基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R²可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于改进狼群算法的AGV路径规划

针对自动引导小车(automated guided vehicle, AGV)全局最优路径的求解问题,文章利用栅格法对环境进行建模,提出一种基于改进狼群算法(improved wolf pack algorithm, IWPA)的AGV路径规划方法。该算法采用混沌映射形成初始种群,增加种群多样性;对探狼游走行为引入随机策略,扩大搜索范围;对头狼的选择引入Metropolis准则,增强算法跳出局部最优能力;改进猛狼奔袭策略,提高算法后期寻优效率。通过8个典型测试函数的仿真实验结果表明,改进的算法在寻优速度和精度上均有较大的提高。将改进的算法应用于路径规划仿真实验,结果表明,相比于传统狼群算法,改进的狼群算法在解决AGV路径规划问题上更有效。     

基于深度置信网络的假手指静脉图像检测算法

针对伪造的手指静脉图像能够成功攻击手指静脉识别系统,从而使得其识别系统安全性能大大降低的问题,提出了一种基于深度置信网络的手指静脉防伪检测的方法;通过逐层无监督的学习方法预训练深度网络的权值参数,以及有监督的BP神经网络微调深度网络的权值参数,从而提取到手指静脉图像的特征,用于静脉图像的检测;实验结果证明所提出的手指静脉防伪检测方法能够有效地识别出假手指静脉图像;通过对比性实验研究,发现此方法提高了手指静脉识别系统的安全性能。     

旋风分离器分级效率的多区计算模型

在旋风分离器内部流场及浓度场测定的基础上,考虑了分离器内的短路流,颗粒间的相互碰撞、粗颗粒的弹跳以及细粉粒返混等对分离性能的影响。建立了旋风分离器分级效率的多区计算模型,并与现有计算模型作了分析比较.结果表明,多区模型的计算精度令人满意.其理论预测与试验结果较为吻合.     

基于深度置信网络的室内指纹定位算法

基于WLAN的指纹识别技术是在每个指纹定位测量来自不同APs的接收信号强度RSS(re-ceived signal strength,RSS)以构建指纹.然而,指纹的收集由于环境的变化,需要定期更新指纹库以提高准确性.因此,为减少指纹识别的工作量,提出将深度置信网络算法应用到未标记的RSS测量中,利用生成概率模型来表示...     

基于深度置信网络的超宽带信道环境的分类算法

对超宽带信道环境进行分类、识别,对于实现特定场景分析以及无线网络的优化具有重要意义。针对这一背景提出了一种基于深度置信网络(deep belief network,DBN)的信道环境分类方法,对不同的信道场景特征进行提取、分类。实验结果表明:提出的算法能有效地实现信道环境的分类识别。     

基于深度置信网络的车载电源故障诊断方法

针对车载电源故障机理复杂且知识经验不足,传统浅层神经网络诊断效果难能满意的问题,研究了基于深度置信网络的车载电源故障诊断方法.该方法借助于30 kW车载电源仿真系统采集的几种常见故障数据,通过对深度置信网络进行预训练与反向微调,构建了车载电源相应故障的深度诊断神经网络,从而实现了车载电源几类常见故障的有效智能诊断.该方法的优势在于能够将车载电源的故障特征提取与故障诊断有机融合,摆脱了传统浅层故障诊断方法对大量信号处理技术与诊断经验的依赖,仿真试验也进一步昭示出文中方法在车载电源故障诊断中的有效性和适宜性.     

基于改进灰狼优化算法的WSN覆盖优化

针对无线传感器网络（WSN）节点在随机部署时,存在分布不均匀的情况,从而导致覆盖率较低的问题,提出了一种改进的灰狼优化（GWO）算法.首先利用Tent混沌映射初始化种群,增加种群的多样性;其次利用改进的非线性收敛因子,平衡算法的全局搜索能力与局部搜索精度;最后将差分进化（DE）算法的变异、交叉的理念融入GWO算法,避免算法陷入局部最优,并提高算法的收敛速度.基本测试函数仿真结果验证了改进算法的有效性,随后将其应用于WSN覆盖优化问题,可以使节点的分布更加均匀,显著提高覆盖率,进而改善网络性能.     

