检索结果-南通市图书馆

认知性VDT持续监控作业人因可靠性动态预测方法

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

数学的实践与认识 2019年第4期49卷 99-105页

作者：冯海芹廖斌罗俊浩王泰鑫四川城市职业学院汽车与信息工程学院四川成都610101 四川师范大学商学院四川成都610101

结合N-back任务范式和持续操作测试(CPT)任务范式,设计出模拟认知性VDT持续监控作业的实验.根据实验数据:分别对脑力负荷评估指标体系中的6个评估指标在20个作业时间段的均值进行方差分析,差异显著;训练非线性自回归神经网络模型(NAR),... 详细信息

结合N-back任务范式和持续操作测试(CPT)任务范式,设计出模拟认知性VDT持续监控作业的实验.根据实验数据:分别对脑力负荷评估指标体系中的6个评估指标在20个作业时间段的均值进行方差分析,差异显著;训练非线性自回归神经网络模型(NAR),对不同作业时间段脑力负荷在评估指标上发生的变化进行动态预测;再结合认知性VDT持续监控作业人因可靠性评估模型对人因可靠性概率进行预测.研究结果表明:该方法可动态预测不同时间段作业者的人因可靠性,实现认知性VDT持续监控作业任务的动态分配,提高系统可靠性.

关键词： VDT 认知性监控人因可靠性动态预测非线性自回归神经网络

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

自回归神经网络的电离层总电子含量预报

导航定位学报 2018年第4期6卷 96-101页

作者：吉长东王强沈祎凡潘飞辽宁工程技术大学测绘与地理科学学院辽宁阜新123000

为了进一步提高TEC的预报精度,针对TEC时间序列高噪声、非平稳、包含线性和非线性动态序列的特性,运用经验模态分解和非线性自回归动态神经网络,基于分解-预测-重构的思想构建EMD-NAR预测模型;并对比分析EMD-NAR组合模型和单一模型的预... 详细信息

为了进一步提高TEC的预报精度,针对TEC时间序列高噪声、非平稳、包含线性和非线性动态序列的特性,运用经验模态分解和非线性自回归动态神经网络,基于分解-预测-重构的思想构建EMD-NAR预测模型;并对比分析EMD-NAR组合模型和单一模型的预报精度,同时运用EMD-NAR预测模型分析不同环境下的电离层TEC时间序列。实验结果表明EMD-NAR动态神经网络模型能很好地反映电离层TEC的变化特性,平静期和活跃期的预测平均相对精度分别为94%和88.3%,预报残差小于1个TECu的分别占71%和68.5%,小于3个TECu的分别占90.3%和87.5%。

关键词：非线性自回归神经网络电离层预报时间序列经验模态分解总电子含量

基于退化数据的航天继电器贮存可靠性分析与寿命预测方法研究

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

基于退化数据的航天继电器贮存可靠性分析与寿命预测方法研究

作者：符赛江苏科技大学

学位级别：硕士

航天继电器是一种军用的自动控制电子元器件,常被应用在需要长期贮存的武器装备中。正确预估航天继电器的贮存寿命对保证国防武器在正常寿命周期内的使用具有重要作用,也可为国防武器的“合理定寿,科学延寿”提供理论和技术指导。目前,... 详细信息

