检索结果-内蒙古大学图书馆

干旱区资源与环境 2025年第3期39卷 152-162页

作者：王永生谭诗怡刘文静刘广文张德龙内蒙古工业大学数据科学与应用学院呼和浩特010080 内蒙古自治区气象数据中心呼和浩特010051

沙尘天气会使空气浑浊、空气污染物含量剧增,给人类生产生活带来恶劣影响。研究可吸入颗粒物(PM_(10))浓度变化趋势并提前预测结果,有利于提前预防沙尘空气污染物带来的危害。为提高沙尘污染物浓度预测精度,解决传统单一模型预测结果滞... 详细信息

沙尘天气会使空气浑浊、空气污染物含量剧增,给人类生产生活带来恶劣影响。研究可吸入颗粒物(PM_(10))浓度变化趋势并提前预测结果,有利于提前预防沙尘空气污染物带来的危害。为提高沙尘污染物浓度预测精度,解决传统单一模型预测结果滞后及拟合性较差等问题。为此,提出一种基于变权重组合的沙尘PM_(10)浓度混合预测方法。1)利用极端梯度提升回归树算法筛选重要气象特征,并将PM_(10)和筛选出来的气象特征通过长短期记忆提取输入变量中隐藏的时序特征关系。2)使用能量熵优化变分模态分解算法对PM_(10)进行分解,利用门控循环单元对分量进行预测。3)采用变权值动态分配法组合单一预测模型的PM_(10)浓度预测值,构建基于变权重组合的沙尘PM_(10)浓度混合预测模型。在内蒙古二连浩特数据集上进行实验,实验结果表明文中提出的混合预测模型的预测精度优于单一预测模型,混合预测模型的3个评价指标都优于其他单一预测模型,拟合优度提高2%~20.3%,平均绝对误差降低45%~79.5%,均方根误差降低45.5%~76%。证明本模型能够对PM_(10)浓度进行有效的预测。

关键词： PM_(10)浓度预测沙尘污染物梯度提升回归树算法变分模态分解算法长短期记忆网络门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

引用

可再生能源 2021年第7期39卷 899-907页

作者：吴小涛袁晓辉袁艳斌易凡茹朱婧巍吴育联黄冈师范学院数学与统计学院湖北黄冈438000 华中科技大学土木与水利工程学院湖北武汉430074 武汉理工大学资源与环境工程学院湖北武汉430070

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个... 详细信息

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。

关键词：集合经验模态分解算法变分模态分解算法混合核最小二乘支持向量机蝗虫优化算法

来源：评论

学校读者我要写书评

暂无评论

基于模态分解算法的地震信号去噪研究

基于模态分解算法的地震信号去噪研究

引用

作者：刘军东北石油大学

学位级别：硕士

随着科技的进步,人类活动范围受到的限制越来越小,伴随而来的是勘探区域的地质结构和地质环境日益复杂,这必然会使采集的地震信号中含有的噪声越来越多且越来越复杂,给后续的地震数据处理和解释带来很大困难,并最终影响油气储藏和地质... 详细信息

随着科技的进步,人类活动范围受到的限制越来越小,伴随而来的是勘探区域的地质结构和地质环境日益复杂,这必然会使采集的地震信号中含有的噪声越来越多且越来越复杂,给后续的地震数据处理和解释带来很大困难,并最终影响油气储藏和地质机构的判断。这些噪声可以分为相干噪声和不相干噪声,其中不相干噪声也就是随机噪声普遍存在,难以去除。本文研究模态分解(Mode Decomposition)算法对地震信号中含有的随机噪声进行压制,提高地震信号的信噪比。主要工作有:1、采用经验模态分解算法对地震信号进行去噪。首先对一维合成地震信号进行去噪,然后对实际地震信号的各道信号分别采用经验模态分解算法对其进行去噪,最后合成得到去噪后的实际地震信号。结果表明该方法可以消除信号中的噪声,提高信噪比,验证了该方法的去噪效果。2、采用完备总体经验模态分解算法对地震信号进行去噪。首先对一维合成地震信号进行去噪,然后对实际地震信号的各道信号分别采用完备总体经验模态分解算法对其进行去噪,最后合成得到去噪后的实际地震信号。从结果可以看出完备总体经验模态分解很好的解决了经验模态分解的模态混叠,同时经验模态分解的完备性也得以保持。3、采用基于相关系数的变分模态分解算法对地震信号进行去噪。首先对一维合成地震信号进行去噪,然后对实际地震信号各道信号分别采用基于相关系数的变分模态分解算法对其进行去噪,最后合成得到去噪后的实际地震信号。去噪的结果表明该方法在分解变分模态时可以选择最合适的K值,克服了选取K的盲目性,去噪的效果要好于经验模态分解和完备总体经验模态分解。

