基于多元混沌时间序列的数控机床运动精度预测

为了解决有限长度且含有噪声时的单元精度时间序列相空间重构中的信息丢失问题,提出了基于多元混沌时间序列的数控机床运动精度预测方法。首先,引入多元相空间技术,将多个精度特征量时间序列映射到高维相空间,建立多元精度状态空间。然后采用主成分分析法,对高维相空间实现降维,去除冗余。最后,构建一种小波神经网络模型,将重构信息输入到预测模型中训练,实现对数控机床运动精度的预测。实验表明,该方法能够很好地分析数控机床运动精度变化规律,比单元混沌时间序列方法有更好的预测效果,且适应性和实用性更强。     

不同时间尺度吉林市地下水位混沌特性与空间分布

0-1测试方法是一种可直接作用于时间序列的二元混沌识别方法,该方法不需要相空间重构,是通过量化指标Kc是否接近于0或1来识别时间序列的混沌特性。通过对Chebyshev映射进行混沌检验,验证了其有效性。运用该方法对吉林市83眼监测井2001—2010年不同时间尺度(5、10、15和30 d)地下水埋深监测序列进行了混沌识别,并进行了混沌程度比较和空间分布研究。结果表明:吉林市不同时间尺度地下水埋深序列均表现出混沌特性。同时,均方位移随时间的渐进增长率K的空间插值结果具有明显的分区特征,即吉林市北部和南部为高值区,城区为相对低值区,并且随着时间尺度的增大,城区K值的相对低值区范围增大。研究表明,0-1混沌测试方法简单有效,并且具有反映数据序列混沌程度的特性。     

考虑混沌成分的混凝土坝混合-混沌预测模型

混凝土坝表现出复杂的非线性动力学特性。考虑混沌成分对测值序列整体数值特征的影响,是提高混凝土坝位移监控模型拟合和预测精度的关键问题之一。在对混凝土坝监测资料混沌分析的基础上,基于混凝土坝系统演化过程中的非线性动力学特性,组合应用最大Lyapunov指数、相空间重构等数值分析手段,探讨了考虑混沌成分的混凝土坝混合-混沌预测模型构建原理与算法。该模型重点依据的是最近一次位移突变后的监测资料,考虑的是突变后形成的相对稳定的混凝土坝动力系统特性,实例证明该模型对混凝土坝位移的实时监测和预警都有重要意义。     

基于混沌理论的降水量预测方法研究

【目的】得到精确度较高的月降水量预测值。【方法】首先利用C-C关联积分法来确定波密站月降水量非线性系统的时间延迟τ和嵌入维数m,再对月降水量时间序列进行相空间重构,并利用小数据量法求取Lyapunov指数来判断月降水量时间序列的混沌特征,然后构建Volterra模型分别进行短期5a和长期15a降水量预测,将其预测小波预测模型和SVR预测模型的预测值对比,最后对Volterra短期预测模型进行叠加预测误差分析和模型推广分析。【结果】Volterra模型对混沌特征明显的月降水量进行短期预测时,其MAPE和EC分别为4.04%和0.941,相比小波和SVR模型来说具有较高的预测精度,同时叠加预测误差较小,其MAPE为7.657%,EC为0.894;而在长期预测时,该模型预测精度不如SVR模型;同时Volterra模型对混沌特征弱的月降水量进行短期预测时,其模型预测效果并不理想,MAPE为54.855%,EC仅为0.566。【结论】该方法能提供精确度较高的降水量预测值,为降水量的预测提供一种新的方法。     

基于多头自注意力机制的茶叶采摘点语义分割算法

茶叶采摘点定位是茶叶选择性采摘的关键技术之一，在茶树采摘场景中，存在采摘点尺度小、背景干扰大、光照情况复杂等问题，导致准确分割茶叶采摘点成为难题。本研究针对茶园场景下采摘点精确分割问题，构建了一种基于多头自注意力机制结合多尺度特征融合的语义分割算法——RMHSA-NeXt。首先使用ConvNeXt卷积神经网络提取图像特征；其次构造基于残差和多头自注意力机制的注意力模块，将模型注意力集中于分割目标，增强重要特征的表达；再次通过多尺度结构(Atrous spatial pyramid pooling, ASPP)将不同尺度的特征进行融合，在其中针对采摘点特性，在融合过程中使用条状池化(Strip pooling),减少无用特征的获取；最后通过卷积以及上采样等操作完成信息的解码，得出分割结果。试验表明，茶园环境下该模型可以对采摘点进行有效分割，模型的像素准确率达到75.20%,平均区域重合度为70.78%,运行速度达到8.97 f/s。基于相同测试集将本文模型与HRNet V2、EfficientUNet++、DeeplabV3+、BiSeNet V2模型进行对比，结果表明相比于其他模型同时...     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