航天继电器是一种军用的自动控制电子元器件,常被应用在需要长期贮存的武器装备中。正确预估航天继电器的贮存寿命对保证国防武器在正常寿命周期内的使用具有重要作用,也可为国防武器的“合理定寿,科学延寿”提供理论和技术指导。目前,传统的试验方法无法较快的获得失效数据,航天继电器贮存寿命预测方法较为单一。针对以上问题,本文在分析航天继电器贮存可靠性及失效模式的基础上,对航天继电器加速退化试验方法和贮存寿命预测方法进行了研究。首先,对航天继电器在长期贮存过程中影响因素进行分析,确定了几种影响航天继电器性能退化的影响因子。通过建立以接触电阻异常为顶事件的故障树,初步确定温度是影响航天继电器贮存可靠性的主要环境应力。在此基础上,研究了航天继电器触头表面腐蚀膜生长扩散过程,进一步确定了温度对航天继电器触点表面腐蚀膜形成的影响,为航天继电器退化试验的设计提供了依据。其次,通过确定试验类型、试验应力、试验应力水平、样本数量、监测周期以及监测参数等内容,设计了航天继电器加速退化试验方案。结合试验系统进行航天继电器加速贮存退化试验,得到接触电阻、吸合时间、释放时间和超程时间等试验数据,在此基础上分析了接触电阻的变化规律。为了避免误差带来的影响,本文利用小波去噪对试验数据进行去噪处理。同时,为了避免在后期的学习中奇异样本数据引起训练时间增加的问题,本文利用最值归一法对去噪后的数据进行归一化处理,这也为下文预测模型对航天继电器贮存寿命预测提供了依据。然后,分析了动态神经网络在航天继电器贮存寿命预测上的适用性。通过对非线性自回归神经网络网络结构的分析,网络模式以及模型参数的选择,建立了基于非线性自回归神经网络的航天继电器贮存寿命预测模型。利用该模型对接触电阻进行训练、学习及预测,并对预测结果进行分析。最后,建立了一种基于结构风险最小化原则的支持向量机航天继电器贮存寿命预测模型。通过对支持向量机核函数的研究、模型参数的选择及优化,建立了基于支持向量机航天继电器贮存寿命预测模型。通过所建的支持向量机预测模型对接触电阻进行训练、预测,并对预测结果进行对比分析。结果表明,两种预测模型都可以较好的预测航天继电器贮存寿命,且支持向量机预测模型的准确性较高于非线性自回归神经网络模型。

关键词：航天继电器寿命预测接触电阻非线性自回归神经网络支持向量机

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

智能轮椅人机接口中表面肌电信号动作识别

智能轮椅人机接口中表面肌电信号动作识别

作者：李林伟河南理工大学

学位级别：硕士

近年来,随着现在计算机技术、神经学、数字信号处理技术和模式识别等技术的快速发展,相关研究人员对表面肌电信号(surface electromyography,s EMG)进入了进一步研究。研究表明,表面EMG在智能假肢、智能轮椅、康复医学等领域有着广泛应... 详细信息

近年来,随着现在计算机技术、神经学、数字信号处理技术和模式识别等技术的快速发展,相关研究人员对表面肌电信号(surface electromyography,s EMG)进入了进一步研究。研究表明,表面EMG在智能假肢、智能轮椅、康复医学等领域有着广泛应用。本文在深入探究表面EMG发放机理的基础上,并结合表面EMG的特性,主要研究人体上肢手臂的表面肌电信号的拾取以及多动作模式识别算法,进而实现手腕展拳、握拳、内翻及外翻四种动作模式分类。通过这个研究工作可以为基于肌电的智能轮椅提供一定的参考依据和实践平台。主要研究工作及创新之处如下:(1)搭建基于labview的EMG采集平台,分为采集表面EMG需要的硬件电路和labview搭建的软件系统两个方面。设计的平台可以实时采集和处理有效的EMG。(2)针对表面EMG的非平稳性和非线性特性以及小波包多尺度分解后系数维数过高的问题,为了在表征有效的肌电信号的同时,最大程度的降低特征空间的维数进而简化分类器的结构,提出一种小波包多尺度分解的特征表示和模式识别方法。对采集到的肱桡肌、桡侧腕屈肌、尺侧腕屈肌和指伸肌四路表面EMG进行小波包多尺度分解,得到分解后的小波系数。然后,一方面根据小波包多尺度分解系数与表面肌电信号能量之间的内在联系重构了特征向量,另一方面根据正交小波包基组成的基向量重构特征向量,分别获得动作模式特征矩阵;并与时域法、频域法、时-频域法等特征提取方法对比实验。通过使用非线性自回归神经网络分类器进行对比实验可知,提出的小波包多尺度分解后重构特征向量的方法明显优于时域分析法及常用的频域和时频域分析法,能够很好的体现表面EMG的特征并简化分类器的结构。(3)为了提高前臂动作模式的识别效率,运用非线性自回归神经网络对表面信号进行动作模式识别。通过与Bayes算法、Fisher、BP网络、K近邻和SVM等分类模型对比实验可知,非线性自回归网络对动作模式的特征识别效率更高。实验结果表明,运用文中提出的表面肌电信号的动作模式特征表示和识别方法能够识别手腕握拳、展拳、手腕内翻和外翻四种动作模式,平均识别率为95.0%。

