基于粒子群算法最优化Verhulst模型的开采残余下沉预测

矿区开采引起的残余下沉稳定时间长、潜在危害大,有必要准确地预测矿区地表的残余下沉。鉴于传统的残余下沉Verhulst模型建模误差大、适用性弱,在建模过程中以数据序列的首个数据保持不变导致预测效果差的缺陷,以直接离散Verhulst模型为基础,引入粒子群算法寻求模型迭代初始值的最优解,建立基于粒子群算法优化的矿区开采残余下沉直接离散Verhulst模型,并以山西阳泉和山东兖州矿区两个时间尺度的地表残余下沉监测数据集进行实例验证,最后利用Matlab App Designer工具实现模型算法的可视化。结果表明：基于粒子群算法优化的直接离散Verhulst模型的矿区开采残余下沉预测精度和稳定性增益明显,所开发的计算工具具有正确性和有效性。     

基于遗传算法优化机器学习模型的地下水潜在性预测

传统机器学习模型在地下水潜在性预测中,未考虑最优因子组合,会对地下水潜在性制图产生不利影响。为此,提出了遗传算法优化支持向量机的地下水潜在性预测方法。以云南省彝良县为研究区,从地形、水文、土壤、地质等方面选取了共15个影响因子;考虑模型性能和影响因子的作用,利用遗传优化算法筛选了包含11个影响因子的最优因子组合;然后使用支持向量机方法构建了地下水潜在性预测模型;最后计算了因子优化前后的模型准确度和受试者工作特性曲线下面积（area under curve,AUC）,并绘制了模型的受试者工作特性（receiver operating characteristic,ROC）曲线和地下水潜在性预测图。结果表明：因子优化前模型的准确度为0.774,验证集AUC为0.789,因子优化后模型的准确度为0.777,验证集AUC为0.806,分别提高了0.003和0.017。可见,所提方法的准确性、可靠性优于传统的支持向量机法,其结果可以为区域水文地质调查和地下水资源管理与规划提供科学参考。     

基于mRMR-IPSO的短期负荷预测双阶段特征选择

电力负荷具有时空多变的特性,受众多因素的影响,在短期负荷预测中较多的输入特征会造成维度灾难,导致模型预测性能不佳,因此选择合理的输入特征集至关重要。文章提出一种新的短期负荷预测特征选择方法——mRMR-IPSO双阶段法。利用最大相关最小冗余（max-relevance and min-redundancy,mRMR）判据对原始特征进行排序,考虑输入特征与输出特征之间相关性和输入特征间冗余性,筛选掉一些排序靠后的特征,初选出对预测效果影响显著的特征子集;采用基于改进的粒子群优化算法（improved particle swarm optimization,IPSO）的搜索策略,以LightGBM模型的预测精度为适应度函数,对初选特征子集进行精选,得到最优特征子集。算例结果表明,所提方法能在对原始特征集大幅降维的情况下提升预测精度。     

大型地下空间综合交通枢纽中巨型斜柱长期沉降的监测及预测分析

结构及其重要构件的长期沉降是影响地下空间综合交通枢纽施工安全的关键因素之一,对其开展监测与预测具有重要的工程意义。以深圳市黄木岗大型地下空间综合交通枢纽为研究背景,采用自动化监测系统,首先监测了12轴巨型斜柱施工后的119期长期沉降,分析其长期沉降规律,并评判其预警状态。监测结果表明,斜柱施工后,长期的沉降规律为先在安全状态内小幅波动,再增大至黄色预警状态,最后在安全状态与预警状态之间小幅波动。然后,利用109期监测数据分别构建斜柱沉降的反向传播(back propagation, BP)神经网络模型和遗传算法-BP(genetic algorithm-BP,GA-BP)神经网络模型,并预测之后10期的斜柱累计沉降量以对比验证两种模型效果。结果表明,相比BP神经网络模型,GA-BP神经网络模型的预测值与实测值更吻合。     

提高中国城市房屋建筑寿命的探讨

中国作为一个发展中国家,改革开放以来在房屋建筑上成为世界上每年建筑量最大,消耗全世界水泥钢材最多,产生建筑垃圾量最大的国家,但是建筑寿命平均只有25~30年之短。这给中国建筑业以及中国经济发展带来很多不利因素,本论述从几个方面提出改进措施,希望能使中国建筑延长其使用寿命,早日实现建百年建筑的愿望。     

非线性优化GM(1,N)模型及其应用研究

GM(1,N)模型在因素一次累加弱化系统指标间波动性和灰性的基础上,建立了各因素线性关系的灰色模型,但其强制性的线性假设以及不够完善的求解方法致使其实际运用较少. 为解决这类问题,文章提出了两个非线性优化的GM(1,N)模型--非线性GM(1,N,x_1~((0)))和GM(1,N,x_1~((1)))模型,即在GM(1,N)白化方程的基础上建立因素间非线性关系,并通过BP网络拟合,最终得出拟合结果和预测值.进一步证明了两种非线性GM(1,N)模型均属于GM(1,N)的派生形式,并提出了运用非线性优化GM(1,N)模型进行指标预测的具体方法. 最后通过一个实例进一步表明该模型的可行性与优化性.     

基于小波分解和残差GM(1,1)-AR的非平稳时间序列预测

提出基于二进正交小波变换和残差GM(1,1)-AR方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用灰色残差模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果表明,这种方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于步进加速退化试验的电子产品可靠性评估技术

为实现高可靠、长寿命产品的可靠性评估,提出了步进加速退化试验的新方法.首先给出了步进加速退化试验方法及其基本假设,然后探讨了步进退化数据向恒加退化数据的折算方法,在此基础上提出了基于伪失效寿命的步进加速退化可靠性评估算法和基于随机退化轨迹的步进加速退化可靠性评估算法,最后利用试验数据对该方法进行了验证.结果表明:与恒加退化试验相比,该方法可以极大地缩短试验时间和减少试验样本,因此,具有更高的效费比.     

GFMIMU/GPS组合导航系统信息融合技术研究

GFMIMU/GPS(Gyroscope Free Micro Inertial Measurement Unit/Global Positioning System)组合导航系统具有抗高g值冲击、低成本、长寿命、较高精度等优点,在低成本精确制导武器和微小型无人机具有广阔的应用前景。针对工程应用中信息融合的精度和实时性两方面的要求,运用基于模型误差预测的扩展卡尔曼滤波MEP-EKF(Extended Kalman Filter base on Model Error Predictive)方法,将MEMS(Micro Electromechanical Systems)加速度计的误差作为模型误差来考虑,对GFMIMU/GPS组合导航系统进行建模仿真,将其与EKF和UKF(Unscented Kalman Filter)方法进行了仿真比较,在方位误差角的估计上取得了比他们精度高的仿真结果,而且MEP-EKF所需时间是UKF的10%.     

基于广义预测算法的直接转矩控制仿真

针对电动汽车电机驱动控制系统结构复杂且系统性能受负载不确定性影响的缺点,提出了一种用于永磁同步电动机广义预测控制方法。从驱动系统动力学方程出发,建立了不依赖电机控制参数的驱动系统CARIMA模型,并采用广义预测算法对驱动系统的给定转矩进行了控制;为了获得良好的变速性能,实现了基于GPC的PMSM驱动系统的直接转矩控制;最后对系统变速过程进行了仿真。仿真结果对比表明,这种控制结构和方法能够实现对转矩变化的有效控制,使速度变化具有较好的平缓控制效果,在工程实际中有很大的应用潜力。