检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

面向无人机移动目标搜索的群体智能算法研究

面向无人机移动目标搜索的群体智能算法研究

作者：马天禧吉林大学

学位级别：硕士

无人机(UAVs)搜索移动目标是一个复杂的非凸优化难题,其核心目标在于为无人机规划出一条搜索路径,使其在飞行时间内观测到移动目标的累积概率最大。该问题在搜索和救援等领域中具有重要的现实意义,因而成为目前研究兴趣的主题。群体智... 详细信息

无人机(UAVs)搜索移动目标是一个复杂的非凸优化难题,其核心目标在于为无人机规划出一条搜索路径,使其在飞行时间内观测到移动目标的累积概率最大。该问题在搜索和救援等领域中具有重要的现实意义,因而成为目前研究兴趣的主题。群体智能方法由于其解决非凸优化问题的能力而备受关注,且已成功应用到了移动目标搜索问题中。最近,一种名为运动编码机制的路径编码方法被用于解决运动信息丢失的问题。因此,本文首先将该运动编码机制应用于8种群体智能算法,并通过15种具有挑战性的搜索场景来验证每个算法的性能。实验结果表明,相较于其他算法,竞争粒子群优化算法(CSO)在解决移动目标搜索问题上具有显著的优势和潜力。然而,随着目标区域数量的增加以及低概率区域的影响扩大,算法在寻找累积概率值最高的路径时面临更大的挑战。因此,为了解决以上问题,本文提出了一种凸组合多种群竞争群优化算法(CDCSO)来应对涉及各种目标概率区域的复杂场景。首先,CDCSO将种群划分为两个子群,每个子群分别执行CSO算法以增强种群的多样性。其中,具有当前一代全局最优解的子群为获胜子群。随后,本文引入了一种凸组合更新策略,其根据当前代中每个子群的平均位置来更新失败子群的平均位置。该策略有效地避免了种群陷入局部最优解,从而提高了算法的性能。为了探索CDCSO在不同搜索环境中的表现,本文设计了20种搜索场景来评估算法生成的路径。广泛的实验分析表明,CDCSO在无人机移动目标搜索问题上比其他群体智能算法更有竞争力。最后,本文还探究了凸组合更新策略的通用性和有效性。实验结果表明,4种群体智能算法在应用凸组合更新策略后都获得了不同程度的性能提升。

关键词：无人机多种群策略竞争粒子群优化算法凸组合运动编码机制移动目标搜索

基于深度学习的滚动轴承剩余寿命预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的滚动轴承剩余寿命预测方法研究

作者：曹建军兰州理工大学

学位级别：硕士

滚动轴承作为旋转机械必不可少的组成部件,其健康状况会直接影响整个机械设备的安全稳定。为有效监测设备的运行状况,保证其正常运行,滚动轴承的故障预测与健康管理(prediction and health management,PHM)技术被提出,并得到广泛应用。... 详细信息

