西工大计算机学院魏,魏鹏飞的个人主页-西北工业大学教师个人主页

2020

Active Learning Line Sampling for Rare Event Analysis

J Song,P Wei *, M Valdebenito, M Beer.

Mechanical Systems and Signal Processing, Accepted

Adaptive Experiment Design for Probabilistic Integration

P Wei*, X Zhang, M Beer

Computer Methods in Applied Mechanics and Engineering, 366, 113035

J Song, M Valdebenito, P Wei*, M Beer, Z Lu

Structural Safety 84, 101936

F Liu, P Wei*, C Zhou, Z Yue

Chinese Journal of Aeronautics

MA Valdebenito, M Beer, HA Jensen, J Chen, P Wei

Structural Safety 83, 101909

2019:

J Song, P Wei*, M Valdebenito, S Bi, M Broggi, M Beer, Z Lei

Mechanical Systems and Signal Processing 134, 106316

P Wei*, J Song*, S Bi, M Broggi, M Beer, Z Lu, Z Yue

Mechanical Systems and Signal Processing 124, 349-368

P Wei*, J Song*, S Bi, M Broggi, M Beer, Z Lu, Z Yue

Mechanical Systems and Signal Processing 126, 227-247

Fuchao Liu, Pengfei Wei*, Chenghu Tang, Pan Wang, Zhufeng Yue

Structural reliability and reliability sensitivity analysis of extremely rare failure events by combining sampling and surrogate model methods

Pengfei Wei*, Chenghu Tangand Yuting Yang

Journal of Risk and Reliability, in press, DOI: 10.1177/1748006X19844666

S Bi, M Broggi, P Wei, M Beer

Mechanical Systems and Signal Processing 129, 265-281

2018:

魏鹏飞*, 吕震宙, 宋静文. 不确定性量化及敏感性分析研究进展. 发表于:李杰, 陈建兵, 彭永波. 随机振动理论与应用新进展(第Ⅱ辑). 上海:同济大学出版社, 2018

P Wei*, F Liu, Z Lu, Z Wang

International Journal of Approximate Reasoning

P Wei*, F Liu, C Tang

Reliability Engineering & System Safety 175, 183-195

2017:

P Wei*, Y Wang, C Tang

Structural and Multidisciplinary Optimization 55 (5), 1883-1898

W Wang, H Gao, P Wei, C Zhou

Proceedings of the Institution of Mechanical Engineers, Part O: Journal of …

2016:

P Wei*,J Song, Z Lu, Z Yue

Reliability Engineering & System Safety 149, 107-120

P Wei*, Z Lu

International Journal of Computational Methods 13 (04), 1641005

P Wei*, J Song, Z Lu

Journal of Risk and Reliability 230(3), 265-277

2015:

P Wei, Z Lu, J Song

Reliability Engineering & System Safety 142, 399-432

P Wei,Z Lu, J Song

Reliability Engineering & System Safety 137, 87-100

P Wei, Z Lu, J Song

Environmental Modelling & Software 70, 178-190

2014:

P Wei, Z Lu, J Song

Risk Analysis 34 (2), 210-222

P Wei, Z Lu, J Song

Risk Analysis 34 (2), 223-234

P Wei, Z Lu, W Ruan, J Song

Reliability Engineering & System Safety 121, 121-135

P Wei, Z Lu, J Song

AIAA Journal 52 (4), 867-878

2013:

P Wei,Z Lu, J Song

Computer Physics Communications 184 (11), 2540-2551

P Wei, Z Lu, D Wu, C Zhou

Environmental Modelling & Software 47, 55-63

P Wei, Z Lu, X Yuan

Reliability Engineering & System Safety 110, 60-67

P Wei, Z Lu, B Ren

Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science 227, 1441-1453

P Wei, Z Lu, L Tian

Proceedings of the Institution of Mechanical Engineers, Part C:  Journal of Mechanical Engineering Science 227, 120-136

2012:

P Wei, Z Lu, W Hao, J Feng, B Wang

Computer Physics Communications 183 (8), 1728-1743

P Wei, Z Lu, L Tian

Journal of Aircraft 49 (2), 664-670

2011:

P Wei, Z Liu, W Hao

Journal of Aircraft 48 (5), 1733-1740

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值