基于UKF-WNN混合模型的海管段塞流预测与控制方法研究

针对油气生产系统在深海情况下难以准确实时控制段塞流的问题,建立了基于UKF-WNN混合模型的海管段塞流预测与控制方法,并在不同阀门开度下,对不同的段塞流控制方案进行了比较研究。结果表明:UKF-WNN混合模型能够较好地拟合顶部压力、流量与阀门开度同底部压力的关系,与现场试验对比,其均方误差较UKF和WNN分别降低了44%、47%,在系统输入存在干扰的情况下能够为控制器提供较为精确的估计值,使得系统达到稳定。WNN的加入有效改善了控制系统的稳定性,体现了人工智能方法在段塞流控制领域获得应用的可能性。本文提出的方法对改善海管段塞流的预测和控制精度,保障海管安全具有一定的理论和实践意义。

PCA-WNN模型在导水裂隙带高度预测中的应用研究

导水裂隙带是煤层顶板水害的主要通道,准确预计导水裂隙带高度是预测和防治煤层顶板水害的首要任务。基于导水裂隙带发育的复杂性及其影响因素之间的相关性,结合煤矿生产实际和工程地质理论,选取采高、工作面斜长、硬岩岩性比例系数、采深和煤层倾角作为主控因素,利用线性回归拟合及灰色关联分析法分析各主控因素与导水裂隙带发育高度的相关性。将主成分分析(principal component analysis,PCA)与小波神经网络(wavelet neural network,WNN)相结合,通过PCA消除各主控因素间的相关性及冗余信息,构造无相关性的主成分作为WNN的输入因素,建立导水裂隙带高度预测的PCA-WNN模型。结果表明:PCA-WNN模型能有效消除因素间的相关性,预测相对误差为-6.66%~6.13%,平均4.46%,较单纯的WNN模型预测精度高且稳定。将该模型应用于山东新巨龙煤矿1302N工作面,得到了较为准确的预测结果,为导水裂隙带高度预测提供了新方法。

基于PCA-WNN的短期风电预测

为了提高风机输出功率的预测精度,提出了一种基于主成分分析(PCA)、结合小波神经网络(WNN)的短期风电预测方法,通过利用主成分分析(PCA)对初始数据进行降维处理,然后结合小波神经网络进行训练,得到了PCA-WNN预测模型。该方法设计出的模型具有优秀的预测效果,且根据实际数据测试的结果表明,相比于传统BP模型和WNN模型,PCA-WNN模型的预测精度更高。

WNN的矿井通风系统可靠性评价模型

阐述了小波神经网络的基本原理,在分析矿井通风系统可靠性影响因素和参考其它评价模型的基础上,建立基于小波神经网络的矿井通风系统可靠性评价模型,并通过实例证明了应用小波神经网络进行矿井通风系统可靠性评价的可行性和优越性;结果表明,用小波神经网络进行矿井通风系统可靠性评价更准确、精度更高。

经GA优化的WNN在交通流预测中的应用

针对城市交通流的复杂性、随机性、非线性等特点,利用遗传算法(GA)优化小波神经网络(WNN),以克服传统神经网络收敛速度慢、易陷入局部最小点等缺陷,在此基础上建立基于GA-WNN的城市交通流预测模型。利用GA-WNN、GA-BP和WNN模型对南昌市南京西路交通流进行仿真预测,实验结果表明,GA-WNN模型的预测效果较好,相比GA-BP和WNN模型具有更高的预测精度和更快的收敛速度。

基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析(SA)方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型(SA-WNN)。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络(ICA-WNN)模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。

基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法

为寻找一种准确、非破坏性的叶绿素含量获取方法,实时掌握作物的生理状况,研究一种基于PCAWNN的玉米叶片叶绿素含量遥感反演模型。利用SVC HR-1024I光谱仪采集盆栽玉米叶片光谱,同时用SPAD-502便携式叶绿素计测定叶绿素含量。从包络线去除、微分处理后的光谱曲线中提取7个光谱特征参数(SCPs)并与修改型土壤调节植被指数(MSAVI)、归一化差值植被指数(NDVI)、修正植被指数(MVI)、比值植被指数(RVI)、差值植被指数(DVI)5种植被指数分别结合主成分分析(PCA),并提取前4个主分量作为小波神经网络(WNN)的输入因子,以Morlet母小波基函数作为激励函数,建立隐含层节点数为3的PCAWNN模型反演玉米叶片叶绿素含量。通过精度检验,表明7个SCPs与MSAVI组合的建模精度最高,验证小波神经网络反演玉米叶绿素含量的可行性以及其预测精度比BP神经网络更好。

