Effects of Long-Term Fertilization on Different Nitrogen Forms in Paddy along Soil Depth Gradient

The combined application of organic fertilizer and chemical fertilizer is an effective measure to increase nutrient content of soil plough layer, which must have a profound impact on the deep soil nutrients, especially the contents of nitrogen forms. The purpose of this study was to explore the characteristics of soil nitrogen forms in plough layer and along depth gradient in different fertilization treatments, so as to evaluate the soil quality in spatial dimension, further providing a theoretical basis for scientific fertilization and improvement of paddy soil fertility. Here, a 34-year field experiment was conducted with three treatments: without any fertilizer (CK), pure chemical fertilizer (NPK) and chemical fertilizer combined with organic fertilizer (NPKM). We analyzed the content of nitrogen forms in 0 - 100 cm soil depth and their ratios to total nitrogen (TN), and discussed the correlation between nitrogen forms contents and pH, CEC. Results showed that, compared with CK, both NPK and NPKM significantly increased the contents of nitrogen forms in topsoil (soil layer of 0 - 20 cm), especially nitrate nitrogen (NO3--N) content increased by 70% (NPK) and 111% (NPKM), respectively. Although the contents of different nitrogen forms decreased gradually along soil depth gradient, NPKS slowed down the decline rate of TN and alkali-hydrolysable nitrogen (AN) in 0 - 60 cm soil layer, compared to CK. Compared to NPK, NPKM significantly increased the NO3--N/TN ratio in 0 - 20 cm soil layer, but also decreased the content of -N in 20 - 40 cm, which was beneficial to reduce the risk of nitrogen leaching caused by nitrate leaching into deep layer. The increase of soil pH in NPKM treatment obviously alleviated the problem of soil acidification caused by long-term application of chemical fertilizer. Correlation analysis showed that there was a significant positive correlation between soil nitrogen forms and cation exchange capacity (CEC), but no significant correlation with soil pH. In conclusion, NPKM ensured the nutrients of soil plough layer (0 - 20 cm), also reduced the risk of nitrogen infiltration and nitrogen loss, thus ensuring the fertility of soil profile.

融合长短基线的干涉图解缠错误自动改正

合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术因具有全天时、全天候、大范围的独特优势,已被广泛应用于地球科学研究、自然灾害监测和环境管理等领域。然而,受地表失相干、干涉条纹密集等因素影响,InSAR数据处理关键的步骤——干涉图相位解缠常出现错误,进而影响高程反演和地表形变监测精度。为此,文章提出了一种融合长短基线干涉相位闭合环的解缠错误自动探测与改正方法,并利用湖南省-江西省高植被覆盖区的Sentinel-1雷达影像开展了算法验证。实验结果表明,该方法可有效地改正干涉相位解缠错误,这对InSAR技术提升高程反演和形变监测精度具有重要意义。

基于BiLSTM-XGBoost混合模型的储层岩性识别

储层岩性分类是地质研究基础,基于数据驱动的机器学习模型虽然能较好地识别储层岩性,但由于测井数据是特殊的序列数据,模型很难有效提取数据的空间相关性,造成模型对储层识别仍存在不足.针对此问题,本文结合双向长短期循环神经网络(bidirectional long short-term memory,BiLSTM)和极端梯度提升决策树(extreme gradient boosting decision tree,XGBoost),提出双向记忆极端梯度提升(BiLSTM-XGBoost,BiXGB)模型预测储层岩性.该模型在传统XGBoost基础上融入了BiLSTM,大大增强了模型对测井数据的特征提取能力.BiXGB模型使用BiLSTM对测井数据进行特征提取,将提取到的特征传递给XGBoost分类模型进行训练和预测.将BiXGB模型应用于储层岩性数据集时,模型预测的总体精度达到了91%.为了进一步验证模型的准确性和稳定性,将模型应用于UCI公开的Occupancy序列数据集,结果显示模型的预测总体精度也高达93%.相较于其他机器学习模型,BiXGB模型能准确地对序列数据进行分类,提高了储层岩性的识别精度,满足了油气勘探的实际需要,为储层岩性识别提供了新的方法.

