基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition, ESMD)-分散熵(dispersion entropy, DE)和改进乌鸦搜索算法(improved crow search algorithm, ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine, KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。     

改进的层次分析法在煤与瓦斯突出危险等级预测中的应用

为了更合理地确定影响煤与瓦斯突出因素的权重,在层次分析法判断矩阵的构造上,论文主要用三标度法对传统的九标度法进行改进。利用改进的层次分析法确定影响煤与瓦斯突出各因素的权重,用隶属度构造了单因素模糊判别矩阵,用模糊综合评判建立了预测煤与瓦斯突出的多种模型,并且进行了二级模糊综合评判。将改进的层次分析法和二级模糊综合评判结合起来应用于煤与瓦斯突出危险等级预测中。对神仙坡等煤矿的多个工作面进行了煤与瓦斯突出危险等级预测。结果表明,利用改进的层次分析法——二级模糊综合评判预测煤与瓦斯突出等级是合理可行的,可以较准确地进行等级预测。     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

基于乌鸦搜索算法的新型特征选择算法

基于元启发式算法--乌鸦搜索算法（CrSA）, 提出一种改进的基于乌鸦搜索算法的特征选择算法（IFSCrSA）, 以解决目前特征选择问题中存在的不足. 通过与传统的机器学习特征选择算法和基于进化计算的特征选择算法进行比较, 结果表明, IFSCrSA能在数据集中选择辨识度较强的特征, 不仅大幅度降低了特征子集的规模, 而且提高了分类准确率.     

改进乌鸦算法的二维Tsallis熵多阈值图像分割算法

针对二维Tsallis熵在多阈值图像分割算法中计算量大、计算时间长等问题,提出一种基于改进乌鸦搜索的二维Tsallis熵多阈值图像分割算法。在乌鸦位置更新过程中引入Levy飞行机制,提高全局寻优能力;根据迭代次数自适应调整尺度系数,限制Levy飞行的搜索范围,加快算法收敛速度;将改进乌鸦搜索算法与二维Tsallis熵结合,减少计算时间、提高分割精度。以经典伯克利分割数据库中的图像为例进行分割实验,结果表明,与其他经典算法相比,改进乌鸦搜索算法分割图像收敛速度快、计算时间短、分割准确度更高。     

基于核极限学习机与容积卡尔曼滤波融合的锂电池荷电状态估计

为了提高锂电池荷电状态（SOC）估计精度，在容积卡尔曼滤波（CKF）算法中引入误差补偿机制，提出一种核极限学习机（KELM）和CKF相融合的估计方法.通过递归最小二乘法（RLS）动态跟踪等效电路模型的参数，由CKF算法得到SOC的初步估计值；以锂电池的工作电压、电流、CKF算法的残差均值和方差作为输入，初步估计值与真实值的偏差作为输出，采用KELM算法，在联邦城市驾驶工况（FUDS）下进行训练，得到CKF算法估计误差的预测模型；利用KELM预测模型的回归预测能力对初步估计值进行误差补偿，从而达到降低估计误差的目的.为了验证所提方法的有效性和先进性，采用Arbin电池测试平台的实验数据进行仿真分析，结果表明在多种工况下所提方法均具有更高的估计精度、更强的泛化性和鲁棒性.     

基于广义回归神经网络的煤矿带式输送机模型预测控制

针对煤矿井下运输系统能耗大、生产成本高等问题，提出基于广义回归神经网络（GRNN）的带式输送机模型预测控制（MPC）策略。引入动态自适应权重和莱维飞行策略改进天牛须算法（BAS），并采用改进的天牛须算法对广义回归神经网络进行超参数寻优。建立了带式运输机模型，采用模型预测控制策略对带式输送机的运行进行优化与控制；优化过程采用了基于分时电价的控制策略。实验结果表明：与带式输送机传统的运行方式相比，所提出的控制策略不仅可以减少能源消耗，而且可以有效降低运行成本。     