基于WNN的亚法糖厂澄清过程工艺指标建模

研究亚硫酸制糖生产中澄清过程工艺指标的优化预测问题。对亚法糖厂澄清过程操作参数进行优化可以确保各项工艺指标满足生产要求,提高白糖的品质和产量,但目前各项工艺指标无法全部实现在线检测,且人工化验滞后时间长,难以及时对生产过程的操作参数进行优化。为了解决上述问题,根据澄清过程的生产工艺要求和大量的现场数据,建立用小波神经网络(Wavelet Neural Network,WNN)的澄清过程工艺指标预测模型,并与BP网络模型进行了性能比较分析。仿真结果表明:基于WNN的糖厂澄清过程工艺指标预测模型,可以达到对澄清工程工艺指标的预测作用,进行预测精度高、收敛速度快,优化预测效果比BP模型好。

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.

基于HMM和WNN的心音信号身份识别研究

将隐马尔可夫模型(HMM)与小波神经网络(WNN)相结合,提出了一种基于心音信号的身份识别方法。该方法首先利用HMM对心音信号进行时序建模,并计算出待识别心音信号的输出概率评分;再将此识别概率评分作为小波神经网络的输入,通过小波神经网络将HMM的识别概率值进行非线性映射,获取分类识别信息;最后根据混合模型的识别算法得出识别结果。实验采集80名志愿者的160段心音信号对所提出的方法进行验证,并与GMM模型的识别结果进行了对比,结果表明,所选方法能够有效提高系统的识别性能,达到了比较理想的识别效果。

基于季节-WNN组合模型的煤矿事故预测

为了对矿山生产领域安全状况演化趋势进行准确预测,考虑实际生产中的季节性因素,本文构建季节-WNN组合模型对生产事故进行预测。其中,采用X-12-ARIMA模型对安全事故时序进行季节调整,将其分成平稳时间序列和季节因子序列。季节因子序列每年呈现相同规律,用WNN模型预测平稳时间序列,再按照乘法模型还原为真实预测序列。本文以我国煤矿生产安全为背景,将2015—2019年煤矿月度死亡人数作为观测值进行建模,预测2020年月度煤矿事故死亡人数,并将其与2020年煤矿事故月度死亡人数的真实值进行验证,将几种典型的预测模型与本文所构建模型进行对比分析。结果表明:我国煤矿事故存在显著的季节性特征,季节-WNN组合模型的平均相对误差为1.1%,预测精度显著优于单一的预测模型,且与我国煤矿事故实际走势较为吻合,具有良好的预测效果。预测模型可为安全事故的预测提供方法和指导,也可为煤矿安全生产监管决策提供依据。

基于MLR-WNN的大坝变形预测

针对大坝变形预测中非平稳非线性的数据处理问题,为克服多元线性回归模型(MLR)在处理非线性数据方面的不足,将小波神经网络模型(WNN)引入到多元线性回归模型里面,提出一种基于多元线性回归和小波神经网络的大坝变形预测模型(MLR-WNN)。首先,针对温度、水位、时效因子和大坝变形实测值,建立多元线性回归模型,再对其产生的误差建立小波神经网络模型进行修正,最后得到大坝变形预测值。经算例验证并与多元回归模型和WNN模型对比分析,结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果。

基于WNN-SVM的水文时间序列预测方法研究

在面对具有随机性、突变性的复杂时间序列数据(如流量等水文时间序列数据)时,传统单一的模型的预测精度不尽人意,对单一模型的优化不能完全克服其局限性。因此,文中提出一种基于WNN-SVM组合的水文时间序列预测模型。首先对水文时间序列数据作均值归一化处理,然后对预处理后的水文时间序列进行小波分解,将分解后的子序列通过相空间重构的方法使其从低维时间序列向高维转换;根据其分解后的特点,对尺度变换序列采用支持向量机(SVM)进行建模预测,小波变换序列采用小波神经网络(WNN)进行建模预测,再将两者的预测结果进行小波重构,得到原始序列预测值。随后采用屯溪流域1980年至2007年43996个小时流量数据进行实验验证,结果表明该模型的预测精度高于单一模型,证明了该模型的有效性。

基于IABC-WNN模型的交通流量预测研究

传统蜂群算法采用随机法生成初始解,随机性大,难以掌握解的分布。针对这些问题,结合佳点集方法与正弦映射法,提出改进的ABC算法。使用佳点集理论构造蜂群算法的初始解,解决传统随机法构造初始种群对蜂群算法寻优的影响;使用正弦映射法优化轮盘赌算法,克服复杂的高维度项目难以跳出局部最优与负收益度问题。将改进的ABC算法作为WNN网络参数调整算法,利用ABC算法扩大最优解范围,提高搜索速度与精度,从而获得较好的短时交通预测准确度。仿真实验表明,IABC-WNN预测模型算法相对误差小,稳定性好,预测精度高。