滚动轴承作为旋转机械必不可少的组成部件,其健康状况会直接影响整个机械设备的安全稳定。为有效监测设备的运行状况,保证其正常运行,滚动轴承的故障预测与健康管理(prediction and health management,PHM)技术被提出,并得到广泛应用。剩余寿命(remaining useful life,RUL)预测技术作为PHM的重要部分,它可以有效识别轴承的故障程度并完成其剩余使用寿命的评估,为设备的及时维护提供可能,最终确保设备可以安全稳定运行。深度学习模型可以有效捕捉到状态监测信号中的时空相关性,因而在轴承的RUL预测中得到了广泛应用。然而,大部分基于深度学习的预测模型仅有单一的预测器结构,导致模型难以有效整合轴承的退化特征;且预测模型容易受到信息冗余的困扰,使得模型的鲁棒性不好;预测模型构建的关键是超参数的选择,而大部分深度学习模型采用深度学习优化算法调参,往往导致参数选择不准确,致使最终的预测结果不好;同时存在预测阈值设置不准确,使得模型的预测精度不高。为解决上述问题,本课题将以XJTU-SY轴承数据集为研究对象,从以下几个方面对滚动轴承的RUL预测展开研究。(1)针对预测任务中,特征提取网络容易陷入信息冗余,使得模型陷入过拟合;长短时记忆网络(long and short term memory network,LSTM)单元中的多层感知机(multi-layer perceptron,MLP)结构对信号数据的特征表达能力不足;手动设置阈值影响模型预测精度等问题,搭建了CALSTM(convolutional neural network and convolutional block attention modulelong short-term memory)的混合预测模型用于滚动轴承RUL预测。该模型通过一维卷积与卷积注意力机制(convolutional block attention module,CBAM)结合构建特征提取模块,解决模型容易受到信息冗余困扰的问题;并以此代替LSTM单元输入端的MLP结构,来解决LSTM输入端对故障特征表达不足的问题;使用寿命百分比作为模型的输入标签,避免人为设置阈值对网络预测精度的影响。实验结果表明,所提方法在轴承寿命预测精度上具有一定的优势。(2)针对故障预测任务中,循环结构与卷积结构在提取轴承退化特征的全局依赖关系方面存在缺陷;标准Transformer模型直接用于时序数据特征提取时,对局部特征的敏感性低;单一预测器特征表征不充分等问题,提出DMSF-Transformer(dilated and multi scale-feature fusion-Transformer)预测模型进行滚动轴承RUL预测。该方法通过引入完全放弃循环和卷积结构的Transformer编码器结构来改善故障特征提取机制对轴承退化全局依赖关系的刻画;并在Transformer的编码器结构中引入膨胀卷积模块,来增强模型对轴承退化局部特征的学习能力;提出了一种多特征融合的预测器结构,来提高预测模型对故障特征的整合能力。最终的验证结果表明,所提改进模型具有更高的累积相对准确度(cumulative relative accuracy,CRA)评价值。(3)针对大部分深度学习模型参数选择需要手动调节,导致模型参数选择过程过于复杂,而且模型预测精度不高的问题,提出了一种基于改进局部搜索的竞争粒子群优化算法(long term competition and exploration-competitive paricle swarm optimization,L-CSO),用于DMSF-Transformer预测模型的参数优化选择。该算法引入了竞争与探索机制,通过一种全新的局部搜索方式寻找最优粒子,利用种群外的粒子与种群内的最优粒子相互竞争,有效避免了粒子陷入局部最优解的问题。为验证算法效果,在17个测试问题上与其他七种经典算法进行比较,结果表明该算法在多个测试问题上可以获得更精确的最优解。最后,将改进算法应用于预测模型参数优化中,构建了L-CSODMSF-Transformer预测模型。实验结果表明,该模型的预测精度得到了明显提高。

关键词：故障预测与健康管理剩余寿命预测卷积注意力机制 Transformer模型竞争粒子群优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征融合的深度语谱特征的鼾声分类方法

基于特征融合的深度语谱特征的鼾声分类方法

作者：魏潇天津大学

学位级别：硕士

阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍,是心血管疾病的危险因素之一。打鼾是阻塞性睡眠呼吸暂停综合征患者的典型症状。上气道阻塞和振动的位置,决定了打鼾和阻塞性睡眠呼吸暂停综合征的手术方案的选择。为了寻找一种能够替代... 详细信息