基于模糊综合评判理论的瓦斯突出危险性预测

针对影响矿井瓦斯突出的地质条件、瓦斯压力、埋藏深度、煤的坚固系数等因素的不确定性、模糊性特点,为了准确预测未开采水平矿井瓦斯突出的趋势和危险性,利用模糊综合评判理论进行分析、研究,建立了一级模糊综合评判模型。并应用该模型对大兴矿7～2#煤层的瓦斯突出等级作出预测。验算结果表明,此方法具有较高的可靠性和实用性。     

改进层次分析法的煤与瓦斯突出预测

为准确预测煤与瓦斯突出的危险等级,采用三元标度分析法对传统的层次分析法进行改进,简化了对各影响因素进行权重分析的过程,运用模糊数学和隶属度函数的相关理论分析所得的权重向量,经过推导可以得出煤与瓦斯突出等级的综合分析结果,运用二级评判的方法对初级结果进行修正,实现对煤与瓦斯突出危险等级的精确预测.研究结果表明:相比于过去传统的层次分析法,这种改进的层次分析法可以更加快速准确地预测结果.     

融合多策略改进的自适应乌鸦搜索算法

针对乌鸦搜索算法存在收敛精度低,寻优速度慢,位置更新存在盲目性等缺陷,提出了一种融合多策略改进的自适应乌鸦搜索算法(Adaptive Crow Search Algorithm with Multiple Strategy Improvements, ACSA)。首先,通过引入一种记忆遗忘机制,不仅提高了算法的收敛速度和精度,而且能够保持种群的多样性。当个体乌鸦发现存在跟随者时,引入了黄金正弦算法进行位置更新,克服了位置更新存在盲目性的不足,从而提高了算法的收敛精度。同时改进了自适应感知概率和飞行步长,以此提高算法的寻优速度和精度。将本算法运用于13个基准测试函数和三杆桁架的设计问题,并同其他的算法进行试验对比,并将实验结果进行Wilcoxon秩和检验以及Friedman检验。实验结果表明,改进后的算法在函数优化以及三杆桁架的工程优化问题上,均能够较好地寻优求解,算法的求解精度和收敛速度均得到了一定的提升。     

煤与瓦斯突出预测层次分析-模糊综合评判方法

将层次分析和模糊综合评判方法结合起来应用于煤与瓦斯突出预测研究中.运用层次分析法确定了煤与瓦斯突出各影响因素权重系数,采用隶属函数构造了单因素判别矩阵,并运用模糊综合评判法建立了煤与瓦斯突出预测模型. 对平顶山研究区典型工作面进行了瓦斯突出危险性的定量预测和突出等级划分.结果表明,应用层次分析-模糊综合评判方法预测煤与瓦斯突出强度是可行的.     

基于改进自适应乌鸦搜索算法的无源定位

为解决利用时差(time difference of arrival,TDOA)信息无源定位计算困难的问题,引入乌鸦搜索算法(crow search algorith,CSA),针对该算法易陷入局部极值,提出一种改进自适应乌鸦搜索算法(adaptive crow search algo-rithm,ACSA).综合考虑...     

煤与瓦斯突出missForest-EGWO-SVM预测模型

针对煤与瓦斯突出预测的数据不完整或缺失问题,提出一种基于miss Forest-EGWO-SVM的煤与瓦斯突出预测模型.以淮南地区的实测数据作为研究样本,采用missForest算法对样本数据进行缺失值填补;为解决SVM算法性能受参数影响大的问题,利用高效灰狼算法(EGWO)对SVM进行参数寻优;完善后的数据集作为EGWO-SVM模型的输入进行实验,与其他模型对比.研究结果表明:采用missForest填补缺失数据,提高了模型的突出事故预测率,EGWO-SVM模型能够有效避免GWO在后期搜索中陷入局部最优,进一步提高了SVM的预测精度.研究结论为缺失数据情况下煤与瓦斯突出预测提供了一种途径.     