基于考虑误差修正的非线性自适应权重组合模型的光伏发电功率预测

为了提高光伏电站光伏发电功率预测精度,解决极限梯度提升模型、长短期记忆模型2种传统单一模型及传统组合模型极限梯度提升-长短期记忆模型的光伏发电功率预测结果滞后、预测效果易突变、预测误差较大、线性拟合性较差等不足,基于极限梯度提升算法、长短期记忆算法和线性自适应权重,提出一种考虑误差修正的非线性自适应权重极限梯度提升-长短期记忆模型进行光伏发电功率预测;分别使用极限梯度提升算法和长短期记忆算法训练得到2种单一模型,将2种单一模型的初步预测值和真实值组成新的训练数据集,利用神经网络算法训练所提出的模型,对2种单一模型的初步预测值分配自适应权重系数,并根据训练时所提出模型的预测值大小分段统计预测误差的分布,预测时根据所提出模型的预测值在预测结果的基础上累加误差均值从而进行误差修正,进一步提高所提出模型的预测精度;利用Python语言分别对所提出的模型、传统组合模型和2种传统单一模型在晴天、阴天和雨天的光伏发电功率预测性能进行仿真。结果表明:与极限梯度提升-长短期记忆模型、极限梯度提升模型、长短期记忆模型相比,所提出模型的均方根误差分别减小28.57%、 39.39%、 49.79%,平均绝对误差分别减小44.25%、 53.33%、 64.8%,决定系数分别增大1.43%、 2.38%、 3.34%,所提出的模型更有效地减小了传统单一模型的光伏发电功率预测误差,优化了传统组合模型的权重系数;3种天气条件下所提出模型的光伏发电功率预测误差相对最小且稳健性最强,验证了所提出模型的有效性。

基于频率分解的机器学习模型预测效果比较

文章引入一种小波变换与机器学习的组合预测方法,通过小波变换提取单变量时间序列的主要特征,并应用不同的机器学习模型进行预测分析。构建不同类型的机器学习模型对上证指数、恒生指数、纳斯达克指数和日经225指数进行预测,结果表明:在不增加任何被解释变量的情况下,经过小波变换的数据特征能较好地预测指数收益率;通过比较线性模型、机器学习模型和深度学习模型发现,线性模型在捕获小波变换特征方面表现最好;有效的数据降维方法是提高非线性模型样本外预测精度的重要手段,并且可以减少模型训练的时间;小波变换和贝叶斯混合模型的预测精度高于传统的ARMA模型。

基于长短期记忆网络和梯度提升的高血压患者RR间期时间序列预测方法

目的 对高血压患者的RR间期进行预测,帮助临床医生对患者心脏状况进行分析和预警。方法 以8位患者数据为样本,通过长短期记忆网络(LSTM)和梯度提升树(XGBoost)分别对患者的RR间期进行预测,将2个模型的预测结果通过方差倒数法进行组合,克服单一模型预测的劣势。结果 提出的组合模型相较于单一模型在8位患者RR间期的预测上具有不同程度的改善效果。结论 LSTM-XGBoost模型为高血压患者RR间期预测提供了方法,具有一定的临床价值。

基于多特征融合的细胞特异性lncRNA的亚细胞定位预测

长链非编码RNA(long non-coding RNA,lncRNA)在细胞生物学过程和疾病发展中扮演着关键性角色。由于lncRNA的亚细胞定位和其生物学功能密切相关,因此确定lncRNA的亚细胞定位具有重要意义。目前已有一些基于机器学习的方法来识别lncRNA的亚细胞位置,但在识别人类lncRNA的细胞特异性定位方面的相关工作仍然有限。该模型对人类细胞系lncRNA亚细胞定位问题进行了研究,提取了k-mer、CKSNAP、SRS和TSS特征信息,并对各类特征信息进行了融合,基于XGBoost和LightGBM结合的算法来预测人类细胞系lncRNA的亚细胞位置,并通过10倍交叉检验对模型进行了评估。结果表明,该模型预测人类细胞系lncRNA亚细胞定位的方法与现有的预测方法相比,预测成功率均有一定改进,其基准数据集的AUROC值最高达到92.26%。

