线控转向四轮独立驱动电动车的AFS/DYC集成控制

针对线控转向四轮独立驱动电动车的主动前轮转向(AFS)与直接横摆力矩控制(DYC)的集成控制问题,提出了一种基于模型预测控制的、采用分层集成控制结构的集成控制算法,设计了模型预测控制器,研究了基于二次规划的驱动力分配方法,并通过仿真实验对算法进行验证.结果表明:基于模型预测控制理论的集成控制算法能够使车辆有效地跟踪期望运动轨迹,提高车辆稳定性和主动安全性.     

基于随机k-近邻集成算法的网络流量入侵检测

为了提高网络入侵检测模型的准确率与泛化性,提出基于随机k-近邻集成算法的网络流量入侵检测模型。首先,该模型提出一种集成赋权距离,来提高预测精度;其次,采用一种随机策略的集成方法对k-近邻模型进行集成,从而提高了其在异常检测过程中的全局和局部优化能力;然后,利用并行计算的方法提高了算法运行的效率;最后,构建了基于随机k-近邻集成算法的网络入侵检测模型,并采用KDD99数据集进行实验。实验结果表明,基于随机k-近邻集成算法相对于其他模型具有更好的检测效果,准确率和召回率分别达到99.05%和91.96%。     

基于集成LSTM的泵站供水流量智能预测方法

城市二次加压供水泵站的供水流量预测是实现清水池补水、蓄水的依据,也是保证居民用水安全的前提.针对泵站供水流量受线性、非线性和时变等多种因素影响,导致传统模型的预测效果较差的问题,提出了一种基于长短时记忆网络与整合移动平均自回归模型相结合（LSTM ARIMA）的方法,建立泵站供水流量集成预测模型.首先将获取到的供水流量数据按照时间日期进行打标签及预处理;然后将处理后的数据分别放入LSTM模型和ARIMA模型中进行训练与测试,通过统计分析2个模型的历史预测准确次数来确定它们各自的基本权重,并在预测过程中自适应修正权重;最后,基于对应权重将2个模型集成,得到最终的供水流量预测结果.某供水泵站的现场数据验证表明：本文方法所得结果与其他2种方法所得的预测结果在均方根误差（RMSE）上分别降低了51.24%和66.52%,在平均绝对误差（MAE）上分别降低了49.84%和67.02%,验证了模型的有效性.     

基于改进神经网络的GDP时间序列预测

由于GDP时间序列具有线性和非线性的特征,神经网络(NN)方法和集成预测方法等在预测分析时可能产生较大误差.以GDP的年增长率作为神经网络的输入,建立基于BPNN的GDP预测模型.利用此改进BPNN模型对我国的GDP进行预测和验证,并分别与ARIMA-BP集成模型及BPNN模型进行比较.结果表明,改进的BPNN模型预测...     

基于误差修正EOS-ELM的滑坡位移预测

提出了一种基于误差修正在线贯序超限学习机集成(EOS-ELM)的滑坡位移预测模型.预测过程中对滑坡位移时间序列进行了趋势项和周期项分解,分别考虑了不同的影响因子对滑坡趋势项位移和周期项位移的影响.利用在线贯序超限学习机(OS-ELM)算法分别对趋势项位移和周期项位移建模预测.采用集成预测的思想提高OS-ELM模型的泛化能力,同时为了进一步提高预测精度,提出了一种在线误差修正预测方法.该方法通过对误差序列进行建模预测,修正最终的预测结果.以三峡库区白水河滑坡为例,实验验证了提出方法的有效性.     

坝基灌浆量预测ISSA-Stacking集成学习代理模型研究

灌浆量预测对坝基灌浆施工具有重要意义．由于灌浆工程隐蔽且复杂,传统方法难以实现准确高效的灌浆量预测．代理模型是一种能够建立影响因素与响应值之间近似关系的快速求解方法,然而单一代理模型的预测稳定性和准确性较低,组合代理模型仅将单一模型结果进行加权平均,预测精度仍有待提高．为解决上述问题,本文提出一种ISSA-Stacking集成学习代理模型新方法用于灌浆量预测研究．首先,针对灌浆量预测具有数据量小、影响因素与灌浆量之间非线性关系复杂且预测不确定性较大等特性,基于Stacking集成学习策略,选取在小样本预测中表现优越的支持向量回归(SVR)、具有良好非线性拟合能力的BP神经网络(BPNN)和预测泛化性能及稳定性高的随机森林(RF)等算法作为基学习器,采用自适应学习和不确定性处理能力强的自适应神经模糊推理系统(ANFIS)作为元学习器以集成上述机器学习算法的优势,构建具有更优预测性能和泛化能力的Stacking集成学习方法作为代理模型;其次,为进一步提高模型预测精度,采用混沌理论和Lévy飞行策略改进的麻雀搜索算法(ISSA)对集成学习代理模型进行参数同步优化;最后,将所提ISSA-Sta...     

