一种基于动态更新神经网络的无监督雷达退化故障预测方法

为了克服传统雷达故障检测方法对专家经验依赖性强、耗费大量人力物力、容易造成过度检修、无法对退化故障进行提前告警等缺点,提出了一种基于动态更新神经网络的无监督雷达退化故障预测方法。首先通过微波测量设备采集峰值功率和工作频率历史数据,其次利用动态更新神经网络对历史数据进行动态更新并预测后续数据,最后采用孤立森林方法对预测数据进行无监督故障检测,以此实现雷达退化故障预测并提前告警。结果表明,本文提出的方法可至少提前10个时间步(100 min)预测退化故障并实时告警,能够在小样本、无故障样本、无特征提取、无人工阈值的情况下实现雷达退化故障预测。     

基于最近邻像素预测的加密域可逆信息隐藏

针对现有的可逆信息隐藏算法在图像加密域应用场景下嵌入容量不高的问题,提出了一种基于最近邻像素预测的加密域可逆信息隐藏算法。充分利用自然图像的空间相关性,设计最近邻像素预测方法,计算预测误差,并进一步探究预测误差块分类规律,设计块内移位以及块重排方式,保留了块内相邻像素相关性。然后,通过动态标记块内误差区间以最大限度地空出冗余空间,达到提高嵌入容量的目的。选用5幅标准灰度图像及数据集BOSSbase、BOWS-2和UCID中的万余张灰度图像进行对比实验。结果表明：本文算法在安全性、可逆性和可分离性都满足的前提下,嵌入容量相比同类算法平均提升0.35～0.9 bpp(比特数)。     

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

基于GWO-CNN-BILSTM的超短期风电预测

在未来高渗透率风电场景下,超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此,提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法。首先,搭建基于卷积神经网络(convolutional neural network, CNN)与双向长短期记忆神经网络(bidirectional long short term memory, BiLSTM)的组合模型,然后,为提升风电预测结果的精度,通过灰狼优化算法(grey wolf optimizer, GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。最后,仿真结果验证了所提出方法的有效性和优越性。     

机组疲劳评估系统模型对中国航司国际航班飞行员疲劳预测的适用性

研究旨在对经典生物数学模型在中国航空公司运营环境下的适用性进行研究。首先在我国航空公司的运营环境下,使用持续绩效测试(CPT)、卡罗林斯卡嗜睡量表(KSS)和机组人员状态检查表(SP)观测飞行员飞行过程中的警觉度绩效和主观疲劳自评。其次使用机组疲劳评估系统(SAFE)模拟并量化了相应的飞行员疲劳。最后比较了SAFE模型预测的机组警觉度值与其疲劳主观自评、客观绩效之间的差异,使用方差分析来探究疲劳影响因子对模型预测和主客观疲劳的影响差异。结果表明：SAFE模型预测机组人员疲劳与其主观疲劳有较强的相关性,整体上模型对机组人员疲劳预测体现了与执勤时长及昼夜节律相关因素的变化趋势,但是连续执勤18h后预测值会偏高。可见随着对该模型验证数据量的增加及调整模型相关参数以适应我国飞行运行环境,该模型将能够作为我国航空公司疲劳风险管理体系(FRMS)预测式危险源识别的客观工具,同时也可为我国本土化生物数学模型的理论研究与工程应用提供借鉴。     

基于改进的变权缓冲灰色模型在沉降预测中的应用

针对灰色模型在中后期沉降预测中的精度问题,提出了单、双权幂函数弱化缓冲算子,并结合变权背景值建立改进的变权缓冲GM(1,1)模型。证明了新算子能提高光滑性、缩小级比偏差,实现对原始沉降数据的预处理。对于模型中的权值采用以还原值与原始值平均相对误差最小为目标的粒子群优化算法确定。最后,以高填方机场地表沉降数据预测为例,验证所提改进模型的有效性。结果表明：新算子能够有效弱化沉降序列受到的冲击扰动影响,结合变权背景值能显著提高灰色模型在中后期沉降预测中的精度。此外,对新算子的权值进行限定后,可得到两种不同的变权弱化缓冲算子。     

四川盆地高石梯-磨溪地区栖霞组沉积模式研究

近年来川中地区二叠系栖霞组油气勘探持续取得突破,成为重点勘探领域。然而,目前对栖霞组沉积格局的认识尚存在较大的争议,为厘清川中高石梯—磨溪地区栖霞组的沉积特征,本次研究结合沉积古地貌,根据岩心、岩屑、常规测井、成像测井和地球化学资料,开展了沉积相和沉积模式研究。结果表明：栖霞期发育开阔台地相,台内滩和台坪亚相,滩、滩间、灰坪微相;滩相以生屑灰岩、微亮晶球粒灰岩、亮晶砂屑灰岩为主,发育砂屑滩和生屑滩;滩间岩性为泥晶生屑灰岩;灰坪相岩性为泥晶灰岩和硅质灰岩。滩相存在局部白云岩化特征,发育白云质灰岩、灰质白云岩、细-中晶白云岩在、中-粗晶白云岩。栖一段沉积期相对局限,海水相对较深,滩相与滩间交互发育,滩相主体沉积于古地貌相对较高的古隆起高部位,沉积相受古地貌的影响较大;栖二段沉积期相对开阔,古地貌对滩相的影响变弱,滩相连片发育。结合沉积背景,本文建立了开阔台地滩相模式,为高石梯—磨溪地区栖霞组的下一步开发部署提供了地质依据。     

改进非线性外源自回归网络的潮位实时预测

我国海域辽阔,海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域,都需要具备精确的潮位数据,因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性,提出了一种基于带外源输入的非线性自回归 (Nonlinear Auto Regressive models with Exogenous Inputs, NARX) 神经网络的实时潮位预测方法,并在其基础上做了相应改进。首先采用了模块化潮位预测(Modular tide level prediction)方法,将潮汐数据分为天文潮及非天文潮两部分,其次引入滑动时间窗(Sliding Time Window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾 (Biscayne Bay) 的实测潮汐值数据进行潮位预测的仿真试验,并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播 (SAPSO-BP) 神经网络两种预测方法进行比较,结果表明在MAE、MSE及RMSE三项精度指标测算中,MS-NARX神经网络均为最小,可见其针对数据预测的精度和稳定性均优于 SAPSO-BP 神经网络和传统NARX神经网络,能够为提高船舶运营效率和保障船舶航行安全提供指导。     

基于CKF算法的卫星轨道实时预报方法

卫星轨道实时预报常采用EKF方法,但是EKF应用于非线性度较大的系统时精度和效率都不高。CKF算法利用带权重的点对状态量进行估计,用球面积分的方法解决了求函数与高斯随机变量乘积的积分的难题,既不需要对函数进行线性化,也不需要计算Jacobin矩阵。将其应用到轨道的实时预报当中,通过仿真验证,表明基于CKF的卫星轨道实时预报方法对预报精度和速度均有一定程度的提高。