减阻杆对旋风分离器流场特性的影响

为了解减阻杆对旋风分离器流场特性的影响,利用激光多普勒测速仪(LDV)对安装减阻杆前后的旋风分离器流场进行测量,得到了时均速度、均方根速度、雷诺应力等参数分布。结果表明减阻杆对时均流场的影响与现有结论基本一致,对湍流特性的影响则与减阻杆截面尺寸有关。在所采用的尺寸范围内,小尺寸减阻杆使流场大部分区域的湍流脉动降低,大尺寸减阻杆则使流场大部分区域的湍流脉动增强。最后对减阻杆影响湍流脉动的机理进行了初步分析。     

面向文本分类的深度置信网络特征提取方法研究

在对文本分类领域发展现状进行研究的基础上,提出了一种面向文本分类的深度置信网络特征提取方法,通过引入词向量模型和深度置信网络解决传统文本分类方法在文本表示及特征提取方面存在的语义缺失问题,实验结果表明,该方法在文本分类中有更高的准确率。     

基于改进灰狼算法优化自适应相似日选取的小水电短期预测

针对小水电机组出力预测问题,提出一种基于改进灰狼算法优化自适应相似日选取的小水电预测方法.首先根据小水电的出力规律采用阴历来划分负荷数据,考虑到各因素影响小水电出力的程度是变化的,采用自适应相似日选取方法,并引入改进的灰狼算法来优化各影响因子权重.将筛选出来的相似日样本输入径向基函数(radial basis function,RBF)、反向传播(back propagation,BP)网络这两种单一模型分别进行小水电机组出力预测,并将两个模型的预测结果输入经灰狼算法优化的广义回归神经网络进行非线性组合预测.对某地区进行算例分析,模型相较于单一的BP、RBF和未优化的广义回归神经网络(general regression neural network,GRNN)组合预测模型,平均绝对误差分别降低了3.28％、1.73％和0.29％,验证了模型的有效性.     

基于改进蜂群算法和灰色模型的管道腐蚀预测

为了解决缺少大量数据样本情况下油气管道剩余寿命预测问题,采用GM（1,1）模型预测管道腐蚀趋势。考虑到GM（1,1）模型自身存在的缺陷,采用指数变换预处理原始数据和动态生成系数重构背景值两种方法改进GM（1,1）模型的建模过程,并运用改进的蜂群算法（IABC）求解全局最优动态生成系数,进而建立改进的蜂群算法优化的指数变换灰色模型（IABC-EGM（1,1））。利用弯头测厚数据进行验证分析,GM（1,1）模型的平均相对误差为4.92%,IABC-EGM（1,1）模型的平均相对误差为2.28%,表明模型的预测精度得到了提高。     

基于归一化映射规则的一般灰预测模型NGM(1,1)

通过对白化微分方程解的指数函数特性的分析，提出原始灰序列的归一化映射规则，使非等间距灰预测模型NGM（1，1）适应一般灰序列，灰预测精度也大大提高；这亦解决了含负值灰序列预测的理论问题，拓宽了灰色预测理论，最后给出了两个验证性算例。     

基于GM(1,2)模型的多步自调节灰色预测控制算法

基于GM(1,2)灰色模型和一种新型综合偏差,提出了基于GM(1,2)模型的多步自调节灰色预测控制算法.该算法可对系统输出偏差和预测偏差进行合成形成一个在线多步综合偏差,用此偏差代替传统最优控制算法中的偏差项,这样算法既有在线预测系统未来多步行为的功能,又能根据预测模型精度实时调节预测值在控制回路中的作用,减小了预测误差对系统的不利影响.仿真结果表明,该算法可获得较好的控制跟踪效果.     

PID神经网络内模控制在湿法烟气脱硫中的应用

该文针对石灰石/石膏湿法烟气脱硫工艺中吸收塔浆液pH值变化过程的高度非线性、时滞性以及各种不确定性、常规P ID控制难以达到满意的控制效果,提出了一种基于改进P ID神经网络的内模控制方案,对浆液pH值变化过程进行辨识和控制。仿真结果表明,在改进P ID-NN的内模控制下,吸收塔浆液pH值很好地跟踪了系统的设定输入及其变化,体现了高度的自适应性。同时系统超调量小,稳态精度高,优于常规P ID控制。满足实时控制的要求。     

基于灰生成空间的高阶GM(1,1)模型

在AGO-IAGO灰生成空间的基础上，给出了r阶GM（1，1）灰色模型的一般建模方法，并且用实例证明了该方法能够提高GM（1，1）模型的精度。     

基于BP网络与WPGM(1,1)组合模型的地面沉降预测

文章针对区域性地面沉降问题,从传统灰色模型出发,对其背景值进行改进,建立动态定权灰色模型,并结合BP神经网络建立组合预测模型。该组合模型克服了单一灰色模型或BP网络模型不能很好地处理原始沉降数列波动较大的问题。对某地一水准点的连续多年沉降量建立组合模型,对后期沉降进行预测,将预测结果与二等水准测量结果进行比较,主要采用后验差检验法和相对误差比较对模型模拟和预测结果进行了检验,结果表明该组合预测模型可以大大提高预测精度和鲁棒性。