关键词：表面肌电信号小波包多尺度分解特征提取算法动作模式识别非线性自回归神经网络肌电控制

基于交叉递归分析的机械旋转部件退化跟踪与故障预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于交叉递归分析的机械旋转部件退化跟踪与故障预测研究

作者：王璞东南大学

学位级别：硕士

机械旋转部件作为一种不可缺少的传动装置,在现代工业生产中占据着重要地位。一旦其产生故障,不仅会降低生产效率,严重时甚至会造成灾难性的人员伤亡。因此,为了确保机械设备安全高效的运行,对旋转部件建立科学的维护策略十分重要。目前... 详细信息

机械旋转部件作为一种不可缺少的传动装置,在现代工业生产中占据着重要地位。一旦其产生故障,不仅会降低生产效率,严重时甚至会造成灾难性的人员伤亡。因此,为了确保机械设备安全高效的运行,对旋转部件建立科学的维护策略十分重要。目前,机械旋转部件的故障维护策略已从最初的故障后维修,过渡到了基于设备状态的维护,并逐渐向智能化预见性维护即故障预测方向发展。相比传统针对已出现故障进行分类的方法,故障预测则是在故障失效发生前通过监测机械部件全寿命周期的退化过程,建立模型对其剩余使用寿命进行预测。因此,旋转部件的故障预测研究对于减少停机时间、提高生产效率有着极为重要的意义。针对现有故障预测研究在建立非线性退化跟踪方法、快速响应的初始故障预测模型、长期稳定的深度学习剩余寿命预测模型等方面的不足,本文以机械系统旋转部件为研究对象,以非线性相空间重构理论为基础,开展了旋转部件退化跟踪及寿命预测的研究。主要研究工作包含以下四个方面:(1)系统学习了基于Takens嵌入定理的非线性相空间重构理论,并针对相空间重构中的延迟时间和嵌入维数计算方法进行了详细研究。通过定性讨论和仿真实验结果表明,基于互信息熵与虚假邻近点的延迟嵌入相空间重构方法能够以原系统单变量时间序列重构等价相空间,并保留原系统相空间的基本结构及动力学特性。(2)研究了基于相空间重构的交叉递归分析方法,并通过搭建基于交叉递归的多参数轴承故障识别模型,详细分析该方法在不同工况、不同故障类别下提取的特征对故障严重程度描述的稳定性与灵敏度。通过对比实验表明,交叉递归分析方法相比于目前已应用于故障识别的传统递归分析方法,可以显著提高对早期故障检测的灵敏度和故障程度判定的稳定性。(3)提出了基于改进交叉递归定量分析的旋转部件退化跟踪方法。提取递归熵参数作为健康指标,建立退化趋势;针对传统交叉递归分析需要大量时间来计算重构相空间直径的缺陷,提出了基于数据离散程度分析的替代算法以减少时间消耗;利用温度信号作为辅助信息,提出了一种新的自适应健康状态划分方法,用以监测退化曲线上初始故障点的产生,同时利用非线性自回归神经网络对退化曲线进行多步向后预测,实现初始故障点的预测。对轴承振动信号的实验证明,改进的交叉递归分析方法可以减少90%以上的时间消耗;利用小波分析提取的故障特征频率验证了初始故障点的检测准确度。(4)提出了基于改进门控循环网络的机械旋转部件剩余寿命预测方法。采用改进交叉递归率和确定率形成的退化曲线作为模型输入,预测下一时刻的剩余使用寿命;综合考虑预测效果与不同网络结构对训练数据规模的要求,引入门控循环网络进行寿命预测,在减少网络参数的基础上维持较好的预测能力;引入惩罚因子改进用于网络训练的传统平方误差目标函数,使网络训练满足了提前预测风险小于滞后预测的现实意义。