基于混沌相空间重构的数控机床运动精度预测

针对难以通过数学建模方法分析数控机床运动精度演化规律的问题,提出了基于混沌相空间重构理论的数控机床运动精度非线性演化预测方法。采用平均互信息法计算延迟时间,以虚假最近邻点法计算最小嵌入维数,对数控机床运动精度的一维时间序列进行相空间重构,获得与原系统拓扑同构的状态空间。基于混沌系统内在的规律性和有序性,用相点轨迹描述运动精度在相空间中的演化规律,以相点的多维分量构成输入向量,以运动精度预测值为输出向量,构造了基于RBF神经网络的非线性预测模型。引入了量子粒子群方法对预测模型参数进行优化,得到RBF预测网络的中心点、宽度及连接权值的全局最优值,采用优化后的模型对数控机床运动精度演化趋势进行了预测。实验结果表明,基于混沌相空间重构的预测模型,可以很好地追踪数控机床运动精度的演变趋势和规律,有较高的预测精度。     

城市需水量的混沌预测

混沌预测与传统的时间序列预测方法有较大的不同,它较传统确定性和随机性预测方法更多地利用了时间序列中包含的丰富信息,因此能够得到更精确的结果。城市需水量受众多因素的影响,各影响因素与需水量之间存在着高度的复杂性和非线性,利用混沌理论重构相空间方法,将需水量时间序列扩展到三维或更高维的相空间中去,充分表现需水量时间序列的信息。通过对某城市月需水量的分析,计算出相应的Lyapunov指数;由于Lyapunov指数大于零,定量地说明了月需水量序列具有混沌性,并估计了可预测的时间尺度,同时根据最大Lyapunov指数,建立了预测模型,其预测结果的相对误差较小,精度较高。因此基于混沌理论的城市需水量的预测分析是一种有意义的尝试。     

基于CNN-S-GPR的宁夏枸杞高光谱影像估产方法

针对现有遥感估产方法未对通道间依赖关系建模和无法整合影像外其他特征的问题,以宁夏枸杞估产为例,提出了一种基于CNN-S-GPR的高光谱影像年际作物估产模型。首先,运用直方图降维、归一化、时间序列融合和维度转换4种特征工程方法构建枸杞估产数据集,实现多波段、多时相影像融合;然后,采用卷积神经网络自动提取数据集特征,简化特征提取操作;接着,融合通道注意力机制,以表征不同通道间的重要程度;最后,引入高斯过程回归,整合影像特征及空间位置特征,进一步提高估产准确性。实验结果表明,与其他估产模型相比,该模型平均相对误差和均方根误差下降了0.44~0.95个百分点和52.48~82.65t,且决定系数达到0.91。结合宁夏16个县的枸杞年际产量实现了复杂拟合,对全区农业规划布局及可持续发展具有参考价值。     

融合注意力机制的枸杞虫害图文跨模态检索方法

针对现有农作物病虫害检索模态较为单一问题,以17种常见的枸杞虫害图像和文本描述为研究对象,将跨模态检索引入枸杞虫害检索领域,提出一种融合注意力机制的枸杞虫害图文跨模态检索方法.首先,借助Transformer模型和循环神经网络分别获取带有上下文信息的细粒度图像和文本特征序列;然后,利用注意力机制对特征序列进行聚合以挖掘...     

基于联合时序的混沌时用水量短期预测调度

针对给水优化调度的时用水量高精度短期预测难题,提出一种基于横向分时段和纵向残差修正的联合时序短期混沌预测方法.经模式识别获得关联度高的横向时序为研究样本,重构横向分时段相空间并分析典型时段流量数据的混沌特性,建立混沌预测模型,以在线最小二乘支持向量机作为混沌预测工具得出各时段用水流量;为了能动态跟踪用水突变,实时采集纵向数据序列做残差计算,进而用灰色模型进行残差预测修正以提高预测精度.依据杭州市萧山某大用户时用水量实例,对一段时间的正常用水和突变用水做连续24 h短期混沌预测,在不同方法下的时用水量预测精度作深入对比研究.仿真结果表明：该预测方法对这一类混沌时序短期预测具有良好的计算精度,能很好反映各典型用水日的特点和实时用水变化情况,预测效果明显优于其他预测方法,更易满足供水优化调度的需求.     

基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测.首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型.在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策...     