用梯度提升决策树实现电力负荷非线性影响因素分析

为了避免由因素冗余导致的预测精度下降,对比分析了6种集成机器学习模型的性能,发现梯度提升决策树回归模型性能最好。利用梯度提升决策树进行特征重要性排序,选出显著影响因素;然后通过计算偏依赖量来评估各影响因素与最大负荷之间的非线性关系;最后,运用长短期记忆预测模型对各个因素的组合进行验证。结果表明,利用梯度提升决策树可以有效捕捉最大负荷与各因素之间的非线性关系,且经过因素选择和考虑温度累积效应后,负荷预测准确度得到显著提高。

大规模电力工程数据价值深度挖掘算法设计研究

针对传统电力工程数据处理方法中存在的不可追溯且不易统一管理等问题,文中基于数据挖掘的思想提出了一种电力工程数据价值分析预测模型。该模型采用Boosting算法将多个预测树结构组合形成极端梯度提升树模型,从而实现对非线性数据的深入分析,且经过多次迭代后,可以使训练准确度与学习效果得到显著提升。通过采用改进的双向长短时记忆网络,增强了模型处理时序性数据的能力。同时还使用误差倒数法将两个算法模型相结合,使其具有更高的预测精度。在实验测试中,所提算法的预测结果更贴近实际值,且其MAPE及RMSE测试指标分别为0.201%和0.039%,在所有对比算法中均为最优,可以对电力工程数据价值进行准确的分析和预测。

存在长大下坡道时进站信号机外方发码距离研究

针对列车运行于长大下坡道时存在的行车安全隐患、行车效率低等问题,分析列车运行过程中列车制动距离,给出存在长大下坡道时的发码距离设置及特殊短区间设计优化措施,保证行车安全。

基于WOA-VMD-GBDT的长期电力负荷预测

为提高电力负荷的预测精度提出了一种基于鲸鱼优化算法(WOA)改进的变分模态分解(VMD)与梯度提升树(GBDT)结合的长期电力负荷预测方法。首先,利用VMD将长期负荷分解为简单的子序列,并引入WOA解决VMD分解时需人为调参的问题;影响长期负荷预测的经济因素和气象因素同样进行分解并降维,以获得有用特征,降低噪声影响;最后,将IMF分量及特征分量带入GBDT模型,得到多个IMF分量预测值,叠加重构后得到最终的电力负荷预测值。对中国某地区实际电力负荷及经济数据与气象数据分析,实验结果表明,本文模型相比于单一模型其预测精度更高,RMSE、MAE、MAPE三个方面误差更小,R 2也提升到了0.979。

基于Transformer-LSTM模型的多因素碳排放权交易价格预测

碳排放权交易作为一种重要的环境政策工具在全球范围内得到了广泛应用。如何运用深度学习等技术提高碳排放权价格预测能力是一个重要问题,基于此,提出一种Transformer-LSTM多因素碳排放权交易价格预测的深度学习模型,以湖北省碳排放权交易价格为例,旨在探索运用深度学习的方法,预测湖北省碳排放权交易价格的变动趋势。输入Transformer-LSTM模型进行预测,同时运用支持向量机回归(SVR)、多层感知机(MLP)、长短时记忆网络(LSTM)、Transformer模型进行预测与对比。通过在历史数据上进行训练,实验结果表明,Transformer-LSTM模型得到的预测价格与湖北省碳排放权交易价格(HBEA)的实际价格更为吻合,在平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)和评估指标上也有更佳的表现。

