上游边坡系数对折线型实用堰流量系数的影响

为系统地分析无侧收缩折线型实用堰(简称折线堰)上游边坡系数对自由堰流流量系数的影响规律,采用VOF(volume of fluid method)方法和RNG k-ε紊流模型对下游边坡直立、上游边坡系数依次为0、0.3、0.5、0.8、1.0、1.5和2.0的7个折线堰模型进行数值模拟。数值模拟结果表明,随着堰顶总水头的增加,水面线曲率减小,流量系数增大,同时上游边坡系数对流量系数的影响逐渐减小。采用多元非线性回归方法建立了含有上游边坡系数的折线堰流量系数计算公式,该公式在堰顶总水头一定时,流量系数随着上游边坡系数先增大后减小。     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

考虑颗粒组成的堰塞体溃口峰值流量快速预测模型

堰塞体的溃决洪水会给下游人民生命财产带来重大的威胁，快速、准确地预测溃口峰值流量，对科学评估堰塞体溃决致灾后果和应急响应具有重要意义.国内外学者基于堰塞体溃决案例调查资料，采用回归分析方法，提出了一系列预测堰塞体溃口峰值流量的参数模型，但已有的模型均未考虑堰塞体颗粒组成对溃口峰值流量的影响.基于国内外86座堰塞体案例的颗粒级配曲线，分析了3种不同类型堰塞体(土质型、混合型、块石型)的颗粒组分特性，并提出了堰塞体类型的定量划分指标.基于国内外已开展的模型试验结果及具有实测数据的堰塞体溃决案例，通过分析不同堰塞体类型、堰塞体形态、堰塞湖体积与溃口峰值流量之间的关系，选择堰塞体高度、宽度、溃决时的堰塞湖体积以及自定义的考虑颗粒组成的冲蚀因子等4个参数，采用多元回归分析方法，建立了堰塞体溃口峰值流量的快速预测模型.选取近年来发生的5座堰塞体溃决案例，对提出的模型进行验证，并与国内外已有的典型参数模型进行对比，计算结果表明，提出的参数模型计算溃口峰值流量的相对误差均在±20%以内，与其他模型相比具有一定的优势，验证了该模型的准确性.     

堰塞坝溃口及洪峰参数模型评估与优化

由滑坡等失稳地质体快速堆积并堵塞河道形成的堰塞坝溃决后会对下游人民生命财产安全造成极大威胁。建立快速准确的溃决参数预测模型，是制定有效防灾减灾措施的必要条件。本文收集了75例包含坝高、库容、溃口峰值流量、坝体冲蚀系数等参数的堰塞坝案例，基于均方根误差、回归相关系数、百分比偏差三个指标对具有代表性的土石坝和堰塞坝参数模型进行评估。通过回归分析建立新的堰塞坝溃口深度预测模型及溃口峰值流量预测模型，将新建模型与现有模型对比，在实际案例中验证了模型的适用性。研究结果表明：现有模型中单参数、双参数及土石坝模型对于堰塞坝溃决参数预测效果不佳，考虑坝体易蚀性的参数模型具有较高准确性，本文所建新模型预测效果有所提升，使用范围更广，预测结果可为堰塞坝的防灾减灾措施提供参考。     

基于贝叶斯推理的LS-SVM矿产资源定量预测

针对矿产资源定量预测过程中最小二乘支持向量机(LS-SVM)的参数选择具有主观性和随意性,提出了一种与贝叶斯推理相结合的LS-SVM资源定量预测方法,并将其与证据权法(Wof E)进行了对比.在训练过程中采用贝叶斯推理方法对LS-SVM的参数选择进行优化,进而构建矿产资源定量预测优化模型.研究表明,该方法不但克服了参数选择的局限性,而且以后验概率形式输出预测结果,从而可提高预测精度.     

基于L-M梯度迭代算法的煤质发热量预测模型

选取150家火电企业的煤质检测数据，通过分析泛在煤质化验数据信息，构建L-M算法下的煤质发热量的预测模型。实验结果表明：(1)煤质化验数据中仅碳(C_d)、灰分(A_ad)与发热量(Q_gr,ad)的线性关系较为显著，相关系数R²为0.8768和0.6880;(2)主成分分析法挖掘出影响煤质发热量的主成分特征值、特征矩阵及得分，实现了由六维矩阵降至四维矩阵的降维效果，增强了神经网络在训练过程中收敛的稳定性；(3)基于L-M算法下，改进的BP神经网络预测模型(LMBP)的训练集系数R_t、验证集系数R_a和测试集系数R_m分别为0.9957、0.9942和0.9963，总体系数为0.9931，同时通过待测20组数据进一步验证了LMBP预测模型可靠，预测精度较高，更符合实际预测需求。     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

基于遗传算法的SVM-AR改进模型与应用

为提升河流流量的预测精度,将支持向量机与AR进行耦合,并构造三核混合核函数的流量预测支持向量机模型。以渭河流域的月径流量为例,首先,通过时间序列分析,将渭河流域的径流序列划分为趋势序列、季节序列和随机波动序列,然后利用AR模型构造适用于支持向量机算法的数据集,并将数据集按4∶1划分为训练集和检验集;其次,利用线性组合构造由多项式核函数、径向基核函数与Sigmoid核函数构成的三核混合核函数,在训练集上,采用遗传算法确定相关参数,随后在检验集上进行预测。结果表明:遗传算法确定参数会带来较大的不确定性,导致结果差异较大,从而着重讨论遗传算法带来的参数不确定性;通过函数构造与统计分析,给出三核混合核函数参数选择的一般性方法与流程,并进行验证,该参数选取方法能够降低遗传算法的不确定性,得到精度较高的流量预测结果,预测流量与实际流量的均方误差从150左右降低到130左右。     

基于LS-SVM的变采样周期系统控制

针对变采样周期系统的控制,提出基于在线最小二乘支持向量机(LS-SVM)的预测控制方法.在LS-SVM的基础上,利用训练数据窗及训练数据阈值,推导出适合控制系统的在线训练方法.当在线LS-SVM的核函数取线性函数时,结合预测控制方法得到在线LS-SVM预测控制量的方程解,并将其应用于变采样周期系统.仿真显示了该方法的可行性、鲁棒性.     

