基于GMDH与回归分析结合方法的飞行员脑力负荷预测研究

脑力负荷是人机系统中人的绩效的一个重要因素,对飞行员脑力负荷展开研究,为飞机驾驶舱设计及其仪表设备的符合性验证提供参考。通过实验得到生理测量、绩效测量、主观测量的各项指标。利用单因素方差分析法提取对飞行员脑力负荷的敏感指标,结果表明：注视频率、注视总时间、眨眼率、平均瞳孔直径变化率、NASA_TLX（NASA Task Load Index）、正确率的主效应显著（P<0.05）。本文采用GMDH（Group Method of Data Handling）与线性回归的结合方法,建立飞行员脑力负荷预测模型,并且得到模型拟合度为85.47%。因此,GMDH与线性回归的结合方法可以较好地预测飞行员脑力负荷。     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题，它对于保障系统的安全运行，并在此前提下实现能源的节约和生产的效益最大化真有非常重要的应用价值．本文以大孤山选矿厂的电能消耗为研究对象，首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。     

基于PSO-SVR模型的短期天然气负荷预测

针对天然气负荷影响因素选择困难,冗余因素会影响负荷预测的精度和速度,使用特征选择Relief算法对影响负荷值的因素进行筛选,去掉冗余影响因素,为准确地预测天然气负荷提供一定的数据基础;在进行负荷预测时,单一的支持向量回归(support vector regression, SVR)会陷入重要参数难以选取最优的情况,为了解决这一问题,提出一种基于特征选择上的粒子群算法(particle swarm optimization, PSO)优化SVR重要参数的组合模型PSO-SVR。所提出的算法首先使用特征选择选取影响因素,为负荷预测提供主要的数据支持;然后,设置SVR的3个关键参数的初始值,进行迭代得到最优的关键参数值;最后,将影响因素和负荷值输入PSO-SVR模型进行训练并预测。使用榆济管线的负荷数据进行预测并对比。结果表明：提出的算法比其他单一模型的预测精度高,能为天然气负荷预测的研究提供参考,为天然气公司购气量提供依据。     

基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

基于PSO-ELM模型的短期电力系统负荷预测

为了提高电力负荷预测的精确度、降低预测误差,提出了一种基于粒子群优化的极限学习机(PSO-ELM)模型。通过粒子群算法对极限学习机的参数进行寻优,最后通过PSO-ELM模型和传统ELM模型预测结果的相对误差比对,改进模型将相对误差降低在1%左右,提升了学习速率和预测精度,为电网运行和电力分配提供了决策保障。     

基于神经元网络的短期电力负荷预测

基于多层感知器可任意精度逼近线性或非线性函数的基本原理，提出一种考虑气候影响因素的多层前馈神经网络的短期负荷预测方法，并给出相应的反向传播算法（BP）的构造过程和训练方法，研究结果表明，基于神经元网络的短期电力负荷预测方法具有精度高的特点，负荷预测结果的相对误差小于3．67％。     

民机驾驶舱人机交互脑力负荷预测模型

针对民机驾驶舱人机交互中飞行员脑力负荷问题,设计不同难度的人机交互飞行实验任务,分析飞行作业过程中飞行员脑力负荷在评估指标上的变化.在此基础上,提出一种新的改进的多元线形回归方法,探索人机交互中飞行人员脑力负荷变化预测模型的构建方法.结果显示:飞行作业过程中脑力负荷在反应时间、正确率、NASA-TLX、SDNN 4个评估指标上变化显著;在RRI Count、Max RRI、Minimum RRI、Mean RRI、Max/Min 5个评估指标上变化不显著.改进的多元线形回归模型可对不同飞行难度下个体脑力负荷水平进行预测和等级划分,平均预测准确率为87.5％.提出的预测模型与实测数据吻合性较好,能够较准确地反映民机驾驶舱人机交互中飞行员脑力负荷变化特性,可为未来民机驾驶舱人机交互中工效学评价与优化设计提供依据.     

