用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

南水北调东线工程调水期洪泽湖水质变化规律分析

为了解南水北调东线工程调水期间洪泽湖水质变化,基于2013—2020年洪泽湖调水期水质监测数据,采用Daniel趋势检验分析水质年变化趋势,通过空间插值得出各湖区水质分布规律,并进一步用主成分分析法分析水质主要污染类型。结果表明：2013—2020年洪泽湖调水期水质在合格至轻度污染之间,TP和TN为主要超标因子;时间上水质有变好趋势,空间上过水区水质最差,但有转好趋势,而成子湖区和溧河洼区有所恶化;污染类型以富营养化污染为主,氮磷营养盐影响较大;水质污染以入湖河流输入和建设用地增加人类活动的污染为主要来源,还伴有偶发污染事故;时间上洪泽湖对东线输水的综合水质有改善趋势,建议进一步加强相关污染防治工作,保护洪泽湖水环境,保障南水北调东线工程输水水质安全。     

基于经验模态分解特征的无线电引信抗扫频式干扰方法

针对目前调频无线电引信在复杂电磁战场环境中对抗扫频式干扰能够力弱的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)特征的无线电调频引信对抗扫频干扰的方法.对基于目标和扫频干扰作用下的调频无线电引信检波端输出信号进行EMD分解,得到10层本征模态函数(intrinsic mode function,IMF)分量,提取每层IMF分量中本征模态函数能量占比、能量聚集度和Renyi熵特征,并利用主成分分析算法对于特征进行降维,保证累积解释差异在95%以上,以降维后的特征矩阵作为支持向量机的输入对目标和扫频式干扰信号进行分类识别.实测数据结果表明,所提方法能够有效对目标和扫频式干扰信号进行分类识别,分类识别精度可以达到98.06%±0.003 8,目标检测率达到96.65%±0.003 7,虚警率为3.35%±0.003 7.     

多涡卷混沌系统在图像水印加密上的应用研究

提出了一种基于多涡卷混沌系统对含有版权信息的原始水印图像进行双重加密的方法.首先将混沌系统与DNA编码及DNA计算相结合设计了一种包含置乱操作的原始水印图像加密方案,分析其加密直方图、相邻像素相关性等统计特性.在离散小波变换结合奇异值分解算法(DWT-SVD)的基础上,把加密后的水印图像嵌入到载体图像中.通过实现水印信息的加密、嵌入和提取,对含有水印的载体图像的攻击以及对攻击后的水印进行峰值信噪比和归一化相似度的评价,整体实现了基于DWT和混沌加密的数字水印系统.     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

运用主成分分析和深度神经网络预测钢包炉合金元素收得率的研究

钢包炉（ladle furnace,LF）精炼的核心任务之一是进行钢水合金化过程,以保证钢包到达连铸平台后满足钢水成分要求。钢水合金化也是较为复杂的物理化学反应过程,其不仅对钢水温度有影响,而且对钢水质量、合金料消耗量均有影响。因此,实现LF精炼过程中合金元素收得率的精准预测具有重要意义。本研究首先采用主成分分析法（principal component analysis,PCA）对模型输入变量进行处理,用于简化实际生产数据结构;然后,融合SGDM算法和L2正则化方法,构建了深度神经网络（deep neural network,DNN）;最后,采用主成分分析和深度神经网络相结合的方法,建立了合金元素收得率预测模型。结果表明,Si元素收得率命中率在±1%, ±3%和 ±5%误差范围内分别为54.0%、93.8%和98.8%;Mn元素收得率命中率在±1%, ±2%和 ±3%误差范围内分别为77.0%、96.3%和99.5%。此外,PCA–DNN模型的预测精度优于参考炉次法、多元线性回归模型、改进BP神经网络模型和DNN模型,有助于实现钢水成分的“窄窗口”控制。本研究中合金元素收得率预测模型的建立,也可为LF智能精炼合金化控制模型的开发提供支撑。     

完全不可约算子的近期研究

总结近两年来有关完全不可约算子更深入的工作。它包括了如下几个方面：（１）完全不可约算子的谱图形和精致的完全不可约算子的存在性;（２）算子的完全不可约分解的唯一性;（３）完全不可约算子的紧扰动和（ｕ＋Ｋ）轨道。文中列出的一些结果回答了江泽坚、Ｈｅｒ－ｒｅｒｏ有关完全不可约算子的部分猜测和问题。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

有限co-H-复形上的同调分解(Ⅱ)

考虑与若干球的一点触空间∨ｌｋ＝１Ｓｎｋ有关的同调分解问题,得到有关结果．然后利用∨ｌｋ＝１Ｓｎｋ上的同调分解获得群［∨ｌｋ＝１Ｓｎｋ,Ｙ］的秩的表达式,即任取∨ｌｋ＝１Ｓｎｋ上的一个同伦可结合的ｃｏ－Ｈ－结构,都有ρ［∨ｌｋ＝１Ｓｎｋ,Ｙ］＝ｋ＞０βｋ（∨ｌｋ＝１Ｓｎｋ）γｋ（Ｙ）     

与星（m,r）——正交的（g,f）——因子分解

设ｇ和ｆ是定义图Ｇ的顶点集Ｖ（Ｇ）上的整值函数。本文证明了如下结果：设ｒ是一个正整数,Ｇ是一个（ｍｇ＋ｍ－１,ｍｆ－ｍ＋１）—图,且ｇ（ｘ）≥ｒ－１,对ｘ∈Ｖ（Ｇ）。若Ｈ是Ｇ的一个有ｍｒ条边的星,则Ｇ有（ｇ,ｆ）—因子分解与Ｈ（ｍ,ｒ）—正交。