基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法

准确评估锂离子电池健康状态(state of health,SOH)对保证电动汽车的安全稳定运行至关重要。然而,传统SOH估计方法在有效提取健康特征(health features,HFs)和依赖大量特征测试数据上面临一些挑战。为此,本文提出一种基于多特征量分析和长短期记忆(long short-term memory,LSTM)-极端梯度提升(eXtreme gradient boosting,XGBoost)模型的锂离子电池SOH估计方法。首先,为准确描述电池的老化机理,从电池充电数据中提取关于时间、能量、IC三大类共6个HFs。考虑到同类型HFs之间存在大量冗余信息,采用一种基于双相关性的特征处理方法,筛选出可准确表征电池退化趋势的组合HFs。其次,针对传统SOH估计模型需要大量HFs测试数据的问题,提出一种基于LSTM-XGBoost的SOH估计模型。在该模型中,采用LSTM算法来预测电池剩余循环次数的HFs数据。同时,为解决LSTM模型进行HFs预测时计算效率不高的问题,采用LSTMXGBoost模型进行电池SOH估计。利用NASA电池数据集进行验证,结果表明,所提出方法在不同测试数据量下能准确估计锂电池的SOH,且均方根误差保持在1%以内,具有较高的估计精度和鲁棒性。

基于CNN-BLSTM-XGB的入侵检测

针对当前网络入侵检测方法存在特征信息提取不全面,多分类检测准确率偏低的问题,提出一种基于CNN-BLSTM-XGB的混合网络入侵检测方法。建立基于卷积神经网络(CNN)与双向长短期记忆网络(BLSTM)的网络结构CNN-BLSTM,用于提取网络入侵数据的空间与时间特征;使用Keras序贯模型中的Concatenate层对这两种特征进行融合;用极端梯度提升(XGBoost)取代传统的完全连接层,获取从输入层到融合层的特征信息进行分类。在NSL-KDD和CICIDS2017数据集上分别进行的实验结果表明,该方法可以分别达到99.72%、99.87%的多分类检测准确率,与现有的主流方法比较,具有更高的检测准确率。

基于长短期记忆网络与轻梯度提升机的航空发动机大修期内剩余寿命预测

针对航空发动机大修期内由性能主导的剩余使用寿命预测中复杂设备具有状态变量多、非线性特征严重的特点以及单一模型面临特征提取不充分、预测精度不足等问题,提出一种长短期记忆网络(LSTM)与轻梯度提升机(LightGBM)的组合新模型方法进行大修期内剩余使用寿命(RUL)预测。通过LSTM对原始数据进行特征提取,将LSTM的输出门中特征提取后的数据作为LightGBM模型的输入进行RUL预测。利用NASA提供的发动机实测数据集进行了仿真试验,实现了对单个发动机的RUL预测,并与其他6种模型预测结果进行对比,对其预测剩余使用寿命的有效性进行验证。结果表明:LSTM和LightGBM组合模型比其他模型的预测误差显著减小,其4组数据集均方根误差仅为12.45、20.23、12.58、21.75。

基于注意力机制和LSTM-LightGBM的特高压直流输电线路可听噪声无效数据清洗方法

特高压直流输电线路可听噪声试验过程中,外界环境的突发性干扰会使实验数据中掺杂较多的无效数据,严重影响后续的数据分析。提出了一种基于注意力机制(attention mechanism,AM)和长短时记忆网络-轻量级梯度提升机(long short-term memory network-light gradient boosting machine,LSTM-LightGBM)的输电线路可听噪声无效数据清洗方法。首先,针对可听噪声数据的非线性、高维时序冗余特征等特点,以LSTM神经网络为基础进行特征提取;同时,引入特征维度注意力机制,自适应地分配权重来刻画关键特征信息的表达能力;进而,利用LightGBM对提取到的特征进行分类,检测出无效数据;然后,以某特高压直流输电线路实测可听噪声数据试验分析,结果表明该方法的检测精准率为95.55%,召回率为97.73%,F1分数为0.9663,均优于对比实验模型;最后,将无效数据删除并使用均值插补法填补,无效数据清洗后数据的50%值和95%值基本不变,仅降低无效数据的最大值和5%值。该算法对提高输电线路可听噪声数据的可靠性具有一定参考意义。