关键词：地震信号经验模态分解算法完备总体经验模态分解算法变分模态分解算法

来源：评论

学校读者我要写书评

暂无评论

基于WOA-VMD-ELM的煤矿机械胶带机滚动轴承故障诊断研究

引用

机械设计与制造工程 2025年第3期54卷 111-115页

作者：寇磊李万仕陕西延长石油矿业有限责任公司陕西榆林718000 陕西华彬煤业股份有限公司蒋家河煤矿陕西咸阳713500

为提高煤矿机械胶带机滚动轴承故障诊断的准确率,提出一种基于WOA-VMD-ELM模型的故障诊断方法。首先采用鲸鱼优化算法(WOA)搜索变分模态分解(VMD)算法的最佳分解层数和惩罚因子,以改进VMD算法。然后利用改进VMD算法分解煤矿机械胶带机... 详细信息

为提高煤矿机械胶带机滚动轴承故障诊断的准确率,提出一种基于WOA-VMD-ELM模型的故障诊断方法。首先采用鲸鱼优化算法(WOA)搜索变分模态分解(VMD)算法的最佳分解层数和惩罚因子,以改进VMD算法。然后利用改进VMD算法分解煤矿机械胶带机滚动轴承信号并构建特征矩阵。最后将特征矩阵输入极限学习机(ELM)网络中进行分类。结果表明,该方法可实现不同类型和不同直径的煤矿机械胶带机滚动轴承故障诊断,平均准确率达到97%以上,提高了煤矿机械胶带机滚动轴承故障诊断的准确率。

关键词：煤矿机械滚动轴承故障诊断变分模态分解算法极限学习机

来源：评论

学校读者我要写书评

暂无评论

一种参数优化VMD多尺度熵的轴承故障诊断新方法

引用

控制与决策 2020年第7期35卷 1631-1638页

作者：黄大荣柯兰艳林梦婷孙国玺重庆交通大学信息科学与工程学院重庆400074 广东石油化工学院广东石油化工装备故障诊断重点实验室广东茂名525000

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装... 详细信息

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.

关键词：轴承故障变分模态分解算法多尺度熵算法线性判别分析算法支持向量机故障特征识别

来源：评论

学校读者我要写书评

暂无评论

基于WOA-VMD和香农熵的锂电池早期故障诊断研究

引用

汽车工程 2024年第7期46卷 1189-1196页

作者：胡杰程雅钰余海贾超明卿海华武汉理工大学现代汽车零部件技术湖北省重点实验室武汉430070 武汉理工大学汽车零部件技术湖北省协同创新中心武汉430070 能源与智能网联车工程技术研究中心武汉430070

针对当前电池管理系统无法诊断早期故障的问题,本文提出了一种基于WOA-VMD和香农熵的锂电池早期故障诊断方法。首先引入鲸鱼优化算法对变分模态分解算法进行参数寻优,提高变分模态分解算法的分解效果,使之分解得到包含更多故障特征信息... 详细信息

针对当前电池管理系统无法诊断早期故障的问题,本文提出了一种基于WOA-VMD和香农熵的锂电池早期故障诊断方法。首先引入鲸鱼优化算法对变分模态分解算法进行参数寻优,提高变分模态分解算法的分解效果,使之分解得到包含更多故障特征信息的本征模态函数分量,再对单体电池电压信号进行分解重构,减少测量噪声和额外激励电压造成的影响。进而采用滑动窗口计算单体电压的香农熵极差和单体电压离差的总体香农熵,设置合适的阈值进行早期故障诊断。经过实际车辆数据验证,该方法可以提前10 min左右进行故障预警,且对于无故障车辆不会产生虚假预警,具有较强的鲁棒性和可靠性。

关键词：鲸鱼算法变分模态分解算法香农熵故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于VMD-MSE的渣浆泵轴承故障智能诊断方法

