-
题名二维稳定流形的自适应推进算法
被引量：4
- 1
-
-
作者
袁国强
李颖晖
-
机构
空军工程大学航空航天工程学院
-
出处
《力学学报》
EI
CSCD
北大核心
2018年第2期405-414,共10页
-
基金
国家973项目(2015CB755805)
国家自然科学基金项目(61374145)资助
-
文摘
稳定和不稳定流形是研究动力系统全局特性的重要工具.一般系统的稳定和不稳定流形的曲率在全局范围内会有明显变化,应根据流形曲率的变化采用不同尺寸的网格单元计算全局流形.然而在现有二维流形算法中,流形网格单元的尺寸在全局范围内是统一的.为持续有效地计算全局稳定流形,提高计算网格对流形曲率变化的适应性.本文在偏微分方程算法的基础上提出一种二维稳定流形的自适应推进算法.该算法的基本思想是根据稳定流形曲率的变化自适应地调整网格单元的尺寸.该算法首先在系统的稳定特征子空间中确定稳定流形的一个初始估计,该初始估计的网格单元尺寸设置为初始大小.然后根据稳定流形网格前沿的曲率特点自适应地产生新的备选网格单元,继而根据相切性条件更新备选点的坐标,并将距离平衡点最近的备选点接受为已知点,最后更新稳定流形网格的前沿并自适应地产生新的备选网格单元,通过这个迭代过程使流形网格自适应地向前推进.本文算法通过引入流形单元尺寸自适应,成功实现了洛伦兹流形和类球面流形的计算,并与偏微分方程算法进行了对比,结果表明自适应推进算法的流形计算单元的尺寸可在全局范围内根据流形曲率自适应地调整.利用自适应推进算法计算二维稳定流形,可实现稳定流形的自适应推进.
-
关键词
稳定流形
不稳定流形
不变流形
自适应推进算法
动力系统
-
Keywords
stable manifolds
unstable manifolds
invariant manifolds
adaptive front advancing algorithm,dynamical system
-
分类号
O193
[理学—基础数学]
-
-
题名基于集成学习强化BPNN的掘进工作面温度预测模型
- 2
-
-
作者
马恒
张世龙
高科
-
机构
辽宁工程技术大学安全科学与工程学院
辽宁工程技术大学教育部矿山热动力灾害与防治重点实验室
-
出处
《工矿自动化》
北大核心
2025年第8期88-94,158,共8页
-
基金
国家自然科学基金项目(52074148)。
-
文摘
针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差,且对非线性多维数据的预测能力有限的问题,提出了一种基于集成学习强化反向传播神经网络(BPNN)的掘进工作面温度预测模型,即t−SNE−BPNN−AdaBoost。首先采用t−分布随机邻域嵌入(t−SNE)非线性降维技术,将通风机前风量、温度、相对湿度等7项高维特征降至3维,保留数据局部结构并去除噪声。然后将降维数据输入BPNN作为基分类器,经迭代训练得到初步模型。最后通过自适应推进算法(AdaBoost)集成学习,迭代训练多个BPNN弱分类器并加权组合为强分类器,增强模型泛化能力。将60组掘进工作面实测数据按8∶2划分为训练集与测试集,经5折交叉验证确定AdaBoost最优弱学习器数量为30。实验结果表明:①t−SNE−BPNN−AdaBoost预测曲线和真实值贴合度最优,整体误差小,在温度突变区段适应力强,稳定性远超SVM,BPNN和t−SNE−BPNN。②t−SNE−BPNN−AdaBoost的预测相对误差最小,几乎在5%以内,表现出最优的预测精度。③在测试集上,t−SNE−BPNN−AdaBoost的决定系数为0.9784,较SVM,BPNN,t−SNE−BPNN分别提高了60.3%,17.2%,8.1%;平均绝对误差为0.1676,均方误差为0.0567,平均绝对百分比误差为0.9640,指标均显著优于SVM,BPNN和t−SNE−BPNN,在温度突变区段适应性更强。
-
关键词
掘进工作面温度预测
t−分布随机邻域嵌入
BP神经网络
t−SNE
自适应推进算法
AdaBoost集成学习
5折交叉验证
-
Keywords
tunneling face temperature prediction
t-Distributed Stochastic Neighbor Embedding
BP neural network
t-SNE
Adaptive Boosting
AdaBoost ensemble learning
5-fold cross-validation
-
分类号
TD727
[矿业工程—矿井通风与安全]
-
