硫化矿石堆自热的混沌特征

为揭示硫化矿石堆非稳态自热过程的混沌特征,以某硫铁矿矿石样品为实验材料,应用自主设计的实验装置,室内模拟矿石堆非稳态自热过程。通过小波变换、三维相图分析、功率谱分析和最大Lyapunov指数计算,对表征矿石堆自热过程的温度序列进行研究。研究结果表明:硫化矿石堆自热是一个混沌演化过程;随着深度增大,矿石堆混沌程度呈先增大后减小的趋势;最大Lyapunov指数与平均升温率呈正相关性,可基于最大Lyapunov指数对矿石堆不同区域的自燃倾向性进行评价。     

硫化矿石堆动态自热过程模拟

为揭示采场硫化矿石堆氧化过程中的自热特性,以从某硫铁矿采集的矿石样品作为实验材料,应用自主设计的实验装置,室内模拟硫化矿石堆动态自热过程.实验结果表明:矿石堆温度与时间的关系符合指数曲线模型特征,利用该模型可对矿石堆温度进行初步预测;矿石堆温度离散趋势包括相对平稳、离散增大和离散减小3个阶段;在离散增大阶段,局部区域矿石产生明显自热;随着深度的增大,平均升温率呈现先增大后减小的趋势,矿石堆内存在一定厚度的自热层;矿石堆对环境温度变化的响应存在空间差异,其中浅层区域响应快,响应效果明显,深层区域响应慢,但其响应持续时间更长.     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

硫化矿石堆自燃早期指标优选及预测方法

为研究硫化矿石自燃早期的氧化自热发展状况与规律,并寻求最优识别指标,对具有自燃倾向性的硫化矿石进行堆矿试验.试验结果表明,在矿石氧化自热的孕育期、发展期和邻近自燃期-氧浓度会有所减少,总体在17%～18%间波动,不能识别氧化所处的阶段:只有在临近自燃期才能测出SO2,同样不能作为自燃早期的征兆;矿堆温度的变化,明显反映了矿石堆氧化、自热至自燃这一过程,适宜作为早期预测矿石自燃的指标.应用指数曲线法建立了预测硫化矿石堆温度的数学模型.计算结果表明,预测模型准确、直观地反映了硫化矿石氧化自热的孕育期、发展期和邻近自燃期3个阶段,对矿石堆自燃火灾的早期预防有重要的理论价值和实践意义.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于线性与非线性模型的海杂波预测

为对海杂波进行准确预测,根据海杂波具有的非线性不确定性,应用线性和非线性预测理论建立预测模型.针对logistic混沌映射信号和IPIX实际海杂波数据背景下的弱目标,分别采取基于自回归(AR)的线性模型、基于径向基神经网络(RBF)和Volterra级数滤波器的非线性模型进行预测.实验结果表明:非线性预测模型更适合于混沌背景下,因其目标和杂波的预测误差相差较大,可采取非线性预测并设置门限的方法进行目标检测;对于IPIX雷达数据,其混沌特性较logistic弱,目标和杂波的预测结果相差不大,可采用似然比检测方法.     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

关于Li-Yorke δ-混沌与按序列分布δ-混沌的等价性

关注Li-Yorke混沌和按序列分布混沌的关系,指出全体按序列Q分布δ-攀援偶对构成的集合为乘积空间中的一个Gδ集.证明了: (1)Li-Yorke δ-混沌等价于按序列分布δ-混沌; (2)一致混乱集是按某序列分布攀援集; (3)一类传递系统蕴含了按序列分布混沌.     

强一致收敛下的Li-Yorke混沌和分布混沌

【目的】研究混沌中序列映射与极限映射的关系。【方法】在超空间上,引入强一致收敛、Li-Yorke混沌、Li-Yorke-δ混沌和分布混沌的定义,然后利用强一致收敛的定义去讨论 Li-Yorke混沌、Li-Yorke-δ 混沌和分布混沌中的序列映射与极限映射的关系。【结果】若超空间上的序列映射是 Li-Yorke混沌(Li-Yorke-δ 混沌、分布混沌)且 Li-Yorke混沌集(δ 混沌集、分布混沌集)的所有交是不可数集,那么超空间上的极限映射就为 Li-Yorke混沌(Li-Yorke-δ 混沌、分布混沌);若超空间上的序列映射是Li-Yorke混沌且满足两个条件,则超空间上的极限映射是 Li-Yorke-δ 混沌。【结论】在超空间上,强一致收敛的条件下,序列映射上的混沌与极映射上的混沌具有保持性。
     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

