基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。

电液仿真转台控制系统设计与仿真研究

针对影响三轴电液仿真转台动、静态性能最大的同步驱动、摩擦和大惯量负载干扰三个问题,采用了模拟人脑基于经验控制的FNN(模糊神经网络)控制器和基于学习校正的PNN(预测神经网络)控制器分别对应转台内环(角速度环)和外环(角度环)反馈系统。FNN同步控制器分为等同和主从同步控制模式,两种模式相互切换,提高了系统同步性能;PNN摩擦干扰控制器采用了基于双网络模型的NARMA(非线性自回归滑动平均)预测模型,具有较强的非线性系统辨识能力,提高了系统抗干扰能力。软件仿真结果表明,当转台外框负载发生变化或外框两马达转速相差较大时,使用PNN-FNN模型的智能控制系统仍具有较高的位置跟踪精度和动态性能。

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Ra-dial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-RBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.

灌浆压力的非线性建模预测

实际灌浆压力控制过程中,由于灌浆液的密度、粘度和地层等因素的影响,使得灌浆压力的变化具有不确定性、时变性和非线性特征。为了辨识、预测灌浆系统压力,提出了一种基于神经网络的多传感器数据融合技术。通过对灌浆工艺与机理分析得到该BP神经网络输入变量。该方法首先利用灌浆过程中采集的数据离线训练BP神经网络,获得一收敛的神经网络模型,然后用此神经网络模型实时预测所灌地层的灌浆压力。最后实验仿真结果表明,BP神经网络预测模型能够运用到灌浆系统中,模型的最大预测误差不超过15%,平均均方根误差仅为0.186。

神经网络模型预测函数控制方法

在建立基于神经网络模型的非线性预测函数控制系统结构和基于BP网络非线性预测模型的基础上,提出了基于神经网络模型的非线性预测函数控制方法,并对其优化法等进行了讨论。通过与PID方法的仿真比较表明,预测函数控制方法具有抑制干扰能力强、跟踪性能好的特点,能够满足一些非线性系统的控制要求。

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition,EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.

自回归神经网络的电离层总电子含量预报

为了进一步提高TEC的预报精度,针对TEC时间序列高噪声、非平稳、包含线性和非线性动态序列的特性,运用经验模态分解和非线性自回归动态神经网络,基于分解-预测-重构的思想构建EMD-NAR预测模型;并对比分析EMD-NAR组合模型和单一模型的预报精度,同时运用EMD-NAR预测模型分析不同环境下的电离层TEC时间序列。实验结果表明EMD-NAR动态神经网络模型能很好地反映电离层TEC的变化特性,平静期和活跃期的预测平均相对精度分别为94%和88.3%,预报残差小于1个TECu的分别占71%和68.5%,小于3个TECu的分别占90.3%和87.5%。

基于经验模态分解的冷水机组能耗预测模型

针对实际工程中采集的磁悬浮冷水机组的功率时间序列多为非线性、非平稳信号的问题,提出基于经验模态分解的机器学习能耗预测模型,此模型从信号本身尺度特征出发对信号进行分解,具有良好的局部适应性。将基于经验模态分解的机器学习模型预测结果与原始机器学习模型的预测结果进行比较,结果表明,采用经验模态分解的磁悬浮冷水机组能耗预测模型能够提高预测精度。

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法(PSO)对变分模态分解(VMD)进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络(NARX)进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元(GRU)进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的(PSO-VMD)-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机(SVM)和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。

基于WPD-MAIWO-NN的短期风速多步预测方法

提出了一种由小波包分解、多智能体入侵杂草算法和人工神经网络组成的混合预测方法,用于提高短期风速预测的准确性。利用小波包分解将风速时间序列分解成多个不同频率的子序列,然后利用多智能体入侵杂草算法优化后的神经网络对每个子序列进行预测,最后叠加各子序列的预测值,得出实际预测结果。以广东某风电场2014年1月的实测小时风速数据为例,使用提出的混合模型进行风速预测。仿真结果表明,与未经优化的神经网络相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。

小波和混沌神经网络在大坝变形预测中的应用

大坝是复杂的变形系统,其变形表现为动态非线性,也存在混沌现象。为充分利用大坝变形监测位移时间序列,实现位移单变量情况下的准确预测,提出了一种小波和混沌神经网络预测新方法,首先对大坝位移变形监测数据进行小波分解,其次对分解后的平滑信号进行傅里叶函数拟合预测,再对细节信号进行软阈值去噪和混沌神经网络预测,最后将预测信号进行小波重构。通过工程实例对比分析了小波和混沌神经网络预测新方法、神经网络模型、多元回归模型在大坝位移变形预测中的精度。结果表明,小波和混沌神经网络预测方法的预测精度最高,可以应用于大坝变形预测。

