基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

基于自适应MCMC采样的新型UPFNN铝电解能耗模型

针对铝电解过程中噪声密集、分布类型未知且参数特征高维而导致建模精度不佳的问题,提出一种基于自适应MCMC采样的新型无迹粒子滤波神经网络(AMCMC-UPFNN)建模方法.该方法首先利用无迹变换(UT)中κ参数的平方项代替UPFNN算法中对应的常规项,避免因维数过高而导致UT矩阵出现非正定情况,保证UPFNN中Sigma点采样的合理性;然后,在传统MCMC方法基础上引入自适应采样策略来保持粒子的多样性,使所建立概率密度分布更接近真实分布;最后,与相关建模方法开展铝电解工业应用验证实验.结果表明,AMCMC-UPFNN模型预测精度的相对误差百分比不超过1%,取得了比PFNN、UPFNN和MCMC-UPFNN更优的性能指标.     

基于函数型进化算子的铝电解多目标优化

本文针对铝电解工艺制造系统难以卓有成效地提升电流效率、降低直流能耗的多目标优化问题, 提出了基于函数型进化算子的NSGA-II算法. 该方法在系统稳定运转基础上求出满足铝电解增效减耗需求的Pareto非劣解集合;利用拥挤熵排序更新种群, 准确预算各级前沿解集分布;引入算术交叉并构造新型α函数交叉算子, 减少破坏优秀解集的可能性;再根据高斯柯西变异特性产生与迭代次数相关的扰动, 扩大搜索范围和精度;最后使用标准测试函数检测算法性能并用三种对比算法求解铝电解实例. 实验结果显示, 本文所提算法能获得分布均匀的Pareto最优解集, 利于铝电解工厂参考决策, 实现提效减耗的目的.