一种改进的变权科莫多优化算法及其应用

针对科莫多算法(KMA)在求解复杂函数和高维情况下容易出现早熟收敛的问题,提出了一种改进的变权科莫多优化算法(VWCKMA)。首先利用Tent混沌映射产生的序列对科莫多个体位置进行位置初始化,为全局搜索的多样性奠定基础。然后提出可变惯性权重,分别对不同社会等级的科莫多个体的运动进行不同控制,较好地提高了收敛速度。最后利用Tent混沌映射进行局部扰动,使其能够进行更加精确的局部搜索,避免局部最优值。仿真实验表明,在单峰函数和多峰函数求解的标准差和均值中,VWCKMA在收敛精度和收敛速度方面均有很大的提高。针对实际空气污染物PM_(2.5)预测非线性的问题,利用VWCKMA对BP神经网络的权值和阈值进行迭代寻优,基于最优参数的条件下使用BP神经网络对PM_(2.5)进行预测。实验结果表明预测准确率为85.085%,相比单一BP神经网络预测准确率提高19.85个百分点,体现VWCKMA具有一定的实践应用价值。

Concentration Prediction of Total Flavonoids in Aurantii Fructus Extraction Process:Locally Weighted Regression versus Kinetic Model Equation Based on Fick's Law

Objective To predict the total flavonoids concentration of Aurantii Fructus fried with bran in its extraction process. Methods Ultraviolet spectrophotometry was used to determine the concentration of total flavonoids in different extraction time （t） and solvent load （M）. Then the predicted procedure was carried out using the following data： 1 ） based on Ficks second law, the parameters of the kinetic model could be deduced and the equation was established; 2） Locally weighted regression （LWR） code was developed in the WEKA software environment to predict the concentration. And then we used both methods to predict the concentration of total flavonoids in new experiments. Results After comparing the predicted results with the experimental data, the LWR model had better accuracy and performance in the prediction. Conclusion LWR is applied to analyze the extraction process of Chinese herb for the first time, and it is totally fit for the extraction. LWR-based system is a more simple and accurate way to predict than the established equation. It is a good choice especially for a process which exists no clear rules, and can be used in the real-time control during the process.

基于密度峰值聚类和改进LWLR的短期电力负荷预测

短期电力负荷数据具有复杂性和不确定性等特征,这些特征往往会对数据的预测结果产生不可控制的影响。使用传统的聚类方法对短期电力负荷数据进行聚类分析时,预测结果会因电力负荷的不确定性等特点产生偏差。此外,考虑到全局回归预测方法在建模阶段无法对不同部分的数据采用不同的建模方式,限制了对于不同分布区域或不同特征子集的自适应性能力的问题。文中采用K近邻和加权相似性的密度峰值聚类算法对短期电力负荷数据进行特征分类,并提出一种利用K近邻的局部加权线性回归模型对短期电力负荷进行预测。该模型的优点在于避免了欧氏距离对簇类中心选取的影响,降低了全局数据对局部数据的负面影响,避免了簇类划分的集中效应,提高了模型的泛化能力。通过与模糊C均值聚类和传统的全局回归预测方法对比,本文提出的模型对于真实电力数据的预测效果更加优越。

Integrating Local Closure Coefficient into Weighted Networks for Link Prediction

Triadic closure is a simple and fundamental kind of link formulation mechanism in network.Local closure coefficient(LCC),a new network property,is to measure the triadic closure with respect to the fraction of length-2 paths for link prediction.In this paper,a weighted format of LCC(WLCC)is introduced to measure the weighted strength of local triadic structure,and a statistic similari-ty-based link prediction metric is proposed to incorporate the definition of WLCC.To prove the metrics effectiveness and scalability,the WLCC formula-tion was further investigated under weighted local Naive Bayes(WLNB)link prediction framework.Finally,extensive experimental studies was conducted with weighted baseline metrics on various public network datasets.The results demonstrate the merits of the proposed metrics in comparison with the weighted baselines.

基于SWLSTM-Stacking集成学习的源荷区间预测方法

针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络(shared weight long short-term networks,SWLSTM)与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。

基于改进Cartographer算法的激光SLAM研究

针对激光SLAM中Cartographer算法在IMU数据不可靠时,位姿预测误差较大、扫描匹配时间较长的问题,提出了一种改进的Cartographer算法。首先,在预测先验位姿时,使用位姿数据队列末尾的四个数据来计算移动机器人的线速度,并采用加权融合的方法,对移动机器人的旋转增量进行修正;其次,在使用实时相关性扫描匹配校准先验位姿时,先采用稀疏化策略获取候选位姿旋转得分的分布情况,再对候选位姿得分小于阈值的区域进行剪枝处理,最后对保留下的候选位姿区域计算平移加权得分。仿真表明,在IMU数据不可靠时,改进的Cartographer算法能够有效地改善位姿预测效果,并在保证激光SLAM建图质量的基础上,缩短了实时相关性扫描匹配的时间。

基于随机预估与局部变权的电压暂降风险评估

在电压暂降中,暂降幅值与暂降时间大多集中在某个集中的区间,且不同故障类型下导致的电压暂降的指标变化也会存在较大差异。针对传统评估方法往往忽略了暂降指标的变化趋势的问题,提出了基于随机预估和局部状态变权的系统侧电压暂降评估方法。应用改进线路的故障概率模型和系统短路故障模型,使仿真数据更加贴合实际。在PSCAD/EMTDC平台建立IEEE-14节点系统模块进行仿真计算,确定了系统各节点在仿真中的电压暂降指标,以及在不同故障类型下的评估指标;然后通过局部状态变权的方法,得出考虑了暂降严重性的变化趋势的评估结果。评估结果表明,基于惩罚–激励效应的评估结果既能表达电压暂降指标的客观数据信息,又能够体现决策者的主观意志。

