纳入雷诺数修正的GA-Elman算法对EGTM的研究

为进一步减小排气温度裕度计算误差,对发动机起飞排气温度裕度基线观察值和雷诺数影响系数进行了多元非线性拟合,提出了利用雷诺数影响系数修正排气温度（Exhaust Gas Temperature,EGT）基线观察值的方法,将雷诺数影响系数加入神经网络的输入层,利用遗传算法（Genetic Algorithm,GA）优化Elman网络模型,建立排气温度裕度（Exhaust Gas Temperature Margin,EGTM）的预测模型。通过结合飞行数据计算,对比多元非线性拟合以及Elman网络模型和基于Elman网络优化的GA-Elman模型的计算误差效果,得出实验结果：GA-Elman对EGTM计算精度更高,鲁棒性更强。     

双向LSTM神经网络的航空发动机故障预测

准确的航空发动机故障预测能够为维修决策提供依据,提高装备完好率,避免灾难性故障并最小化经济损失。根据航空发动机传感器数据特点,提出一种基于双向长短期记忆（LSTM）神经网络的故障预测方法,建立故障预测模型,包括数据预处理、网络模型设计、训练与测试,得到在多种工作条件和故障下具有较强泛化能力的神经网络预测模型。使用C-MAPSS数据集对模型进行仿真验证,所提出的双向LSTM故障预测模型通过与RNN、GRU、LSTM时间序列模型对比,误差下降33.58%,得到更高的预测精度,非对称评分下降71.22%,具有更好的适应性。     

基于神经网络的柴油机NOχ排放预测模型研究

传统的基于MAP图查表方式得到柴油机NOx排放的方法需要做大量标定实验,本文采用BP神经网络构建柴油机NOx排放预测模型.论文选取进气压力、进气温度、排气温度和发动机转速这4个量作为预测模型的输入量.考虑到柴油机NOx生成与其工作参数之间有时间迟滞,模型的输入量包含当前值和历史值.对输入数据做了归一化处理,在模型后处理模块对输出数据做反归一化处理.所提出的模型具有较高的预测精度.     

基于神经网络的柴油机NOx排放预测模型研究

传统的基于MAP图查表方式得到柴油机NOx排放的方法需要做大量标定实验,本文采用BP神经网络构建柴油机NOx排放预测模型．论文选取进气压力、进气温度、排气温度和发动机转速这4个量作为预测模型的输入量．考虑到柴油机NOx生成与其工作参数之间有时间迟滞,模型的输入量包含当前值和历史值．对输入数据做了归一化处理．在模型后处理模块对输出数据做反归一化处理．所提出的模型具有较高的预测精度．     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力（ProbSparse Self-Attention）的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。     

基于注意力与LSTM的航空发动机剩余寿命预测

预测性维护的核心技术之一是设备剩余寿命(remaining useful life, RUL)预测。为了提高航空发动机的剩余寿命预测精度,提出了一种基于注意力与长短期记忆(directional long short-term memory, LSTM)网络的航空发动机剩余寿命预测模型Attention-LSTM,通过引入注意力机制增强各时间点数据的特征权重,有效提升了模型预测精度。使用NASA C-MAPSS涡扇发动机仿真数据集进行实验,与未加注意力机制的长短期记忆网络等多种模型进行对比实验。实验结果表明,提到的Attention-LSTM模型的均方根误差相比较于未引入注意力机制的长短期记忆网络降低了17.8%,拟合度提升了3.2%,各项评估指标均也优于其他对比模型。     

双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。     

基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验,结果表明了所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60分钟为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题,提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法,利用XGBoost算法训练滤波处理后的数据,基于平均绝对误差百分比MAPE确定最优特征子集,以改善模型精度和泛化能力;采用贝叶斯正则化算法训练前馈神经网络,以便能够在训练优化过程中降低网络结构复杂性,从而避免网络过拟合,进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明,特征筛选后较筛选前模型MSE降低43.29%,有效提高了模型预测精度;分别以贝叶斯正则化和L-M算法对神经网络进行训练,前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%,预测模型泛化能力得到有效提升。     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

基于Elman组合预测模型的瓦斯涌出量预测

为提高矿井瓦斯涌出量的预测精度,基于Elman回归神经网络原理,以指数型线性回归、双曲线型线性回归及灰色预测三种方法得到的瓦斯涌出量预测值为样本数据,建立Elman组合预测模型,并利用MATLAB软件进行预测。结果表明,Elman组合预测结果的拟合曲线更接近实际情况。该模型有效提高了瓦期涌出量的预测精度,为煤矿安全生产提供了理论支持。     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics, BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach, ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique, SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest, RF)模型进行训练和贝叶斯调参。结果表明：与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F₁评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明：与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。     

难分类样本快速空中目标意图识别方法

针对不平衡难分类条件下空中目标群组意图快速识别的难题,提出一种基于滑动窗口估计的时空卷积自注意力网络模型的意图识别方法。该方法根据特征数据的特点对其使用滑动窗口的预先处理,通过时空卷积网络快速提取多维时序特征数据的流信息;然后采用自注意力机制捕捉每个特征数据的关键特征并优化权重。仿真结果表明该方法有效提升了不平衡样本中难分类样本意图识别的训练效率和分类的准确率。     

离港航班滑出时间的支持向量机预测模型

为解决反向传播(back propagation, BP)神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(support vector machine, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1 h平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在±5 min内的预测准确率可达98%。