基于ANFIS非线性观测器的连续小波变换故障检测

提出一种把信号分析和数学模型相结合的故障检测方法,通过小波变换对信号的去噪和自适应神经模糊推理系统(ANFIS)具有的离线学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差,并对残差序列进行MexicanHat小波变换,通过对极值点的逻辑判决,准确检测出故障的发生·该方法具有灵敏度高、克服噪声能力强的特点·仿真结果验证了这一方法的有效性·     

采用时间度量的半监督链接预测方法

提出了一种采用时间特征的半监督链接预测方法.该方法将链接预测问题视为机器学习中的二类分类问题.针对网络稀疏的问题,方法使用了半监督学习技术,利用网络中大量未连接的节点对辅助已连接节点对进行训练.针对网络中链接动态出现的问题,方法添加了若干时间特征来描述节点对.在现实数据集DBLP和Enron中的实验表明,该方法与未采用时间特征或者未使用半监督技术的链接预测方法相比,均具有更高的预测准确率.     

响应曲面法预测铣削力模型及影响因素的分析

通过统计学中的响应曲面法建立了螺旋铣削过程中切削力的二阶模型,并分析了主轴转速、每齿进给量、轴向和径向切削深度等因素对切削力的影响。将主轴回转一个周期时的切削力波形分成几个区间,建立不同切削条件下切削力区间端点的切削力模型,预测一定切削参数范围内任意切削条件下的切削力区间端点值,将各端点的连线用傅里叶级数表示,可得到周期性的切削力波形,该模型的置信度为95％,预测结果和实验测得的数据十分吻合,对实际生产加工中切削参数的优化选取具有一定的指导作用。     

用深度学习挖掘油田开发指标预测模型的知识

油田开发指标变化特征被当作油田开发规划、油田开采状况评价、油田开发方案设计与调整及油田开发风险预测预警等决策管理问题的重要依据。针对至今没有很好解决的建立智慧油田的瓶颈问题之一——油田开发指标智能预测系统的选择预测方法和模型的知识挖掘问题,基于油田开发的海量数据,利用深度学习的卷积神经网络和循环神经网络,提取反映油田开发动态特征和知识。在此基础上,结合已建立的油田开发指标预测的模型库及知识库,利用深度学习的实体和关系的联合提取方法,提出通过油田开发输入信息、油田开发动态特征指标、油田开发指标预测的模型库和知识库挖掘选择油田开发指标最佳预测模型的知识方法。概念设计的模拟实例表明,提出的知识挖掘流程可实现只要输入油田开发的相关信息,就能自主获得恰当的油田开发指标预测模型。     

Adaptive Hammerstein Predistorter Using the Recursive Prediction Error Method

The digital baseband predistorter is an effective technique to compensate for the nonlinearity of power amplifiers （PAs） with memory effects. However, most available adaptive predistorters based on direct learning architectures suffer from slow convergence speeds. In this paper, the recursive prediction error method is used to construct an adaptive Hammerstein predistorter based on the direct learning architecture, which is used to linearize the Wiener PA model. The effectiveness of the scheme is demonstrated on a digital video broadcasting-terrestrial system. Simulation results show that the predistorter outperforms previous predistorters based on direct learning architectures in terms of convergence speed and linearization. A similar algorithm can be applied to estimate the Wiener PA model, which will achieve high model accuracy.     

一种利用线性预测残差的语音去噪方法

提出了一种利用线性预测残差去除语音中加性白噪声的方法 .含噪语音经过线性预测分析后 ,所得的线性预测残差可分为与语音相关的语音残差部分和与噪声相关的噪声残差部分 .当噪声为白噪声时 ,噪声残差能量与噪声能量的比值大于语音残差能量与语音能量的比值 ,并且随着含噪语音信噪比的增大 ,两者数值上的差距越来越大 .因此 ,从含噪语音中按一定比例 λ(0 <λ<1 )减去预测残差 ,即可抑制噪声残差能量 .这实际上抑制了含噪语音中的噪声能量 ,提高了其信噪比 ,从而达到在一定程度上去噪的目的 .同时 ,这样处理造成的语音能量损失是有限的 .特别是 ,上述方法中对语音成分的操作仅仅在预测残差内进行 ,对语音的共振峰影响很小 ,因而能够较好地保留语音信号的频谱结构 ,使语音品质不致降低 .实验结果表明 ,该方法简便而有效     

基于平滑指数法的我国铜材产量预测

铜是用途广泛且较为贵重和稀缺的有色金属.科学预测我国铜材产量,是制定行业发展规划的基础,对指导企业有序、有效生产经营,保持我国促进我国铜产业健康发展具有重要的现实意义.平滑指数法是时间序列预测常用的方法,预测值是以前观测值的加权和,且对不同的数据给予不同的权数,新数据给予较大的权数,旧数据给予较小的权数.运用三次平滑指数法预测我国铜材产量,取得了理想的效果,平均预测仅为1.658 8%.由模型预测得到2017年6月我国铜材产量为178.356万t.     

改进的分子连接性和拓扑指数方法预测硫醚的气相色谱保留指数

在分子拓扑理论基础上，定义原子结构参数αi和βi，由αi建构连接性指数^mL，由βi建构拓扑指数B。研究硫醚在不同极性固定相上的气相色谱保留指数与结构的相关性，建立相应的定量模型，预测了硫醚在4种极性固定相上的气相色谱保留指数，各样本总体所建模型的相关系数均在0．97以上。对硫醚保留指数的计算结果表明，计算值与实验值较为吻合。该法还具有计算简单，物理意义明确等优点．     

基于机器学习算法的盾构掘进地表沉降预测方法

针对有限元、地层损失率等方法难以考虑多参数耦合作用情况下的地表沉降预测的问题,基于BP神经网络(BPNN)和随机森林算法(RF)两种机器学习算法的多参数、非线性拟合能力,提出了预测盾构掘进过程中地表最大沉降以及纵向沉降曲线的预测方法.通过粒子群算法(PSO)确定机器学习算法的最优超参数,通过k折交叉验证方法提高预测方法的鲁棒性.结果表明BP神经网络的预测结果误差较大,难以预测到较大的地表沉降,随机森林算法能够准确预测地表最大沉降和纵向沉降曲线.     

深水浊积砂岩油田含水变化规律精细预测方法

受复杂储层特征影响,深水浊积砂岩油田单井动态规律预测难度大,实现单井含水变化规律的精细预测对目标油田而言具有重要意义。以西非尼日尔三角洲盆地Akpo油田为研究对象,根据该油田储层构型的研究成果,综合考虑沉积相、注采井间的砂体连通性及储层非均质性等影响因素,形成一套基于储层特征的生产井含水变化模式划分方法;并通过油藏工程与动态分析相结合的方法,建立一套基于储层特征的单井全周期含水变化规律预测方法;通过分析不同含水变化模式下生产井各阶段的主要矛盾,提出有针对性的优化调整策略;并进一步论证该方法在其他油田中的适用性。结果表明,（1）深水浊积砂岩油田储层构型复杂,储层特征是影响含水变化规律的关键因素;（2）深水浊积砂岩油田单井动态规律差异明显,生产决策必须有针对性;（3）所建立方法首次将深水浊积砂岩油田复杂的储层特征与多样化的单井生产动态规律结合起来,预测结果精度高;（4）研究思路与流程对深水浊积油田具有普遍的适用性。