基于量子粒子群与深度学习的煤矿瓦斯涌出量软测量

针对现有的绝对瓦斯涌出量软测量方法普遍未考虑瓦斯涌出量自身历史数据的前后影响,提出一种基于深度学习中长短时记忆网络(LSTM)的瓦斯涌出量软测量模型,利用绝对瓦斯涌出量及其相关影响因素历史数据的时间序列进行预测。考虑到LSTM模型需特别注意控制学习率以防止因出现梯度问题从而影响结果,对LSTM单元结构做出调整,引入softsign函数,通过其变化相对缓和的一阶导数以更好的解决梯度问题,使网络更快收敛且更不容易出现饱和。针对LSTM中存在诸多超参数,结合量子粒子群算法(QPSO)对其优化,使绝对瓦斯涌出量软测量结果精度最优,并利用核主成分分析对测量指标降维,加快模型收敛速度。对比改进后的模型与初始模型,得到改进的模型具有更高的精度和效率,均方根误差、平均绝对百分比误差和拟合优度决定系数3种误差评价指标分别为0.080、0.82%和0.988。将提出的模型与ELM、PSO-SVM、PSO-BP以及GRU模型对比,可得到提出的模型误差更小,测量结果优于其他模型。实验结果表明,提出的瓦斯涌出量软测量模型具有更好的表现。

一种面向车内噪声控制的改进变步长LMS算法

车载有源噪声控制(active noise control,ANC)系统多基于最小均方(least mean square,LMS)算法来实现,但定步长LMS算法在收敛速度和稳态误差之间存在矛盾。文章基于Softsign函数建立误差与步长之间的非线性关系,提出了一种改进变步长LMS算法。仿真算例结果表明,与定步长LMS算法及Tanh-LMS算法相比,该算法具有更快的收敛速度和更小的稳态误差,且比Tanh-LMS算法运算量更小,因而在车载ANC系统上应用更具优势。

基于局部对称重加权惩罚最小二乘的拉曼基线校正

拉曼光谱分析技术具有快速响应、非接触、检测限制小、灵敏度高的优点,广泛应用于生产生活的众多领域。然而实际测得的原始拉曼光谱总会有不同程度的基线漂移,严重影响光谱分析的有效性和准确性。针对现有基线校正方法容易造成估计基线偏低、校正后光谱抬升的问题,提出了一种基于局部对称重加权惩罚最小二乘(LSRPLS)的基线校正算法,该算法在非对称惩罚最小二乘的基础上,使用softsign函数引入局部对称加权的思想,对光谱中无谱峰的基线区域赋予相近的权重,并通过迭代调整估计基线的权重。在模拟和实际拉曼光谱上分别进行了验证。实验结果表明:LSRPLS基线校正算法不仅能对不同类型的光谱基线进行校正,而且与现有的基线校正方法相比,具有更高的准确度和稳定性。基线校正后的光谱在主成分空间上的聚集度得到提升,模型的分类准确性明显提高,说明LSRPLS算法在去除基线的同时,能够保留光谱的有效信息,为拉曼光谱的进一步分析提供了依据。