征微弱且存在噪声和转频干扰的问题,提出一种基于麻雀优化算法(sparrow search algorithm, SSA)和双稳随机共振(bistable stochastic resonance, BSR)系统的车削颤振微弱特征提取方法。该方法利用SSA优良的寻优特性,以信噪比作为优化指标确定最佳BSR系统参数,用优化后的参数对车削颤振信号进行滤波处理,提取颤振特征频率。仿真试验表明SSA-BSR方法可以实现对强噪声背景下微弱特征信号的提取与增强,同时兼顾寻优速度快和获得全局最优解概率高的优点。开展车削颤振检测试验,颤振激发过程的加速度信号图谱分析结果验证了车削颤振特征频率幅值与颤振激发程度之间的相关性;不同模型在车削颤振过渡阶段特征提取的对比结果验证了SSA-BSR模型的有效性和优越性,并且能够满足车削颤振检测对实时性的要求,实现在进入剧烈颤振阶段前发出预警,为量化车削颤振和车削颤振在线监测提供一种新思路。

基于改进SSA优化PID的下肢康复机器人控制

针对下肢康复机器人训练过程中步态跟踪误差大的问题,提出一种改进麻雀搜索算法(ISSA)优化PID的控制策略。首先,利用拉格朗日方程对下肢机器人进行动力学分析,得到动力学模型;然后,通过引入Kent映射混沌初始化种群、Tent混沌扰动和柯西变异扰动,以及改变探索者-跟随者比例系数和探索者位置更新公式等方面对麻雀搜索算法进行改进,通过8种测试函数证实了算法改进的有效性;最后,在Matlab/Simulink中建立下肢机器人PID控制器和ISSA-PID控制器系统的仿真模型,以正常人体步态数据进行拟合得到的函数曲线作为系统实际输入进行跟踪实验。结果表明:相比于传统PID控制,ISSA-PID控制髋关节和膝关节的误差分别降低了63.3%和72.5%,实现了精准的步态跟踪,验证了该控制策略的有效性。

基于ISSA-SVM的钻井卡钻事故预测

为预防钻井过程中卡钻事故的发生,通过提出了一种改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machines,SVM)的预测模型方法(ISSA-SVM),在发现者位置更新公式中引入一种改进的自适应非线性惯性递减权重;在警戒者位置更新公式中引入莱维飞行策略。利用主成分分析法(principal component analysis,PCA)对外国某大型油田的实测钻井数据进行降维处理,并利用惩罚参数和核参数进行卡钻事故的预测。实验结果表明:ISSA-SVM的预测准确率高达85.1852%,且收敛速度更快,可见ISSA-SVM可有效预测钻井卡钻事故。

基于VMD-CSSA-LSTM组合模型的股票价格预测

针对股票价格非平稳、非线性和高复杂等特性引发的预测难度大的问题,建立一种基于变分模态分解(Variational Mode Decomposition,VMD)-Circle混沌映射的麻雀搜索算法(Circle Sparrow Search Algorithm,CSSA)-长短期记忆(Long Short-Term Memory,LSTM)神经网络的组合模型——VMD-CSSA-LSTM.首先,利用VMD将原始股票收盘价数据分解为若干本征模态函数(Intrinsic Mode Function,IMF)分量.然后,采用Circle混沌映射的SSA算法对LSTM神经网络的隐含层神经元、迭代次数、学习率进行优化,将最优参数拟合至LSTM网络中.最后,对每个IMF分量建模预测,将各分量预测结果叠加得到最终结果.实验结果表明,与其他模型相比,本文模型在多支股票数据集上的均方根误差(RMSE)、平均绝对误差(MAE)及平均绝对百分比误差(MAPE)均达到最小,预测股票收盘价格误差在0附近波动,稳定性更优、拟合更佳、精确度更高.