基于GRNN的电力系统短期负荷预测

提出了基于广义回归神经网络(GRNN)模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型,以此作为对GRNN进行训练的向量样本集.通过实例表明GRNN应用于电力系统短期负荷预测是可行并且有效的,其预报结果比多层前馈神经网络误差反向传播(BP)负荷预测方法更准确.     

基于遗传算法的人工神经网络负荷预测研究

针对BP神经网络的固有缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,改进了传统BP算法,并采用遗传算法设计和优化神经网络结构参数,在此基础上建立了基于遗传算法的人工神经网络负荷预测模型,预测仿真结果表明,本文所提出的方法在预测精度和收敛速度方面均得到了改进。     

基于EEG的乘员信息处理作业脑力负荷状态识别模型

脑力负荷状态的准确识别是装甲车辆乘员信息处理作业行为研究的关键技术,对提高人机系统的作战效能具有重要意义。针对乘员作业类型向信息处理作业转变的基本趋势,提出了融合小波包分解（WPD）和快速独立分量分析（FastICA）的脑电信号预处理方法,建立了反映脑力负荷状态的EEG信号特征空间,基于粒子群优化（PSO）算法和支持向量机（SVM）构建了乘员信息处理作业脑力负荷状态识别模型,并面向目标录入典型信息处理作业对识别模型进行了实例应用,旨在为解决乘员信息处理作业脑力负荷的准确识别探索新的途径。结果表明,该模型脑力负荷状态识别的平均正确率可达96%,可实现不同乘员脑力负荷的量化识别,具有良好的预测精度和可重用性。     

动态潮流模型在电网调度仿真系统中的应用

介绍了电网调度仿真系统中动态潮流计算模型的原理及算法,给出了潮流计算方法及相应算例,并得出了相关结论.     

基于RoF的高速铁路通信系统中动态信道预留算法的研究

在阐述RoF技术和RoF系统基本原理的基础上,介绍RoF系统在高速铁路通信系统中覆盖方案的应用.RoF系统在高速铁路通信系统覆盖方案中虽能有效减少切换次数,但不能保证每次切换请求的成功接入.针对这一问题,文章提出并详细介绍了动态信道预留切换算法,分析了该算法的数学模型,结果表明,该算法可以使越区切换阻塞率控制在标准指标以下,从而保证通信服务质量.     

基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

基于多声源模式的高速铁路噪声预测模型

基于多通道噪声振动实时采集与分析系统,利用平面传声器和高声强传声器对运行速度300km·h~(-1)以上的高速列车车体表面噪声源进行测试和分析.将高速列车声源等效为车底部线声源、车中部线声源和受电弓点声源.对列车通过时噪声测试数据进行理论计算,利用最小二乘法确定了高速列车以300km·h~(-1)速度在路堤线路上运行时3部分子声源的源强,由此建立了多声源模式下高速铁路噪声预测模型.将不同声源模式下的预测结果与实测结果进行对比,验证了该模型的有效性.该研究成果为我国制定高速铁路噪声预测标准提供了理论依据.     

基于小波峭度的土壤表层机油浓度预测方法应用

机油烃类物质对于农作物生长和土壤基质产生不可忽视的影响,造成的农作物减产甚至绝收等现象。为解决土壤表层中机油烃类污染物质浓度预测的问题,利用荧光诱导技术获得机油光谱曲线,提出以小波峭度作为量化参数进行土壤表层中污染油浓度预测的方法,以市面出售三种不同机油结合随机森林回归算法进行了比较分析。实验结果表明,选取小波峭度参数的随机森林对三种机油的浓度预测结果利用相关系数R_p和均方根偏差RMSD进行评价,对齿轮油、发动机油、摩托车机油的预测,分别提高了1.2%、2.2%、1.9%和14.9%、32.4%、16.8%;对三种机油随机选取30组样本,对其识别准确率分别提高了6.67%、6.66%、9.96%;同时也验证了小波峭度参数在多个回归模型中的预测精度均有提高,具有较高的预测性能。综上所述,这为土壤表层中其它烃类污染物浓度预测回归模型提供了一定的参考,为农业生产和土壤环境的可持续发展提供一种有效的检测手段。     

