基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTMAttention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTMAttention模型具有更高的预测精度,证明了该方法的有效性。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

飞行仿真气动力数据机器学习建模方法

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦合输入全弹道非线性气动力是可行的和有效的,在样本覆盖的高度、速度、姿态和控制舵偏角范围内,气动力拟合能力较强,并具有一定的外推性。该项研究可以为基于飞行试验数据的气动建模提供新的方法,并且能为飞行器气动力数据挖掘、飞行仿真和总体性能分析提供参考。     

基于民航团队旅客销售的组合预测方法分析

利用Matlab分别用回归分析算法、BP神经网络算法、最小二乘支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,期望为民航销售人员提供更加精准的预测信息,以获得更高的航线收益.结果显示神经网络、支持向量机和组合预测3种算法比航空公司常用的回归分析预测精准度有了明显的提高.支持向量机预测精度相对神经网络稍低,却拥有更强的泛化能力.组合预测能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

音频信号矢量编码算法

为了在保证译码恢复的声音质量良好的前提下,减小编码的压缩率,以减小声音信号的存储空间,提出了一种将线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号编码算法,将1列声音信号转换为2列信号,这样就可以进行后续的矢量编码。实现了预测编码和矢量编码的结合。利用Matlab软件编程进行了声音信号编解码实验。实验结果表明,在保证声音质量的前提下,该编码方法的码率小于MEPG-1 Layer3的最低的64kbps标准码率,且算法简单。文章提出的编码算法在音频压缩编码方面将具有较高的研究价值和很好的应用前景。     

音频信号联合编码算法码书长度研究

为进一步减小音频信号的码率,针对基于线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号联合编码(以下简称联合编码),提出了通过合理选择码书长度值进一步减小声音信号码率的算法。利用Matlab软件编程进行了不同码书长度值的声音信号编解码实验。实验结果表明,在保证声音质量的前提下,通过合理选择码书长度值,可以使声音信号的码率远低于MEPG-1 Layer3的最低64kb/s标准码率,达到11.025kb/s的码率值。文章提出的编码算法可为音频压缩编码的进一步研究提供参考。     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于神经网络与蒙特卡洛方法的疲劳寿命可靠性分析

通过加速腐蚀试验以及疲劳试验数据,对腐蚀损伤表征因子(腐蚀坑最大宽度、腐蚀坑最大深度、点蚀率)进行统计分析,应用神经网络和蒙特卡洛法对6A02铝合金试验件的疲劳寿命进行可靠性分析,分析结果与实验结果的相对误差在工程上可以接受。     

基于RBF神经网络的开关磁阻电机在线建模 及其实验验证

 为了获取开关磁阻电机(SRM)的精确模型,提出了一种基于径向基函数(RBF)神经网络对SRM进行建模的方法,主要包括离线建模和在线建模两部分。离线建模通过实验测量得到SRM的磁链特性曲线,并利用该数据训练RBF神经网络,实现SRM磁链的离线建模;在线建模是指当SRM的运行状态发生变化时,离线模型的估计磁链与实际磁链会产生误差,通过对神经网络的输出权值进行在线调节,实现具有在线动态调节功能的SRM在线模型。为了验证该方法的可行性,针对一台12/8结构的SRM样机进行仿真和实验,结果表明SRM的离线模型和在线模型在仿真和实验条件下均能正确地估计SRM的磁链特性,而且在线模型的估计精度高于离线模型,验证了本文的研究方法合理有效。     

一种基于神经网络的飞机载荷参数识别方法

提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别.首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率.载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求.