基于SSA-GPR模型的风电机组运行状态监测

为提高风电机组发电效率,增加经济收益,实现风电机组运行状态的在线监测,提出一种基于麻雀搜索算法优化高斯过程回归(SSA-GPR)模型的风电机组状态监测新方法。首先对数据采集与监视控制(SCADA)系统采集到的数据进行预处理分析,利用相关性分析完成模型的输入量选择;然后利用机组正常运行状态下的参数建立常态回归模型,实时计算重构误差,通过实时监测功率残差值是否超过动态故障阈值来判断机组状态。实例结果表明,所提方法的预测误差更小,并可以提前120 min实现机组异常运行状态预警。

基于VMD-FE-SSA-SVR模型的超短期风速预测

为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。

SSA-BP神经网络模型在地震伤亡人数预测中的应用

为快速准确地预测地震伤亡人数,提高地震应急救援效率,基于皮尔逊相关系数法定量刻画地震伤亡人数与影响因素之间的关联程度,挖掘地震伤亡人数的有效影响因素,并通过多元回归分析法检验有效影响因素的可靠性;采用麻雀搜索算法(SSA)优化BP神经网络,构建SSA-BP神经网络模型对地震伤亡人数进行预测,并将该模型与SVM、RBF、BP模型的预测数据和实际值进行对比。结果表明:与地震伤亡人数相关程度从高到低的有效影响因素依次为震中烈度、震级、房屋受损情况、发震时间、震源深度;SSA-BP神经网络模型较SVM、RBF、BP预测模型的均方误差分别降低93.3%、91.4%、85.2%,平均绝对误差分别降低69.3%、64.9%、54.7%,均方根误差分别降低74.1%、70.8%、61.6%,预测结果与实际地震伤亡人数接近,该模型可用于地震伤亡人数预测。

基于SSA-BP-SVM模型的云龙湖水质反演研究

利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义.水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演.传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大.以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果.与BPNN、SVM、SSA-BP、SSA-SVM模型对比,结果表明:(1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;(2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R 2分别为0.92、0.89;(3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大.基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑.

基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R^(2)可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。

基于SSA优化BP神经网络的易燃易爆气体分类算法研究

由各种传感器检测爆炸物的技术已经在多种条件下被用于检测不同类型的爆炸物,但同类型的爆炸物识别分类技术几乎没有,且针对传统BP神经网络模型收敛速度慢、易陷入局部最优值等问题,该文采用PWCLM混沌映射和高斯突变算子来改进麻雀搜寻算法(SSA),优化模型的初始权值,并对6种易燃易爆气体进行识别分类。最后再将该模型与BP、SSA-BP和WOA-BP等模型进行对比,使用3种评价指标对3种模型进行评价。结果表明,ISSA-BP模型稳定性高,识别精度优于其他几种模型,最终ISSA-BP模型的分类准确率、召回率和F1指数分别为99.01%、99.12%和99.12%。

基于变分模态分解和SSA-LSTM的SCR脱硝系统入口NO_(x)浓度预测

燃煤机组的SCR入口NO_(x)浓度测量具有较大迟延、影响因素复杂和波动性大等特点,往往不能真实反映NO_(x)浓度的实时变化。针对上述问题,提出一种基于变分模态分解(VMD)和SSA-LSTM的SCR入口NO_(x)浓度的预测模型。首先采用变分模态分解法分解SCR入口NO_(x)浓度,互信息选择算法选择与目标变量强相关的辅助变量;然后利用SSA算法寻优LSTM神经网络参数构建SSA-LSTM预测模型;最后进行VMD-SSA-LSTM与LSTM、VMD-LSTM的仿真对比实验。结果表明,VMD-SSA-LSTM预测模型具有更高的预测精度、更小的误差和更强的泛化能力。