关键词：机械旋转部件相空间重构退化跟踪剩余寿命预测改进交叉递归定量分析方法非线性自回归神经网络门控循环网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

时间序列预测模型及其算法研究

时间序列预测模型及其算法研究

作者：罗凤曼四川大学

学位级别：硕士

在自然科学和社会科学各领域中，大量决策问题离不开预测，预测是决策的基础。解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。实际中，有关事物的信息经常是不完全的，有关的理论也是不完善的，人们对事物的了... 详细信息

在自然科学和社会科学各领域中，大量决策问题离不开预测，预测是决策的基础。解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。实际中，有关事物的信息经常是不完全的，有关的理论也是不完善的，人们对事物的了解仅限于观测数据，即时间序列，因此只能利用现有的历史数据构造模型，进而预测未来。本文首先介绍了时间序列预测目前采用的方法与各种预测模型，介绍了这些方法与模型的性质特征，总结出目前的方法与模型在处理非线性系统的预测方面的特点与需要改进的一些方面;然后介绍了近些年兴起的神经网络尤其是前馈神经网络(BP神经网络)在非线性预测模型方面的应用及表现出来的良好的特性与优势，同时也指出BP神经网络预测模型及其在训练算法方面的一些固有缺陷：BP神经网络是一种静态的网络，没有时间处理能力，所以不能进行时间序列模式的识别;标准BP算法收敛速度慢、易落入局部极小点。针对这些缺陷，本文提出采用线性AR预测模型良好的对时间序列的模式识别能力来进行识别，构造出具有代表性的样本训练神经网络;同时在分析了标准遗传算法的主要缺点的基础上，对标准遗传算法(SGA)进行了改进设计，然后用改进的遗传算法(IGA)来优化网络的初始权阈值，最后采用L-M(Levenberg-Marquardt)BP算法来进行网络的训练与寻优。这样，既运用了AR模型良好的模型辨识能力，又发挥了神经网络良好的非线性映射能力，还综合了遗传算法的全局优化能力，从而使构造的预测模型更加实用、特性更好。本文将所构造的模型与所设计的算法应用到都江堰灌区渠首岷江上游来水预测中，并通过大量的实验与仿真，实验结果表明，本文所设计的模型与算法

关键词：时间序列预测非线性自回归神经网络 LMBP算法标准遗传算法(SGA) 改进遗传算法(IGA)

基于人工神经网络模型的污水处理厂出水水质预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于人工神经网络模型的污水处理厂出水水质预测研究

作者：金庆灵天津大学

学位级别：硕士

改善污水处理厂的运行和管理是保护水环境的关键,水处理标准的不断提高,对污水厂的在线检测和优化控制提出了更高的要求。但目前难以用硬件传感器在线检测所有运行参数,且运行费用昂贵、可能导致数据偏差,因此利用现有易测得的过程变量... 详细信息