阻塞性睡眠呼吸暂停(OSA)是一种常见的睡眠障碍,是心血管疾病的危险因素之一。打鼾是阻塞性睡眠呼吸暂停综合征患者的典型症状。上气道阻塞和振动的位置,决定了打鼾和阻塞性睡眠呼吸暂停综合征的手术方案的选择。为了寻找一种能够替代药物诱导睡眠内窥镜检查(DISE)的非侵入式的方法,实现对打鼾时上气道阻塞和振动位置的准确定位,本文提出了一种基于特征融合的深度语谱特征的鼾声分类方法。本文使用的数据是Munich-Passau鼾声语料库(MPSSC)中阻塞性睡眠呼吸暂停患者在DISE检查期间的被采集的鼾声音频信号,由于该语料库已经对数据进行了预处理,包括对有声段与静音段的切割、分段;对鼾声段与有声段的识别;对鼾声段在打鼾时上气道阻塞和振动位置的标记。语料库中的数据为219名受试者的828个鼾声音频和对应的阻塞和振动位置的标记,每个音频的时长在0.73秒到2.75秒之间,分为训练集、开发集、测试集三个子集。本文对每一段鼾声分别进行短时傅里叶变换(STFT)和常数Q变换(CQT),得到基于STFT的语谱图和基于CQT的语谱图。本文通过将得到的两种语谱图分别输入预训练的Alex Net深度卷积神经网络,提取深度语谱特征。本文尝试使用多种方法对提取后的基于STFT的深度语谱特征和基于CQT的深度语谱特征进行特征融合,并且采用竞争粒子群优化(CSO)算法对融合后的特征进行特征选择。在分类器方面,由于特征维度较高,同时样本量较少,本文选取了支持向量机(SVM)分类器,该分类器对OSA患者在打鼾时上气道阻塞与振动位置的识别,与INTERSPEECH 2017计算旁语言学挑战鼾声子挑战中的最好结果相比,在开发集上的未加权平均召回率(UAR)从50.6%提高到了53.9%,测试集上的UAR从64.2%提高到了67.5%。

关键词：阻塞性睡眠呼吸暂停深度语谱特征常数Q变换竞争粒子群优化算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自适应学习种群分布特征的竞争群优化算法

自适应学习种群分布特征的竞争群优化算法

作者：王丹妮西安理工大学

学位级别：硕士

无论是在科学研究还是工程应用上,往往会遇到求解最大(小)值的问题,这类问题被称为优化问题。求解复杂优化问题通常可以采用演化算法找到全局最优解,然而对于大规模优化问题,由于其具有搜索空间巨大、变量之间连接关系复杂的特点,容易... 详细信息

无论是在科学研究还是工程应用上,往往会遇到求解最大(小)值的问题,这类问题被称为优化问题。求解复杂优化问题通常可以采用演化算法找到全局最优解,然而对于大规模优化问题,由于其具有搜索空间巨大、变量之间连接关系复杂的特点,容易导致维度灾难及全局最优解个数呈指数级增加的问题,因此设计高效的大规模演化算法是很有必要的。而竞争粒子群优化算法是近年来提出的一类解决大规模问题的演化算法。由于其操作简单,优化性能强的特点,近年来成为研究的前沿与热点,不少国内外研究人员都对其进行了改进。然而,在竞争粒子群算法(Competitive Swarm Optimization,CSO)的设计和应用过程中,仍然存在没有明确的多样性控制机制以及算法的数学特征尚未被发掘等问题。有鉴于此,本文旨在提出了两种竞争粒子群的改进算法,主要工作如下:1.提出了一种基于多目标的竞争粒子群优化算法。针对传统的竞争群优化算法在求解大规模优化问题时,算法容易陷入局部最优以及收敛性与多样性难以平衡等问题。建立双目标模型,引入非支配排序与选择策略,有效的平衡了种群的探索与开发能力。最后,通过数值实验证明,提出的算法在总体上性能要优于其他对比算法。2.提出了一种基于自适应编码学习的竞争粒子群优化算法。通过公式证明CSO的搜索方程具有旋转可变的特性,充分说明问题的相关性会直接影响到算法的性能,因此,引入了两种机制以有效的提高算法的性能:a)自适应编码学习机制,通过协方差矩阵学习自适应地构建特征坐标系,减轻变量之间的相关性,以此提高算法求解复杂问题的能力;b)自适应坐标系选择机制,根据选择概率自适应的选择直角坐标系与特征坐标系,并为其分配计算资源。在确保收敛速度的同时,增加了种群的多样性。3.将改进的算法应用于光伏组件参数识别问题中,实验结果表明,所提出的改进的算法无论是求解精确性还是稳定性两个方面,均明显优于对比算法。

关键词：竞争粒子群优化算法多目标模型非支配排序选择策略自适应编码学习