基于RLLE算法的脑力负荷分类研究

近年来,随着人工智能领域技术的不断发展,脑机接口(Brain-Computer Interface,BCI)吸引了更多学者的关注。实时监测高强度脑力工作者的脑力负荷水平并其任务做出动态调整是保护国家财产和操作人员安全的重要手段。研究表明由脑电图(Electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。传统的主成分分析（Principal Component Analysis,PCA）算法会损失部分非线性特征。局部线性嵌入（Locally Linear Embedding,LLE）是常用的非线性降维算法,但该算法对噪声的敏感性高,降维结果受参数影响较大。稳健局部线性嵌入算法RLLE（Robust Locally Linear Embedding）,在LLE优化权重矩阵时添加了正则项优化,不仅增强了模型的抗噪能力,也解决了解模型过程中可能会出现的矩阵病态和奇异性问题。该算法中的参数k在使用时经常选取较小的值以更好地捕捉数据集的局部结构,并大大减少了模型的计算时间。但脑电数据具有维数高,复杂度高的特点。选取小的k值不仅会导致模型对噪声异常敏感,也会使模型忽略重要的大邻域结构从而影响降维结果的准确性。本实验在使用该算法时,结合模型精度和计算时间选取了更合理的k值区间,使模型在保持高效的同时具有更强的抗干扰能力,并可以提供更全面的信息来描述数据集,使得嵌入结果更加准确。实验结果表明,经过RLLE降维后的数据使用支持向量机（Support Vector Machine, SVM）分类精度普遍高于经过PCA的降维方式,具有更强的抗干扰能力。     

基于聚类及优化集成神经网络的地铁车站空调负荷预测

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明：同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络（PSO-BPNN）和果蝇优化算法-神经网络（FOA-BPNN）预测的平均相对误差（MAPE）较单纯神经网络（BPNN）分别降低25.87%和40.08%,聚类-神经网络（Kmeans-BPNN）预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。     

基于改进灰色-马尔可夫模型的LTE-R越区切换算法

高速列车在越区切换过程中,由于路径损耗和地形等因素的影响,参考信号接收功率(reference signal receiving power, RSRP)会发生上下波动,采用基于A3事件的传统越区切换判决方法,会导致发生乒乓切换和切换成功率下降。文中提出基于改进灰色-马尔可夫模型的切换算法,改进灰色-马尔可夫模型对参考信号接收功率进行处理和预测,结合预承载方法,利用处理结果作为切换判决依据执行切换过程。仿真结果表明,采用改进切换算法,使列车接收到的源小区和目标小区RSRP值的波动情况得到明显改善,乒乓切换概率更低,切换成功率得以有效提高。     

基于改进鲸鱼优化算法的GBDT回归预测模型

针对梯度提升决策树（gradient boosting decision tree, GBDT）参数难以选择的问题, 提出一种基于改进鲸鱼优化算法（improved whale optimization algorithm, IWOA）的GBDT回归预测算法. 首先, 提出一种改进的鲸鱼优化算法, 利用混沌映射初始化种群提高种群多样性, 引入惯性权重与差分进化算法中的变异交叉策略解决迭代后期易陷入局部最优的问题； 其次, 利用IWOA对GBDT的关键参数寻优, 避免参数选择的盲目性, 提高回归预测模型的泛化能力； 最后, 建立IWOA-GBDT回归预测模型, 并利用UCI数据集对模型进行验证. 实验结果表明, 相比于决策树、 支持向量机、 Adaboost和GBDT算法, 该模型算法具有更好的拟合效果, 并有一定的实用价值.