紧急控制状态下储能提高电力系统暂态稳定性研究

针对电力系统在面对突发负荷变化和可再生能源波动时的暂态稳定性问题,提出了一种融合轻量梯度提升机(LightGBM)、长短期记忆网络(LSTM)和信任区域策略优化(TRPO)的基于储能系统的紧急控制策略,称为LightGBM-LSTM-TRPO模型,旨在提高电力系统的稳定性和可靠性。首先,分析了电力系统暂态稳定性的重要性及当前面临的挑战,强调了传统控制方法在紧急控制状态下的局限性。随后,使用LightGBM算法预测电力系统的状态变化趋势,包括负荷变化和可再生能源波动。接着,使用LSTM算法处理电力系统中的时间序列历史数据,以捕捉电力系统动态变化的复杂性和长期依赖关系。最后,使用TRPO算法优化储能系统在紧急控制状态下的响应策略,以维持电网的暂态稳定性。实验的仿真结果表明,与传统的LSTM和改进的LightGBM-LSTM等算法相比,本文所提的LightGBM-LSTM-TRPO模型能准确预测出电力系统的储能输出量,其紧急控制状态下的切机量和切负荷量更少,响应速度更快,电压恢复程度更高,可快速缓解电网在突发事件下的压力。

基于时段敏感权重组合的LightGBM和LSTM冷负荷预测方法

冷负荷预测是中央空调系统节能控制的基础。为进一步提升冷负荷预测的精度,提出了加权组合轻梯度提升机(LightGBM)模型和长短期记忆(LSTM)网络的预测方法,并在不同时段分配不同权重。首先,对冷负荷数据、室外温度、室外湿度进行数据预处理,分别按照LightGBM模型和LSTM网络的输入格式进行输入训练;其次,对验证集上的评估结果进行超参数调整,再将验证集划分为不同时段,使用最优化算法获得各时段最优的组合权重;最后,使用实际冷负荷数据进行算例分析。结果表明,所提方法能在不同时段有效利用2种模型的优点,具有较高的预测精度。

基于改进TD3的欠驱动无人水面艇路径跟踪控制

针对模型参数未知和海洋环境干扰下的欠驱动无人水面艇(unmanned surface vehicles,USV)路径跟踪问题,提出一种基于改进双延迟深度确定性策略梯度(twin delayed deep deterministic policy gradient,TD3)的控制方法。在运动学层次上,设计基于视线制导的航速航向联合制导律,引导USV准确跟踪期望路径。在动力学层次上,设计基于改进TD3的强化学习动力学控制器;采用基于时间差分误差的优先经验回放技术,建立包含路径跟踪成功和失败采样信息的双经验池,通过自适应比例系数调整每批次回放数据的组成结构;搭建包含长短期记忆网络的评价网络和策略网络,利用历史状态序列信息提高路径跟踪控制器的训练效率。仿真结果表明,基于改进TD3的控制方法可有效提高欠驱动USV的跟踪精度。该方法不依赖USV模型,可为USV路径跟踪控制提供参考。

基于改进的指针网络深度强化学习算法求解旅行商问题

旅行商问题是组合优化问题中的经典问题,而深度强化学习的发展为该类问题的求解提供了新思路。在基于指针网络的深度强化学习算法求解旅行商问题中,策略网络和价值网络的编码器都采用了复杂的长短期记忆网络结构,这在求解大规模旅行商问题时会造成训练时间过长的现象。鉴于输入节点间位置顺序的无关性,本文对指针网络中编码器的循环神经网络进行了修改,将策略网络和价值网络编码器中的长短期记忆网络都替换为一维卷积神经网络,最终提出了一种改进的基于指针网络的深度强化学习算法,其在相同求解问题规模上所需要的训练时间比原模型减少12%~15%,实验结果充分验证了本文改进算法的有效性。