基于GA优化AR-LSSVR组合模型在区域降雨量预测中的应用研究

为了提高地区降雨量的预测精度,提出遗传算法优化的时间序列最小二乘支持向量机回归组合模型。首先利用时间序列分析法对858农场年降雨量数据进行拟合,其次对拟合后实际数据与拟合数据产生的绝对误差运用最小二乘支持向量机进行训练,较好地解决了小样本、高维数、非线性和局部极小问题,同时避开了传统的网格搜索法在大范围内寻找参数费时等缺点,采用遗传算法寻找最佳的惩罚参数c和核函数参数g,训练结果与实际测量值接近,预测精度较高,并对未来3a的降雨量进行了预测,为858农场未来水资源规划、合理制定灌溉制度、抗旱防涝提供了重要的科学依据。     

基于DeepAR-RELM的池塘溶解氧时空预测方法研究

水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine,ELM）、径向基神经网络（Radial basis function neural network,RBFNN）、梯度提升回归树（Gradient boosting regression tree ,GBRT）和随机森林（Random forest,RF）4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。     

长悬臂坐标测量机动态力引起的误差分析与控制

根据长悬臂测量机具有长悬臂和弱刚度的特性,分析了测量机动态力的来源,研究了动态力对测量机测量误差的影响和测头附加动态误差的来源,得出测量机测头附加动态误差具有三维特性,各个方向附加动态误差与3个方向导轨系统振动特性有关.推导了悬臂测杆系统振动数学模型,根据该模型采取了相应的动态力控制措施,实验结果证明了所采取控制措施的有效性.     

基于深度自编码器的大型龙门加工中心热误差建模方法

为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器（Stacked automatic encoder, SAE）网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法（Genetic optimization algorithm, GA）对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。     

基于高光谱的黑土区土壤重金属含量估测

以黑龙江省讷河市采集的80份黑土样品和高光谱实测数据为数据源,对黑土中铜(Cu)、锌(Zn)、锰(Mn)重金属元素的光谱反射率及其特征变化进行研究,分析了光谱反射率、光谱反射率一阶微分变换、光谱反射率连续统去除变换、光谱反射率连续统去除一阶微分变换与元素铜、锌、锰含量的相关性,并利用相关系数法提取敏感波段.利用核主成分...     

基于高斯过程建模的物联网数据不确定性度量与预测

物联网已经成为农业大数据最重要的数据源之一,自动观测数据的质量控制对农业生产分析以及基础科研数据应用非常重要。针对农业物联网观测的一类非平稳时间序列数据中的数据缺失、野值剔除、感知故障预警和长时间预测等问题,采用光滑弱假设高斯先验,构建了基于高斯过程的自回归模型表征的动态系统,并通过样本集学习,形成能考虑噪声干扰的传感变化规律建模,并可提供预测误差带用于预测数据的不确定性度量。针对原始数据的缺失和野值问题,采用基于高斯过程的短期预测,可补齐缺失数据,利用其不确定性度量可甄别数据野值,进行野值剔除与替换,并在此基础上判断感知故障;给出了基于输入数据不确定性传播的多步迭代预测方法,使长期预测仍可以跟踪农业数据的动态轨迹,并可为其预测值提供不确定性度量;将温室采集的真实传感数据用于分析试验,验证了高斯过程用于服务器端的农业时间序列数据采集质量控制的可行性。     

基于状态空间模型的飞行器装配误差敏感度研究

飞行器具有零部件多、结构复杂和装配精度要求高等特点,其装配有安全性装配、少可逆性装配等要求。根据飞行器相关的关键产品特性(Key product characteristic,KPC)和关键控制特性(Key control characteristic,KCC)参数,提出一种基于状态空间模型的装配误差敏感度量化分析方法,将飞行器多舱段精密装配过程中的误差敏感度分为3级指标,并进行阐述和定义。通过联立飞行器状态空间模型和输出方程,得到输入向量和输入矩阵的关系,进而求出状态转换矩阵,得到不同级别误差敏感度的理论表达式。将随机产生服从正态分布的装配特征误差代入系统矩阵,运用蒙特卡洛(Monte Carlo)仿真对不同装配特征的敏感度指标进行计算,并对比分析理论计算和蒙特卡洛仿真求得的特征级敏感度指标值。研究表明,将动态系统灵敏度分析方法应用到多工位装配过程可行,所提出的基于状态空间模型的飞行器装配误差敏感度分析方法合理,对飞行器舱段精密装配过程的精度评估具有参考意义。     

地面机械系统的混沌学研究初探

分析了地面机械系统中相互作用过程的非线性特征，并对典型作业部件推土机铲刀所受法向力的混沌特性进行了量化分析。研究表明，地面机械系统中存在混沌现象。文中最后阐述了地面机械系统混沌学研究的意义及发展前景。