炼化企业公用工程智能管控平台开发与应用

针对炼化企业公用工程系统的运行现状和存在的问题,开发了公用工程智能管控平台。该平台基于化验分析数据,构建低压瓦斯排放量测算模型,实现对低压瓦斯排放量的测算。同时,采用管网模拟手段,实现了管网中任意管段介质流速、压降、温降、燃料气热值、持液率等重要参数的软测量。通过构建反向传播(BP)神经网络模型,预测未来一段时间内生产装置公用工程的产耗量。以未来时间段内各生产装置公用工程的产耗预测数据为基础,以生产运行成本最低为目标,建立平衡调度优化模型,采用非线性规划算法进行寻优求解,实现公用工程的优化调度。该平台系统通过构建实时监控、统计分析、绩效考核、管网模拟、产耗预测和调度优化等功能模块,实时监控公用工程从生产、存储、输送到回收消耗的全过程,减少了低压瓦斯的异常排放,提高了公用工程的资源利用率,为炼化企业的节能环保、挖潜增效发展战略提供强有力的支撑。

联合神经网络与子带分解结构的非线性预测滤波器

基于 PRNN神经网络与 FIR子带滤波器 ,本文提出一种新颖的非线性自适应预测滤波器。子带分解采用便于实时实现的 DCT,文中给出了相应的学习算法。对实际语音信号进行的非线性预测结果表明 ,本文所提出的非线性预测滤波器与原来的相比 ,在降低预测误差动态范围与提高收敛速度等方面都有了十分明显的改善。

基于调和分析及VMD-BP神经网络的感潮河段流量预报

针对感潮河段受径流和潮汐共同影响导致流量预报精度较低的问题,结合变分模态分解(variational mode de⁃composition,VMD)处理非平稳信号的能力与反向(back propagation,BP)神经网络处理非线性问题的优势,提出了基于潮流调和分析及VMD-BP神经网络组合模型的感潮河段流量预报方法。首先,采用潮流调和分析方法对原始流量进行潮流、余流分离;然后,根据误差逆向传播算法构建BP神经网络,并对潮流数据和经VMD处理后的余流数据进行仿真训练;最后,将仿真训练输出的潮流和余流分量叠加重构进而得到最终的流量预报结果。在长江口徐六泾断面开展流量预报实验,结果表明,单独采用BP神经网络方法相对于传统潮流调和分析方法的流量预报精度提高了约3400 m^(3)/s,相对精度提高了约6%;所提组合模型方法的流量预报精度相对于传统潮流调和分析方法提高了约5000 m^(3)/s,相对精度提高了约9%。基于调和分析及VMD-BP神经网络的组合模型可以有效提高感潮河段流量预报精度,同时也为流况多变水域的流量预报提供新思路。

非线性时间序列的小波-模糊神经网络集成预测方法

传统模糊神经网络在时间序列预测方面已经有比较成功的应用,但在预测前,是否需要预先进行趋势和季节剔除,以及如何进行剔除,还缺乏统一认识。利用小波分解将非线性时间序列中的趋势项、周期项和随机项分离出来,然后采用模糊神经网络进行集成预测,解决了传统差分方法等剔除趋势和季节因素后,进行模糊神经网络预测效果差的问题,同时又充分利用了非线性时间序列中的趋势项、周期项和随机项信息。为了检验小波-模糊神经网络的非线性时间序列预测效果,对我国铁路客运量进行预测实验。实验结果表明,利用小波分解进行趋势项、周期项和随机项的分离,并进行模糊神经网络的集成预测,比传统的模糊神经网络预测有着更好的精度,从而验证了模型的有效性。

薄互层泥云岩储层裂缝预测方法研究

在薄互层泥云岩储层和裂缝发育特征分析的基础上,重点对比构造导向相干、倾角、最大构造曲率以及本征值等叠后地震属性对裂缝发育程度的敏感性差异.通过加入与裂缝形成相关的地质、地球物理参数优化反演模型,采用非线性神经网络方法厘定不同地震属性在交汇融合过程中的权重比,定量预测青西凹陷下白垩统泥云岩储层裂缝发育强度和平均密度.研究结果表明:与FMI识别成果对比证实,多属性交汇融合预测结果吻合率达82%.