集成回归分析在基于色谱指纹的原油产能预测中的应用

运用色谱指纹技术对原油进行产能预测越来越得到油田等相关部门的重视.如何有效地建立原油色谱指纹与产能贡献的模型一直以来是基于色谱指纹的产能预测面临的问题.先前研究者提出的产能预测方法都是基于单一回归模型方法,但是单一的回归方法性能有限,近年来有关回归集成的理论的研究受到了极大的重视,是目前回归领域研究的前沿方向.另外广义可加模型是一种广泛使用的非线性回归模型,不仅适合于建立线性数据的模型,也适合建立非线性数据的模型.因此本文提出对广义可加模型进行集成的方法,使用集成广义可加模型来建立色谱指纹与产能贡献关系的模型.对原油产能预测的实验结果表明,本文提出的方法相对于以前的预测方法的性能有较大的提升,具有较好的预测效果,为解决石油产能预测问题提供了有效的途径.     

基于综合建模方法的铅锌烧结块成分预测

针对铅锌烧结过程异常复杂的实际情况,提出了一种既可保证预测精度又满足配料计算对数据完备性要求的铅锌烧结块成分预测智能集成模型.该模型综合了机理与多种智能建模方法的优点,对于正常生产情况(即数据完备区),通过模糊分类/组合以及神经网络NN分段描述方法建立了成分预测的监督式分布神经网络模型;对于异常或不常用工况(即数据不完备区),通过专家经验规则修正部分假定或统计参数方式建立经验机理模型;采用串、并联形式将2种模型有机结合,并通过专家推理进行集成协调与更新修正,形成智能集成模型,实现成分可靠、准确的在线预测.在实际生产中运用该模型,烧结块铅、锌成分预测的相对误差分别为1.51%和0.41%.     

基于改进神经网络的IaaS云资源需求预测方法

为保证基础设施即服务(IaaS)模式云环境中资源的有效分配与高效调度,提出了一种基于集成模型-优化神经网络的资源需求预测方法(EMONN).分析了用户偏好以及资源配置需求,根据需求变化采用阈值法确定波动期与平缓期,通过基本预测器集成模型实现不同时期、不同需求的预处理.预处理结果经过加权,与历史数据共同作为神经网络(NN)的训练数据,保证预测结果精度.为改善神经网络的学习率与稳定性,采用自适应学习率以及动量方法对神经网络进行优化.采用统计指标对系统有效性进行验证,结果表明所提方法可以精确有效实现用户需求预测.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.     

煤矿瓦斯涌出量预测的不确定性研究

根据瓦斯涌出量实际监测值是在某一区间内变化的实际情况,引入连续区间有序加权算子对区间数进行集结,并基于灰色预测建模思想给出一种不确定性煤矿瓦斯涌出量的预测模型。最后实例验证了该方法在煤矿瓦斯涌出量中的可行性和实用性。     

煤矿综合无线局域网WLAN的高效、可靠性设计

针对传统的煤矿信息网络存在功能分散、成本高、建设周期长、可靠性差等不足,提出了煤矿WLAN高效、可靠性设计的原则和一种基于IEEE802．11协议的煤矿综合无线局域网架构。该架构可在同一网络上实现数据、语音和视频等煤矿综合信息的传输和交换,有效降低网络建设成本,提高网络可靠性。该设计采用煤矿自动化信息网和通信网物理层相...     

新息与等维新息非等间距GM(1,1)模型及其应用

为了提高灰色理论中模型的预测精度,通过分析积分重构GM(1,1)模型,将积分获取背景值的方法应用到新息和等维新息模型中,并且将模型的适用范围从等间距进一步扩展到非等间距。通过实例比较了新息和等维新息模型,结果表明:新息模型将预测的新信息补充到原始序列,能很好的反映系统的发展;而等维新息模型随着系统的发展,不仅添加新信息,而且除去老信息,这样的处理方式比仅仅添加新信息的方式具有更好的预测效果;这些结论丰富了灰色系统的模型,为灰色理论的运用提供了一个有效的方法。     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。     

矿区地上下三维信息模型构建算法与系统开发

研究了地上三维场景模型与地下三维矿体模型的构建方法,提出了基于散点构网的地质实体充填算法模型.结合地理信息系统的建设方法,以辽宁某铁矿为原型,开发了其地上下三维可视化信息系统,实现了各类三维模型的创建、三维显示与浏览、空间属性查询、交互操作、测量与空间分析等功能.系统既实现了地上下三维模型的快速建立,又解决了以往三维模型中只能显示,不能查询、量测、编辑等问题,可以宏观地把握、微观地洞察矿区地上下整体地形地质特征和地理信息空间分布,更客观全面地表达矿山三维地理信息实体,可作为数字矿山、智能采矿的基础.     

基于富水性分布的矿井奥灰含水层涌水量动态预测

矿井涌水量数值预测的精度与虚拟疏放孔布设的位置与时间密切相关,为提高矿井涌水量预测的精度,以蔚州矿区某矿井为例,建立基于地理信息系统(geographic information system,GIS)多源信息的奥灰含水层富水性分区评价模型,并将该分区评价结果导入到涌水量数值模型当中,根据矿井工作面的采掘衔接计划,通过在强富水区分阶段布设虚拟疏放孔,从而预测出研究区涌水量的动态结果.实例应用表明:本文方法提高了矿井涌水量预测的精度与实用性,对有效制订矿井疏排水方案,保障矿井安全生产具有重要的理论指导意义和实用价值.     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型(Prophet)与长短期记忆循环神经网络(LSTM)预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法(PSO)求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MA...