可拓检测可拓域与非域的界定与转化

定义可拓检测可拓域与非域的概念,研究可拓域与非域、可拓域与非域的界定与转化,以及两者之间的相关性.建立可测物元对不可测物元的亲和度、贡献度以及构造关联函数实施可拓域与非域的界定与转化,并使得不可测物元能够被检测.     

改进可拓识别方法及其在突水水源判别中的应用

针对已有可拓识别方法用于矿井突水水源判别时易造成误判的问题,提出了一种改进的可拓识别方法。首先对已有方法中经典域、节域量值范围以及待判物元的量值进行了归一化处理,并优化了最优值的选取,然后提出了新的位值计算方法。实验结果表明,将改进后的可拓识别方法应用到煤矿突水水源判别,提高了待判物元正确归属于某个含水层的程度,从而提高了水源判别的准确率。     

可拓检测中的待测物元转换问题研究与分析

以可拓检测为研究基础,提出第3类检测问题：待测物元转化问题,即新的检测环境下的可测物元与待测物元的互换问题。针对该问题的特殊性,以基于神经网络的检测模型为问题求解框架,可拓变换与关联函数作为遗传算法的设计准则,提出基于可拓遗传算法和神经网络的待测物元转化问题的解决方法。通过实际例子的应用验证了该方法的可行性。     

浅析待测物元与可测物元在可拓检测中的转换

以可拓检测为基础,对于可拓检测中可测物元与待测物元的相互转化问题,提出新的思路,即以模糊推理的检测模型、可拓变换与关联函数为粒子群算法的设计规则,提出基于可拓粒子群算法和模糊推理的待测物元转化问题的解决方法,并通过实际例子的应用验证该方法的可行性.     

基于遗传算法与可拓神经网络的故障诊断

可拓神经网络是基于可拓理论和神经网络而设计的一种新的方法,它即充分利用了可拓学定性描述和定量描述的优点,又考虑了神经网络并行结构的特点.它由输入和输出两层可拓神经元构成,在每个输入神经元和输出神经元之间有两个连接权值.然后利用遗传算法全局搜索能力,对建立的可拓神经网络的权值进行优化,在优化过程中利用可拓神经网络输出的正确次数与可拓神经网络输入的样本总数的比值作为适应度函数,染色体根据物元的节域进行实数编码,计算出的可拓距离的最大值对应的物元与样本一致时,输出正确次数累加一次.算法终止条件为误差值达到要求.最后利用该方法开发了励磁系统的故障诊断系统.并对可控硅的缺相故障进行了成功的诊断.试验结果证明,该方法比传统的神经网络具有速度快,准确度高的特点.     

矿井突水水源判别方法

针对现有基于水化学特征的突水水源判别方法过程繁琐、难以判别单个涌水点、忽略了水化学特征之间的相互关联、计算量大等问题,结合Bayes判别法和可拓判别法,提出了一种基于Bayes-可拓判别法的矿井突水水源判别方法.选取潘二煤矿26组不同含水层水样、4组待判水样,以水样中SO4^2-,Cl^-,HCO3^-,K^++Na^+,Mg^2+,Ca^2+含量作为水化学特征指标,建立了水样物元模型,采用可拓判别法求得待判水样与已知水样的关联度;结合Bayes判别法的误判损失和待判水样关于已知水样的密度函数,得出Bayes-可拓解,根据Bayes-可拓解最小值判断突水水样类型.分别采用Piper三线图、可拓判别法、Bayes-可拓判别法判别矿井突水水样类型,结果表明:Piper三线图难以准确判断某一水样类型,可拓判别法存在误判情况,Bayes-可拓判别法能够准确判别突水水样类型.     

基于可拓物元模型的故障诊断研究与应用

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合,增加了故障检测及诊断的难度,为解决此问题,提出了一种基于主元分析（PCA）和可拓物元模型的诊断算法,利用主元分析法提取故障特征参数;建立以可拓物元模型算法为基础的故障诊断模型;该模型借助主元分析方法获取属性互不相关的训练集,通过建立其物元模型,利用关联函数定量计算待测对象对于每一种故障模式的关联程度,进而判断可能的故障模式;同时利用实验数据加以验证,结果表明：该模型有效地提高了故障诊断率,同时优于单纯的可拓物元模型,且该模型对小样本的处理能力优于BP神经网络模型,其诊断正确率更高,训练耗时较少。     

融合结构化信息与时序演化信息的多变量间歇性时间序列预测

复杂装备制造企业的售后配件需求不定时发生、需求波动大,导致需求数据呈现典型的间歇性、小样本特点.当面对间歇性程度高、突发需求较大的序列时,现有预测模型难以准确捕获其需求波动规律,无法有效预测配件需求走势.为提高多组配件的预测精度和稳定性,同时考虑序列间结构化信息和序列自身时序演化信息,提出一种新的多变量间歇性时间序列预测方法.首先,提出一种基于张量的轻型梯度提升机模型,通过张量分解,重构原始需求数据,修正序列中的异常需求值,并利用轻型梯度提升机对多组序列进行联合预测;然后,构建一种新的线性衰减修正模型,将修正因子引入线性衰减指数平滑方法,对每条序列分别预测需求量和间隔区间;最后,将2个预测模型进行加权融合,得到最终预测结果.分别在2个复杂装备制造企业的售后配件需求数据集上进行实验验证,实验结果表明,与多个时间序列预测算法相比,所提出方法能够有效预测需求波动趋势,提升预测精度和数值稳定性.     

基于BP神经网络的电网通信业务需求量预测方法

在开展配电网工作前,通常需要设计相应的配电方案,该方案主要根据电网通信业务需求量预测状况制定。传统的电网通信业务需求量预测方法预测的业务量不准确,不符合现有的电网通信方案设计需求,因此基于BP神经网络设计了新的电网通信业务需求量预测方法。首先,分析了电网通信业务需求相关因素;其次,辨识了电网需求预测异常数据;最后,基于BP神经网络构建了电网通信业务需求预测模型,从而实现了电网通信业务需求预测。通过进行实验,结果表明设计的业务需求量预测方法的预测较为准确,有一定的应用价值,可以作为电网通信方案设计的参考。     

基于Elman神经网络的短期天然气负荷预测建模与仿真

天然气负荷预测天然气负荷准确预测是天然气管网的优化的基础。短期天然气负荷变化呈现伪周期性和随机性。为了提高天然气负荷的预测精度,提出一种基于Elman神经网络天然气负荷预测模型,并采集某企业的天然气负荷数据进行仿真,并BP神经网络预测模型进行了对比分析,仿真结果验证所建立预测模型是可行且有效的,具有一定的应用价值。