0-1混沌测试算法中振幅对混沌序列的影响

0-1混沌测试法是根据线性增长率K(c)值是否趋近于1或0来判断离散数据混沌性的新方法。选取Verhulst种群模型生成的3类时间序列(弱混沌、完全混沌、4-周期)为研究对象,验证了0-1测试法的有效性,对0-1测试算法中振幅α作了进一步探讨。结果表明:弱混沌序列K(c)值对振幅α最敏感,其次分别是强混沌序列和周期序列,K(c)值随振幅α变化的快慢可以反映序列的混沌程度。     

强一致收敛下的Li-Yorke混沌和分布混沌

【目的】研究混沌中序列映射与极限映射的关系。【方法】在超空间上,引入强一致收敛、Li-Yorke混沌、Li-Yorke-δ混沌和分布混沌的定义,然后利用强一致收敛的定义去讨论Li-Yorke混沌、Li-Yorke-δ混沌和分布混沌中的序列映射与极限映射的关系。【结果】若超空间上的序列映射是Li-Yorke混沌(Li-Yorke-δ混沌、分布混沌)且Li-Yorke混沌集(δ混沌集、分布混沌集)的所有交是不可数集,那么超空间上的极限映射就为Li-Yorke混沌(Li-Yorke-δ混沌、分布混沌);若超空间上的序列映射是Li-Yorke混沌且满足两个条件,则超空间上的极限映射是Li-Yorke-δ混沌。【结论】在超空间上,强一致收敛的条件下,序列映射上的混沌与极映射上的混沌具有保持性。     

基于未确知测度理论的硫化矿石爆堆自燃危险性评价

运用未确知测度理论,建立采场硫化矿石爆堆的自燃危险性评价模型.选取采场硫化矿石的氧化增重率、水溶性铁离子含量、矿堆中水溶液pH、矿石的含水量、矿物成分的ST值、矿石的自热幅度、矿石的着火点、矿石损失率、矿岩的环境温度、矿石堆的体积共12项指标作为未确知测度模型的判别指标;根据实测数据建立各指标的未确知测度函数,并利用信息熵理论获得各判别指标的权重,依照置信度识别准则进行等级判定,最后得出采场矿石爆堆的自燃危险性评价结果.用该方法对国内4座典型硫化矿山的采场矿石爆堆自燃危险性进行评价,评价结果与矿山实际情况完全相符.因此,这种新方法能够应用到硫化矿山开采时的采场矿石爆堆自燃危险性评价当中,并能解决采场矿石爆堆自燃危险性评价中的诸多因素不确定性问题,对其进行定量评价.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

改进强度统计算法及混沌序列复杂度分析

在原强度统计算法的基础上,增加了一个条件判断和一个加权值,设计了一种改进的强度统计算法.以超混沌Lorenz系统为例,利用该改进强度统计算法,对超混沌Lorenz系统产生的超混沌、混沌、周期序列的复杂度进行了分析,其结果表明超混沌序列的复杂度大于混沌序列,混沌序列的复杂度大于周期序列.最后,利用该改进强度统计算法对多个混沌和超混沌系统的复杂度进行了分析,得到了相同的结果,验证了该改进强度统计算法的有效性.     

基于0-1测试法的Verhulst种群序列混沌识别

0-1测试法是通过离散数据转化变量的线性增长率K(c)的输出值是否趋近于1或0来判断离散序列是否具有混沌特性的新方法.以经典Verhulst种群模型生成的3组时间序列(弱混沌、完全混沌、3-周期)为研究对象,对不同的增长因子!和数据长度N进行序列模拟,验证0-1测试方法的有效性和抗噪性.结果显示:0-1测试法能有效识别Verhulst序列的混沌特征,其中弱混沌序列K(c)值随数据长度的增加不断增大到0.700 3,完全混沌序列的K(c)值趋于1,3-周期序列K(c)值趋于0;进一步对3种序列添加正态白噪声(噪声比=5%),添加后对应K(c)值的变化不大,说明低强度噪声并不能影响其序列具有的内在非线性特性,即0-1测试法具有一定的抗噪性.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

一种基于衰减系数的混沌时间序列预测法

为提高加权一阶局域模型的预测精度,提出一种改进型混沌时间序列预测方法.该方法用衰减系数和时间延迟修正向量距离公式,调节邻近点与中心点的相关性,同时,只用邻近点中与预测值相关性最大的分量进行线性拟合.利用该方法对Henon混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测混沌时间序...