基于PCA-WNN模型的油田回注水管道腐蚀速率预测

针对油田回注水管道的腐蚀问题,对引起回注水管道腐蚀的相关因素进行系统分析,建立PCA-WNN模型,使用PCA(主成分分析)算法对回注水管道腐蚀影响因素进行优选,使用WNN(小波神经网络)算法对回注水管道的腐蚀速率进行预测,将预测结果与实际腐蚀速率、PCA-BP神经网络和PCA-GM(1,m)模型的预测结果进行对比,并计算每种算法预测结果的平均绝对误差和数据训练时间,以此验证该模型应用的可行性。研究表明:管道内涂层完好性和CO2含量对管道腐蚀速率的影响较大,而回注水压力对管道腐蚀速率的影响较小;PCAWNN模型预测结果的平均绝对误差仅为1.35%,远小于其他两个模型预测的平均绝对误差,模型学习时间仅为2.39s,远小于其他两个模型的学习时间,证明该模型可用于油田回注水管道腐蚀速率预测。

基于IGA优化WNN的产品质量建模方法

针对某轧钢厂的热连轧产品质量生产过程,对遗传算法(GA)的交叉和变异操作进行改进,给出了基于改进的遗传算法(IGA)优化小波神经网络(WNN)结构的产品质量建模方法。仿真实例表明:该建模方法既保留了GA的全局搜索能力和WNN学习算法简单有效的特点,又具有网络训练速度快、建模精度高等优点,表明了该方法的有效性。

基于改进小波神经网络的大数据网络安全态势预测

为提升网络安全态势预测的精度,提出使用动量因子(Momentum Factor,MF)改进小波神经网络(Wavelet Neural Network,WNN),形成MF-WNN的网络安全态势要素提取模型,通过MF对WNN的权值进行精度优化。实验结果表明,与其他3种常用的预测模型相比,基于改进WNN的预测模型具有较高的精确度。

基于预测堵车信息的路径动态规划系统

导航系统往往存在着规划不准确、规划滞后等问题,导致车辆时常需要经过拥堵路口。因此,提出一种基于ARIMA-WNN组合预测模型的路径动态规划系统。使用Dijkstra算法进行全局规划得到初始路径,利用历史交通流量数据对初始路径及路径周围路口的交通流量进行预测。基于预测数据和车辆平均速度,判断车辆行至某路口时是否会发生堵车情况,结合堵车区域的损耗方程对路径进行局部优化,从而提前规避堵车。通过实验仿真发现,所提动态规划系统有效地提高了路径规划的准确性,缩短了行驶路径,减轻了堵车带来的负面影响。

基于集合经验模态分解和小波神经网络的短期风功率组合预测

从挖掘风功率特性出发,提出一种基于集合经验模态分解(EEMD)和小波神经网络(WNN)的新型风功率组合预测模型。首先对风功率序列进行集合经验模态分解,以降低风功率序列的非平稳性特征;其次基于相空间重构挖掘各子序列的统计特性,以避免预测模型输入维数选取的随意性;然后对各子序列建立小波神经网络预测模型;最后叠加各子序列预测结果得到风功率预测值。实例研究表明本文所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。

脉冲放电降解土壤中有机污染物的神经网络模型

为探讨脉冲放电等离子体去除土壤中有机污染物的机理,研究了基于针-板式脉冲放电等离子体降解土壤中对硝基苯酚(p-Nitrophenol,PNP)的实验数据,利用BP神经网络(back propagation network,BPNN)和小波神经网络(wavelet neural networks,WNN)模型研究了电气参数(峰值电压、放电频率)、理化参数(初始质量分数、水的质量分数、空气体积流量、处理时间、pH值)和结构参数(电极间距)对土壤中PNP降解率的影响。建立的WNN模型(结构8-5-1)和BPNN模型(结构8-4-1)经结构、精度(调整的判定系数2aR>0.96)和实验验证能较好地预测该体系中各参数(峰值电压、放电频率、空气体积流量等)对PNP降解率的影响趋势,且BPNN模型较WNN模型预测的实验结果更符合脉冲放电降解实验的自然规律。结果表明,较佳的峰值电压(21.6 kV)、放电频率(70 Hz)和空气体积流量(0.4 L/min)可获得较好的PNP降解率。