改善污水处理厂的运行和管理是保护水环境的关键,水处理标准的不断提高,对污水厂的在线检测和优化控制提出了更高的要求。但目前难以用硬件传感器在线检测所有运行参数,且运行费用昂贵、可能导致数据偏差,因此利用现有易测得的过程变量,建立可进行实时估量的软测量模型,预测水质总氮等重要指标来指导污水处理的过程控制及故障诊断,是一种优化污水处理过程管理的有效方式。人工智能建模的最新进展提出了一种污水处理过程的建模方法。因此,本文主要研究利用人工神经网络对活性污泥过程进行建模,从而为污水处理厂的维护和管理提供参考。本文的主要研究目的是利用神经网络对活性污泥过程建模,将动态神经网络模型用于污水处理厂出水水质预测。为了实现污水厂出水化学需氧量、总氮等预测,本文采用多层感知器网络与非线性自回归网络,分别建立了静态单一模型与动态单一模型,同时,采用主成分分析法,开发了一种复合神经网络模型,并对静态和动态模型、单一模型及复合模型进行了比较分析。此外,本文比较分析了神经网络训练算法等各种模型参数对预测性能的影响。仿真结果表明,出水化学需氧量指标预测时,静态模型和动态模型的均方误差分别低至7.2mg/L、2.9 mg/L;出水总氮指标预测时,均方误差分别为1.8 mg/L、0.8 mg/L。结果证明所建立的动态复合模型比静态模型具有更高的预测精度,且复合模型在各种模拟方案下均优于单一模型。主成分分析在降维方面具有显著效果,对提高模型性能具有良好作用。综上所述,动态复合模型能够模拟污水活性污泥处理过程,对研究污水处理及污水厂稳定运行与管理的策略、实现完整的数据驱动和故障诊断预测具有重要的意义。

关键词：污水处理水质预测非线性自回归神经网络多层感知器

基于LSTM和NARX的风电场短期风电功率预测研究

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LSTM和NARX的风电场短期风电功率预测研究

作者：张旭冉山东建筑大学

学位级别：硕士

风能是世界第三大可再生能源且发展潜力巨大,中国已成为世界装机容量最大的国家和地区。但风能存在随机性和不稳定性,尤其是大规模风电并网时将对当地电网造成巨大冲击,严重影响当地电网安全。目前解决大规模风电并网安全性问题最有效... 详细信息

风能是世界第三大可再生能源且发展潜力巨大,中国已成为世界装机容量最大的国家和地区。但风能存在随机性和不稳定性,尤其是大规模风电并网时将对当地电网造成巨大冲击,严重影响当地电网安全。目前解决大规模风电并网安全性问题最有效的方法就是风电功率预测,尤其是超短期和短期风电功率预测。因此,无论对于风电生产者还是风电输送方,风电功率预测方法的研究具有重要的现实需求,而且更高精度的预测方法将是风电工业和研究者长期追求的目标。风力发电机主要由叶轮、机舱和塔架组成,其中叶轮由叶片和轮毂组成。叶片的主要功能是吸收风能,将风能转化为机械能,然后利用齿轮带动发电机,进而将机械能转化为电能。风电功率主要受风速和风向等因素影响,尤其是风速对风电功率影响巨大,而风速又受大气温度、气压、大气密度等气象因素影响。因此尽量提高风机所在位置处风速、风向的预测精度,是建立高精度风电功率预测模型的基础。长短期记忆网络(Long Short-Term Memory,LSTM)是一种实用循环神经网络模型,具有强大的时间序列处理能力。带有外部输入的非线性自回归(Nonlinear AutoRegressive with eXternal input,NARX)神经网络是一种动态神经网络模型,该模型充分利用MLP(Multi-Layer Perceptron)网络良好的非线性映射能力,同时结合了有源自回归时间序列模型。本文将LSTM神经网络和NARX神经网络引入风电功率预测模型,提出风速、风向与风电功率分别预测的两阶段风电功率预测模型(LSTM—NARX模型)。基于历史上气象服务公司提供的风速、风向预测数据与风电场对应实测风速、风向数据采用LSTM模型建立风速、风向预测模型,提高气象服务公司提供的风速、风向数据预测精度;采用高精度风速、风向预测数据和风电场对应风电功率数据建立基于NARX神经网络的风电功率预测模型,提高风电功率模型整体预测精度。由于LSTM存在处理固定长度序列数据的限制,对于不定长序列数据采用Seq2Seq模型进行处理更为适合。该模型将一个序列作为输入映射到另一个输出序列时,主要完成编码输入与解码输出两个基本环节。参照前述LSTM—NARX两阶段风电功率模型,提出基于Seq2Seq和NARX模型的风电功率预测模型(Seq2Seq—NARX模型)。用Seq2Seq模型替代前述两阶段风电功率预测模型中的LSTM模型,实现对气象服务公司提供的未来一段时间内气象信息的更高精度的预测。基于美国WIND Toolkit 2012年数据集对提出的风电功率预测模型进行仿真实验。仿真实验风电场系统标志号SID为120914,数据采集年度为2012全年数据。数据经过重采样、归一化、离散化等预处理,分别对LSTM—NARX风电功率预测模型和Seq2Seq—NARX风电功率预测模型进行仿真。仿真实验结果表明本文提出的LSTM—NARX风电功率预测模型预测误差比传统直接预测方法降低13%左右,Seq2Seq—NARX模型在进行超短期风电功率预测时预测精度高于LSTM—NARX风电功率预测模型。