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。

基于小波KPCA-SSA-ELM的盐穴储气库注采管柱内腐蚀速率预测

为提升盐穴储气库注采管柱的内腐蚀速率预测精度,建立了基于小波核主成分分析方法(Kernel Principal Components Analysis, KPCA)和樽海鞘群算法(Salp Swarm Algorithm, SSA)优化的极限学习机(Extreme Learning Machine, ELM)腐蚀速率预测模型。首先通过小波KPCA提取影响注采管柱内腐蚀的主要特征,应用ELM建立盐穴储气库注采管柱内腐蚀速率预测模型,并采用SSA对模型参数进行迭代寻优,避免原参数选取的强随机性对模型泛化能力和预测性能的影响。结果表明,经小波KPCA特征提取后得到包含98.73%原信息的3项主成分,SSA-ELM模型的预测结果与实际值基本吻合,其均方根误差(E_(RMS))为0.009 3,平均绝对百分比误差(E_(MAP))为0.336 0%,决定系数(R~2)高达0.991 2,较其他3种对比模型性能更优。研究表明,所建模型具有强泛化性能和高预测精度,能够有效预测盐穴储气库注采管柱的内腐蚀速率,为盐穴储气库注采系统的完整性评价和风险预警提供参考。

SSA-BP评价共振碎石化沥青加铺路面施工质量

目前,利用共振碎石化技术将旧水泥混凝土路面板破碎后再加铺沥青面层的改造方式在工程中应用广泛。为合理评价旧水泥混凝土共振碎石化沥青加铺路面的施工质量,采用麻雀搜索算法(SSA)优化BP神经网络的权值和阈值,建立了基于SSA-BP的施工质量评价模型,并对模型的性能进行了评估。研究结果表明:SSA-BP模型预测结果的相对误差绝对值可控制在1.0%以内,相比于标准BP模型和PSO-BP模型,SSA-BP模型的均方误差、均方根误差及平均绝对误差指标值均小于BP和PSO-BP模型,说明了麻雀搜索算法对BP神经网络起到了优化作用,且模型具有较高的精度和稳定性,可供同类工程应用参考。

基于SSA-LSSVM的住宅工程造价预测研究

【目的】提高建筑工程造价预测的准确性,进而为项目前期投资决策提供重要依据。【方法】针对工程实践中小样本数据和工程造价特征指标之间高维、非线性关系的特点,构建基于麻雀搜索算法(sparrow search algorithm,SSA)的优化最小二乘支持向量机(least squares support vector machine,LSSVM)造价预测模型SSA-LSSVM。首先,通过主成分分析法对住宅工程造价样本的输入指标数据进行处理,减少数据冗余;其次,采用SSA算法对LSSVM模型中的正则化参数c和核函数参数σ进行优化,以弥补LSSVM模型参数确定困难的缺陷;最后,将处理后的数据导入所构建的模型进行训练和预测,并通过相关系数、平均绝对百分比误差和均方根误差对模型的预测性能进行评价。【结果】与LSSVM模型、用灰狼优化算法优化的LSSVM模型和反向传播神经网络模型相比,SSA-LSSVM模型具有更好的泛化能力和更高的预测精度。【结论】本研究所构建的模型可以比较精准、高效地对实际住宅工程造价进行预测,同时可为工程前期投资决策提供一定参考。

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明:MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。

基于AE-CLSSA-ELM的煤与瓦斯突出危险性预测模型

为了有效挖掘煤与瓦斯突出数据的非线性关系,提高煤与瓦斯突出危险性预测精度,提出1种基于自动编码器(AE)-改进麻雀搜索算法(CLSSA)-极限学习机(ELM)的预测模型。首先,在分析煤与瓦斯突出影响指标之间相关性的基础上,采用AE算法提取特征,降低数据复杂度;然后,基于麻雀搜索算法(SSA),引入Tent混沌映射和Levy飞行策略改进设计CLSSA;最后,利用CLSSA优选ELM的输入层权值和隐藏层阈值,构建煤与瓦斯突出预测模型对AE降维后的数据训练、测试,并与其他模型对比。研究结果表明:经AE特征提取后,ELM预测准确率提高了11%,且各类的错判数得到减少;基于AE-CLSSA-ELM的煤与瓦斯突出预测模型准确率为98.5%,F1值为97.87%,预测效果优于其他对比模型。研究结果可为煤与瓦斯突出事故的防范提供参考。