用于SOM神经网络语音识别的自适应局部搜索算法

采用一种基于自组织特征映射（ＳＯＭ）神经网络和隐马尔柯夫模型（ＨＭＭ）法结合的语音识别方法．根据语音信号的相关性，提出了一种自适应局部搜索算法．结果表明，该算法相对于全搜索算法而言，计算量小而又不降低识别率     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

基于改进蚁群算法的移动机器人路径规划

针对传统蚁群算法在移动机器人最短路径规划方面存在的不足，如算法前期盲目性搜索、收敛速度慢、消耗时间长及转弯次数多，提出了一种改进的蚁群算法。该算法根据正态分布模型，将栅格环境划分不同区域，进行信息素差异化处理，减少蚂蚁初期搜索时间；同时基于A^*搜索算法的估价函数思想改进启发函数，引入自适应启发信息因子，增强其目标导向性，提高算法收敛速度，平衡算法全局搜索能力。仿真结果表明，改进的蚁群算法能够规划出收敛速度较快、转弯次数较少以及平滑度更高的路径。     

基于改进乌鸦搜索算法的无人艇新型路径规划策略

鉴于无人艇的实际航行需求,所规划的路径应满足顺滑性和经济性要求,为此提出一种基于改进乌鸦搜索算法和新型路径拟合方法的路径规划策略。文中提出一种新型路径拟合方法,用于优化转向点的数量并对转向点进行圆弧过渡处理,从而缩短路径长度,并保证无人艇在航速稳定的情况下实现转向,在此基础上提出一种改进的乌鸦搜索算法,用于优化路径转向点的位置。算法的改进主要体现在3个方面：采用反向学习策略以提高初始种群质量及多样性;提出一种动态变化的意识概率以提高算法局部和全局的搜索能力;采用莱维飞行策略以改善搜索的方向性和有效性。仿真结果表明,所提出的新型路径拟合方法优于B样条曲线拟合方法和直线段拟合方法。迭代计算和方差分析结果表明：在优化新型拟合路径方面,所提出的改进乌鸦搜索算法相较于标准乌鸦搜索算法、差分进化算法和遗传算法具有更高的收敛精度和鲁棒性,能更高效地处理无人艇路径规划的实际问题。     

基于CRITIC法与可变模糊集的煤与瓦斯突出预测

针对煤与瓦斯突出评价的模糊不确定性问题,提出基于CRITIC法的可变模糊集预测方法,以此提高煤层突出危险程度预测的准确率。模型选取突出矿井防突工作中常用的6项判定指标作为煤与瓦斯突出评价指标,并确定了煤层突出危险程度分级标准;采用CRITIC法计算评价指标权重,引入可变模糊集理论合理确定评价指标对各级别的相对隶属度,建立煤层突出危险程度可变模糊集预测模型,依据危险等级特征值判断评价对象的隶属类别。实例应用表明,该方法较好地考虑了模型参数的可变性,准确地预测了煤层突出危险程度,评判结果更为可信,为煤岩动力灾害的准确预测提供理论指导。     

基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断

针对光纤陀螺输出信号噪声成分复杂、故障特征难以提取的问题,提出一种基于改进麻雀搜索算法与支持向量机的光纤陀螺故障诊断方法.首先,对光纤陀螺正常信号和故障信号进行3层小波包分解以提取特征向量;其次,通过引入改进Logistic混沌映射和自适应t分布策略,加入边界探索和警戒解除机制,改进麻雀搜索算法并用于支持向量机参数寻优;最后,建立支持向量机模型进行光纤陀螺故障的识别和诊断.经实例分析,提出的方法可有效用于光纤陀螺故障诊断,与麻雀搜索算法、灰狼优化算法、粒子群算法、遗传算法和天牛须算法对比,可有效提高光纤陀螺故障诊断准确率.