关键词：风电功率预测长短期记忆网络非线性自回归神经网络 Seq2Seq

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深圳大鹏湾波浪数值预报研究

深圳大鹏湾波浪数值预报研究

作者：方莹清华大学

学位级别：硕士

深圳大鹏湾位于南海北部,西邻珠江口,东接大鹏半岛,沿岸建有港口、海水泳场、浅海养殖区、以及深水航道,人工作业繁忙。因此湾内波浪的准确预报对于大鹏湾内作业安全、以及海洋灾害预警具有十分重要的意义。同时深圳市为社会经济发展以... 详细信息

深圳大鹏湾位于南海北部,西邻珠江口,东接大鹏半岛,沿岸建有港口、海水泳场、浅海养殖区、以及深水航道,人工作业繁忙。因此湾内波浪的准确预报对于大鹏湾内作业安全、以及海洋灾害预警具有十分重要的意义。同时深圳市为社会经济发展以及公众安全,在深圳周边海域建立了全面的海洋环境浮标监测网络。本文在该监测网络的基础上开展了波浪在线预报模型的研究,该模型包括两部分:基于数据驱动模式的浮标在线预报模型,以及基于海-气耦合数值模式的波浪场区域预报模型。首先基于大鹏湾波浪浮标在线监测数据,采用了数据驱动模式实现大鹏湾单点波浪的在线实时预报。采用两种非线性自回归人工神经网络NAR、NARX对大鹏湾内湾口、大梅沙与东涌浮标站分别进行了3h、6h以及12h的有效波高预报。结果显示大梅沙与湾口站点3h与6h预报的平均误差在0.1m以内;东涌3h、6h与12h预报误差均在0.1m以内,预报相关系数在0.904以上。基于大气中尺度模式WRF与浅水波浪数值模式SWAN的耦合模型WRFWAN建立了大鹏湾波浪场区域预报模式。并研究了WRF模式中不同参数如垂直层数、顶部气压、微物理过程对模拟结果的影响,以及采用地理信息管理GIS空间分析模型研究了土地覆被的变化对大鹏湾风场的影响;此外,研究了SWAN模式中白冠破碎速率对波浪场的影响。模型参数率定后大鹏湾内浮标站点的有效波高计算结果平均误差在0.29m以内。为验证WRFWAN耦合模式的适应性,将其应用于2014年第15号台风“海鸥”袭击大鹏湾期间的波浪场进行后报验证;验证结果表明在台风“海鸥”期间大鹏湾的有效波高后报平均误差在0.32m以内。最后采用NOAA的全球预报系统GFS提供的气象预报数据作为SWANRF模式的预报初始与边界条件对大鹏湾波浪进行72h预报。湾口波浪预报绝对误差为0.23m,精度满足日常预报要求。计算结果说明本文所建的WRFWAN耦合模式适用于深圳大鹏湾的波浪预报。

关键词：非线性自回归神经网络 WRF大气模式 SWAN波浪模式波浪预报