期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于蜣螂算法优化深度极限学习机的中介轴承故障诊断方法 被引量：3
1
作者 栾孝驰 汤捷中 沙云东 《振动与冲击》 EI CSCD 北大核心 2024年第21期96-106,127,共12页
针对中介轴承故障信号传递路径复杂、受背景噪声干扰大、故障特征提取难,且传统诊断模型准确率受限于测点位置的问题,提出了一种基于自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,C... 针对中介轴承故障信号传递路径复杂、受背景噪声干扰大、故障特征提取难,且传统诊断模型准确率受限于测点位置的问题,提出了一种基于自适应噪声完全经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与蜣螂算法(dung beetle optimizer,DBO)优化深度极限学习机(deep extreme learning machine,DELM)结合的中介轴承故障诊断方法。首先,使用CEEMDAN和由能量比-相关系数-峭度值组成的固有模态分量筛选准则对原始信号进行分解、筛选、重构,在重构信号的时域与频域中提取特征组成特征矩阵;其次,将诊断准确率作为DBO的适应度值,对DELM模型的初始权重进行优化构建出全新的DELM;最后,将特征矩阵输入DELM完成故障诊断。以中介轴承故障数据为例,经DBO优化后的DELM诊断准确率取得了较大提升,在诊断较为困难的45°方向上诊断准确率仍达到了98.75%。结果表明,该诊断方法有效识别了中介轴承故障类型,展现了较强的鲁棒性与泛化能力。 展开更多
关键词 中介轴承 故障诊断 模态分解 蜣螂算法(dbo) 深度极限学习机(DELM)
在线阅读 下载PDF
基于ARIMA-DBO-LSTM组合模型的矿区地表沉降预测:以贵州省开阳县洋水矿区为例
2
作者 文林海 刘萍 +4 位作者 黄鑫康 高方玲 刘贞智 李正龙 王春华 《科学技术与工程》 北大核心 2025年第24期10193-10203,共11页
随着矿产资源的大规模开采,矿区地表沉降问题日益严重,对环境安全和矿区可持续发展构成了重大威胁。以贵州省开阳县洋水矿区内平安一矿和双阳磷矿为研究对象,融合时序合成孔径雷达干涉测量(interferometric synthetic aperture radar, I... 随着矿产资源的大规模开采,矿区地表沉降问题日益严重,对环境安全和矿区可持续发展构成了重大威胁。以贵州省开阳县洋水矿区内平安一矿和双阳磷矿为研究对象,融合时序合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术和机器学习算法模型,对该磷矿矿区地表沉降进行监测与预测研究。利用小基线集技术获取2020年9月—2023年5月的地表累积时间序列沉降,并通过全球定位系统(global positioning system, GPS)实测沉降数据进行精度评估,得出监测结果具有准确性,并基于该结果,选取研究区内重要沉降点E1和E2,分别建立自回归滑动平均(autoregressive integrated moving average, ARIMA)和蜣螂优化算法(dung beetle optimizes, DBO)优化的长短期记忆网络(long short term memory, LSTM)预测模型以及基于不同权重下的ARIMA-DBO-LSTM组合模型,对其沉降趋势进行预测分析。结果表明:基于残差倒数法权重分配下的ARIMA-DBO-LSTM组合模型预测精度在E1和E2点均为最高,组合模型在处理复杂时序数据时弥补了单一预测模型的不足。所提方法能够为该研究区地表沉降预测提供一定的参考价值。 展开更多
关键词 小基线集雷达干涉测量(SBAS-InSAR) 蜣螂优化算法(dbo) 自回归滑动平均(ARIMA)模型 长短期记忆网络(LSTM)模型
在线阅读 下载PDF
基于IDBO-XGBoost的铁路隧道岩爆烈度等级预测方法与应用
3
作者 李时宜 《铁道建筑》 北大核心 2024年第11期118-123,共6页
为减少铁路隧道施工过程中岩爆事故的发生,在施工前做好岩爆烈度等级预测,提出了改进蜣螂优化算法(Improved Dung Beetle Optimizer,IDBO)与极限梯度提升树(Extreme Gradient Boosting,XGBoost)相结合的铁路隧道岩爆烈度等级预测模型。... 为减少铁路隧道施工过程中岩爆事故的发生,在施工前做好岩爆烈度等级预测,提出了改进蜣螂优化算法(Improved Dung Beetle Optimizer,IDBO)与极限梯度提升树(Extreme Gradient Boosting,XGBoost)相结合的铁路隧道岩爆烈度等级预测模型。首先,依据岩爆成因及特点,综合选取围岩切向应力(σθ)等四个特征因素作为预测岩爆烈度等级的主控因素,建立岩爆烈度等级预测数据集;其次,引入Sine混沌映射、黄金正弦策略(Golden Sine Strategy,SA)、自适应高斯-柯西变异扰动策略以及贪婪选择策略并进行改进,以提高其全局搜索能力和稳定性;而后利用IDBO优化XGBoost中的超参数提升其预测精度,同时避免XGBoost出现“过拟合”现象;最后,将其结果与DBO-XGBoost、粒子群算法优化反向传播神经网络模型(Particle Swarm-Optimization Back Propagation Neural Network,PSO-BPNN)和遗传算法优化支持向量机模型(Genetic Algorithm Support-Vector Machine,GA-SVM)的结果进行对比。结果表明:IDBO-XGBoost模型准确率最高,相较于其他三种模型在测试样本中的准确率分别提高了8.69%、17.39%、8.69%;IDBO-XGBoost模型在处理岩爆问题上能更好地捕捉岩爆等级与指标之间的联系,可为实际工程的岩爆预测提供科学依据。 展开更多
关键词 铁路隧道 岩爆烈度 预测 蜣螂优化算法(dbo) 极限梯度提升树(XGBoost)
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部