基坑变形混沌特征识别与非线性预测模型研究

混沌理论特征识别是进行混沌时间序列分析和预测的前提。普通的线性数学算法已经无解决基坑变形所遇到的问题,为了研究基坑变形监测数据的非线性复杂问题,采用混沌非线性理论方法,首先求取基坑变形时间序列的延迟时间和嵌入维数,其次对基坑监测数据进行相空间重构,最后对比分析加权一阶局域预测模型以及RBF神经网络混沌预测模型的预测结果,实验表明RBF神经网络混沌预测模型预测精度最高,同时也说明了混沌预测模型更适合短期预测。最终证明了RBF神经网络混沌预测模型应用在基坑变形监测中的可行性与有效性。

Quality-related locally weighted soft sensing for non-

Soft sensors are widely used to predict quality variables which are usually hard to measure.It is necessary to construct an adaptive model to cope with process non-stationaries.In this study,a novel quality-related locally weighted soft sensing method is designed for non-stationary processes based on a Bayesian network with latent variables.Specifically,a supervised Bayesian network is proposed where quality-oriented latent variables are extracted and further applied to a double-layer similarity meas-urement algorithm.The proposed soft sensing method tries to find a general approach for non-stationary processes via quality-related information where the concepts of local similarities and window confidence are explained in detail.The performance of the developed method is demonstrated by application to a numerical example and a debutanizer column.It is shown that the proposed method outperforms competitive methods in terms of the accuracy of predicting key quality variables.

基于加权一阶局域理论的综合电力滤波器谐波电流预测方法

受硬件和软件条件的限制,现有的各种谐波电流检测万法都存在延时问题,一股约为一个周期。检测出的结果实际上是一个周期前的谐波电流,因而会产生较大误差。对谐波电流进行准确的跟踪和预测,然后根据预测值进行补偿是解决这一问题的有效方法。该文提出了基于加权一阶局域理论的谐波电流预测方法,该方法在t时刻预测出t+2时刻的谐波电流与其理想值的偏差值,通过选择t+1时刻的控制策略,利用加权最小二乘法使得在t+2时刻该偏差值为最小,从而实现了两步预测的无差拍控制。将中心点的空间距离作为一个拟合参数引入预测过程,提高了预测精度和消噪能力。该方法具有原理简单和实时性好等特点,仿真和实验结果验证了它的有效性和实用性。

混沌时间序列局域预测方法

在深入研究混沌时间序列局域预测方法的基础上,提出了一种加权局域基函数预测方法。该方法综合考虑了广义自由度和邻近点权重,提出了加权动态确定最邻近点数的判定条件,并利用基函数拟合确定出的最邻近点进行预测。算例分析表明,加权局域基函数法具有较高的预测精度,是比较理想的用于混沌时间序列的预测方法。

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能.在无噪声或噪声干扰较小时,距离加权预测法的性能最好;当噪声干扰较大时,指数加权预测法预测性能最优.指数加权与均值预测法几乎具有相同的多步预测能力,距离加权预测法的短期预测性能最佳.对于标准的离散混沌时间序列,3种预测方法多步预测误差达到一定值后,不再随预测步长的增加而增加;对于由连续系统抽样得到的混沌时间序列,多步预测误差呈现一定周期性变化.

基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.

用于混沌时间序列预测的分维指数加权一阶局域算法

提出分维指数加权一阶局域算法。该算法用最大Lyapunov指数和重构相点各分量所对应的延迟时间的乘积作为幂,构造一个指数形式的衰减因子,对加权一阶局域法的向量距离公式进行修正。修正后的距离公式不仅体现了各相点与中心点的相关性,还表示了相点各分量与中心点第一分量的关联程度。利用该算法对Logistic混沌时间序列进行预测的结果表明,相对于现有算法,本文所提算法明显提高了预测精度,而且序列的混沌性愈强,嵌入维数愈大,改进效果愈明显。

混沌时间序列改进的加权一阶局域预测法

加权一阶局域预测法是目前最常用的一种混沌时间序列预测方法。基于延迟坐标相空间重构理论,提出了混沌时间序列改进的加权一阶局域预测法。仿真结果表明该方法的多步预测性能与一步预测性能明显好于加权一阶局域预测法的多步预测性能与一步预测性能。

单体支柱工作面顶板动态的监报

本文提出顶板动态监报应包括回采工作面局部冒顶的监报及顶板来压的预报这两个方面的观点。初步给出了局部冒顶监报指标的确定方法;重点探索了采用回采工作面来压综合判断指标来预报顶板来压的可能性。文中所给的回采工作面局部冒顶的监报指标及顶板来压预报指标所采用的系数,基于现场统计资料,或现场经验的数学处理结果。

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型,对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟和嵌入维数两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。实验结果表明:对于特征层的融合,每15 min时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5 min、10 min、20 min相比较误差达到最小仅0.003,较目前的最小误差值0.05大大下降,融合预测效果较好,可以较准确地预测15 min后的传感器数据,有充足时间进一步为井下的安全评估提供决策依据。