不同核函数SVM在居民出行方式预测模型中的应用

采用持向量机方法构建了居民出行方式选择模型,使用网格搜索方法选择支持向量参数,避免参数选择的随机性,分析不同核函数对模型构建的影响。研究表明,采用多项式核函数、RBF核函数构建的支持向量机模型对居民出行方式预测精度较高,所构建的模型可用于居民出行方式预测;在支持向量机核函数选择中,优先选择RBF核函数,其次为多项式核函...     

不同堰型流量计算公式的初步分析

以标定的三角形薄壁堰作为测流控制条件,对矩形薄壁堰、WES实用堰、圆角宽顶堰和直角宽顶堰进行了测流试验,分别采用相应的堰流公式进行了计算和比较;结果表明:不同堰型堰流公式计算值各有差异,同一堰型采用不同经验公式求得的流量亦有所差别;将不同经验公式得出的流量和标准流量进行了比较并分析偏离程度,据此初步得出了不同堰型流量计算的推荐公式。     

遗传算法优化最小二乘支持向量机的故障诊断

提出一种基于遗传算法分层优化多类最小二乘支持向量机(least squares supportveotor machine,LS-SVM)的故障诊断模型。首先将故障信号经验模态分解(empirical mode decomposition,EMD)为平稳本征模态(intrinsic mode function,I MF)分量,再选择表征故障调制特征的I MF分量并提取瞬时幅值能量作为故障特征输入到遗传算法分层优化好的采用多项式核的多类LS-SVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值能量矢量的不同表征各类故障的可分性;遗传算法分层优化惩罚因子和多项式核参数可以使LS-SVM摆脱对故障类型与模式编号映射关系先验知识的依赖,提高LS-SVM的故障预测精度和自适应诊断能力,并可以推广应用于线性、径向基、Sigmoid等核条件下的LS-SVM优化。一个深沟球轴承故障诊断实例说明该模型的有效性。     

ND样本加权回归函数估计的强相合速度

设{ε_i,1≤i≤n}为ND随机误差序列, 利用ND序列的Bernstein不等式, 在非参数回归模型Y_i=g(x_i)+ε_i(1≤i≤n)下, 研究未知函数g(x)加权核估计g_n(x)的强相合速度,
从而将加权回归函数估计的相合性推广到ND样本.     

基于LS-SVM的电炉钢水温度预测

通过对LS-SVM的参数进行优选,使所建模型具有较强的拟合和预测能力．针对某厂实际生产数据,运用LS-SVM建立钢水温度预测模型,拟合和预测结果良好,表明该模型对实际生产具有指导意义．     

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题.在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.     

基于ARIMA的电力视频流量分析和预测

针对电力视频业务的流量特性,提出一种基于差分自回归移动平均(ARIMA)模型的电力视频业务流量分析和预测方法.首先利用差分法对视频流量数据进行平稳化处理,然后依据数据序列的自相关函数和偏自相关函数确定模型参数,从而建立能够有效预测电力视频业务流量的分析模型.仿真实验表明,该方法充分考虑了电力视频业务流量的自相似性、周期性、突发性及趋势性等特点,有效提高了流量预测拟合的精度.     

基于优化SVR模型的大跨度样本疲劳寿命预测

针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练,并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取,LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.     

耦合集合卡尔曼滤波的非线性参数估计

准确的参数对于非线性模型或者函数有极为重要的意义。但是在实际应用中,输入的参数常常带有一定的偏差,因此在预测中非线性模型(函数)往往得不到满意的结果。把集合卡尔曼滤波方法引入到非线性模型(函数)的参数估计中,并采用基于联合状态向量的方法在同化时刻同时更新模型(函数)的状态和参数,该方法可以通过同化观测数据,动态地调整参数和结果,使得参数能够自适应地变化,同时也能较好地释放积累的模型误差。将该方法应用于随时间变化的二维非线性模型(函数)中,实验表明,该方法能够准确地估计出模型参数值,同时也表现出很好的鲁棒性和自适应性。     

基于高斯核函数的短时交通流量预测

交通出行在人们的生活中占据了重要的地位,准确、短时交通流量预测有助于实现交通控制.本文采用基于高斯核函数的Nadaraya-Watson估计方法对短时交通流量进行了预测.以所选取路段的车流高峰时段为研究对象,根据当前时刻的车流量对下一时刻的流量值进行预测,其中相邻两时刻的时间间隔为5分钟;就所选的高斯核函数而言,根据试凑法,选定核函数带宽为8.结果表明,该方法的预测效果良好,其均等系数为0.996545243,达到了很好的预测效果.     

基于ABC-SVM固体氧化物燃料电池电堆建模与仿真

为了更好地满足工程上对SOFC (solid oxide fuel cell)性能预测和控制方案设计要求,提出利用人工蜂群算法(ABC)优化支持向量机(SVM)来建立SOFC电堆模型。通过利用ABC算法优化SVM参数(核函数值宽度和惩罚因子),采用优化后的参数作为SVM的初始参数建立模型,与SVM、GA-SVM和PSO-SVM模型进行对比。实验结果表明:ABC-SVM模型平均平方误差小,说明该算法可以很好的预测在不同氢气流速下SOFC的电压/电流特性曲线。该模型对SOFC预测和控制方案设计有一定价值。