基于广义熵优化准则的非线性非高斯系统故障分离方法

针对非高斯随机系统研究了一种基于滤波的故障分离方法。通过故障、扰动的统计信息获取状态估计误差和输出估计误差的（联合）概率密度函数,再根据所建立的广义熵优化准则设计滤波器。仿真结果显示,在故障和干扰均出现及主要故障不出现两种不同的情况下系统响应完全不同,说明该广义熵优化准则能有效分离故障。     

基于粒子群优化-BP神经网络-马尔科夫链的地面能见度观测资料质量控制

自动气象站能见度检测仪多采用光学装置采样,一些雨雪、粉尘等天气因素可能对部分仪器造成镜头污染,导致能见度要素的观测数据不准确。本文针对能见度数据出错率高的问题,通过粒子群算法、BP神经网络,结合马尔科夫链,对地面能见度观测资料进行质量控制。为检验该方法的适用性,本文首先将安徽省不同区域站点的历史能见度数据加入人工误差,然后运用该方法对处理后的数据进行检错率分析。实验结果表明,该方法可以有效地标记出地面能见度观测资料中的存疑数据,具有检错率高、地区和气候适应性强等优点。     

基于GA-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,本文选取安徽省四种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017-2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(Genetic algorithm, GA)和粒子群算法(Particle swarm optimization algorithm, PSO)混合算法优化BP(Back Propagation)神经网络的预测模型,对四种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。