引用

洁净煤技术 2024年第S02期30卷 28-33页

作者：李江涛国能神东煤炭集团有限责任公司陕西榆林719315

针对轴承振动信号中的噪声问题,本文提出了一种基于VMD和MSE的混合算法用于轴承故障诊断方法。采用变分模态分解(VMD)算法对原始信号进行分解,并通过相关系数法筛选有效分量,之后对信号进行重构。然后,运用多尺度熵(MSE)算法提取特征向... 详细信息

针对轴承振动信号中的噪声问题,本文提出了一种基于VMD和MSE的混合算法用于轴承故障诊断方法。采用变分模态分解(VMD)算法对原始信号进行分解,并通过相关系数法筛选有效分量,之后对信号进行重构。然后,运用多尺度熵(MSE)算法提取特征向量,并结合支持向量机(SVM)进行故障诊断。研究结果表明,该方法在轴承故障诊断中的识别准确率达到了98.33%。

关键词：变分模态分解算法多尺度熵 SVM 故障诊断

来源：评论

学校读者我要写书评

暂无评论

基于改进随机森林的高光谱激光雷达信号分选研究

引用

激光杂志 2024年第8期45卷 218-223页

作者：刘子恒刘汉城敏乾甘肃民族师范学院甘肃合作747000

高光谱激光雷达数据在频谱维度上具有很高的维度,包含大量的波段或频带,易出现忽视频谱带中有用信息的情况,进而导致高光谱激光雷达信号分选效果较差。为此,提出基于改进随机森林的高光谱激光雷达信号分选研究。首先,采用变分模态分解... 详细信息

高光谱激光雷达数据在频谱维度上具有很高的维度,包含大量的波段或频带,易出现忽视频谱带中有用信息的情况,进而导致高光谱激光雷达信号分选效果较差。为此,提出基于改进随机森林的高光谱激光雷达信号分选研究。首先,采用变分模态分解算法对高光谱激光雷达含噪信号展开去噪处理;然后,采用长短期记忆神经网络算法对去噪后的高光谱激光雷达信号展开特征提取,并利用自编码神经网络对提取的特征展开重构处理,以获取重构后的雷达信号特征;最后,采用随机森林算法根据高光谱激光雷达信号特征完成信号分选。实验结果表明,所提方法的SNR为30.648 dB,RMSE为0.1498,预测分选类别与实际分选类别几乎一致,分析时间始终未超过5 s,表明所提方法的分选性能较好,具有实用性。

关键词：高光谱激光雷达信号随机森林变分模态分解算法长短期记忆神经网络算法自编码神经网络

来源：评论

学校读者我要写书评

暂无评论

变分模态分解方法在轴承故障诊断中的应用研究进展

引用

润滑与密封 2024年第9期49卷 178-190页

作者：陆志杰王志良鄢小安刘德利孙见君马晨波南京林业大学机械电子工程学院江苏南京210037 苏州长城精工科技股份有限公司江苏常熟215500

作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的... 详细信息

作为旋转机械的核心和易发生故障的部件,滚动轴承及其故障诊断是目前研究的热点和前沿。有效的特征提取方法对于滚动轴承故障诊断至关重要,其中变分模态分解算法(VMD)因对复杂信号具有较强的分析能力和自适应性,应用潜力较好。对VMD的基本原理及其优势、VMD在轴承故障特征提取方面的应用、VMD参数优化方法以及最新进展进行归纳总结,针对VMD参数优化问题,从适应度函数构造和群智能算法改进上,提出一种新的解决方法,并探讨VMD在诊断滚动轴承早期微弱故障和复合故障等方面的不足之处,最后从理论研究和工程应用的角度,展望VMD未来的发展方向,可为从事滚动轴承故障诊断的相关研究人员提供参考。

关键词：滚动轴承故障诊断特征提取变分模态分解算法参数优化

来源：评论

学校读者我要写书评

暂无评论

基于变分模态分解与门控循环单元网络的云资源预测

引用

计算机应用 2021年第S02期41卷 159-164页

作者：束文娟曾凡平陈国柱鲁厅厅刘君怡中国科学技术大学计算机科学与技术学院合肥230022

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要。由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测... 详细信息

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要。由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度。为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD;GRU)。首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果。在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比。CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1%的提升,验证了该方法的有效性。

关键词：云资源预测时间序列预测变分模态分解算法门限循环单元蚁狮优化算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：