提升小波尺度自适应非线性预测算子构造方法

提出一种提升小波尺度自适应非线性预测算子的构造方法.通过相空间重构将剖分信号转换成训练样本,采用基于高斯核函数的支持向量回归机算法进行回归训练,给出所构造预测算子的结构,并说明基于高斯核函数实现最小均方误差原则的机理.通过仿真实验验证用所构建预测算子在故障诊断时具有较好的识别能力和较强的抗噪能力,在信号降噪时信噪比较高、效果良好.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

基于高斯过程回归的建筑物震陷量预测模型

城市抗震防灾系统是一个复杂开放巨系统,系统中由于灾情的动态演化导致的建筑物震陷量形成机理也日趋复杂。本文根据高斯过程理论和贝叶斯规则,对训练样本进行的“归纳推理学习”,即综合先验信息,调整各随机变量的后验分布,进而提出基于高斯回归过程的建筑物震陷量非线性预测模型。采用EP算法获得预测样本潜在函数的近似后验高斯分布,并对其超参数和协方差函数的选择进行了探讨,利用LSSVM模型、PLS模型和MLR模型等统计模型对建筑物实测震陷样本进行预测训练,通过模型的交叉验证分析及建模参数详细对比分析,验证了预测模型的科学性和可靠性,可为城市抗震防灾决策提供借鉴。     

基于条件生成对抗网络的稀疏样本回归预测模型

自生成对抗网络提出以来，基于生成对抗网络的拓展模型在图像处理等领域均有显著成效，但其在回归预测问题上的应用较少.在概率回归过程中，通过构建条件概率分布模拟特征与实际目标之间的潜在关系是一种常用方法，但在实际问题中条件概率分布过于复杂，似然估计难以捕捉.为此，首先分析高斯过程回归在稀疏样本回归预测中的预测精度，将其作为稀疏样本回归预测的基准线.通过分析条件生成对抗网络的构造，提出利用条件生成对抗网络解决稀疏样本回归预测问题.最终通过对比分析4种非线性模拟数据回归预测结果，发现提出的条件生成对抗网络模型相较基于Matern32核函数的高斯过程回归具有更好的预测精度.     

混合高斯过程回归模型在铁水硅含量预报中的应用

为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。     

贝叶斯框架的LS-SVM回归在民机液压系统预测中的应用

 为实现民机液压系统的健康预测,将贝叶斯框架应用于LS-SVM参数的选优.选用径向基核函数,选择了预测回归模型的算法和区间预测公式.用训练样本建立了液压系统的健康预测模型,用测试样本验证了公式的有效性;对液压数据参数进行预测,将预测值带入健康评估模型中得到预测结果.结果表明,基于贝叶斯框架下的LS-SVM回归模型可以很好地用于民机液压系统的健康预测.     

基于高斯模型的工业过程数据的故障预测

针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。     

基于插值组合核的LS-SVR板形预测方法

基于RBF核的LS-SVR模型,采用实验变差函数计算插值算法权值,对权系数与各训练样本内积值相乘所反映样本空间结构和相互间关联度的插值核函数进行构造,提出了一种通过Kriging空间散乱插值方法利用样本数据构造出的插值核函数与RBF核函数进行组合而成的核方法。结果表明,该方法使LS-SVR板形预测有更好的性能,在提升预测算法泛化能力的同时,实现了对板形的精准回归预测。     

基于核函数切换和支持向量回归的交通量短时预测模型

基于高速公路交通量短时变化的非线性、不确定性和复杂性,利用支持向量回归模型,提出一种核函数切换的预测方法.首先,通过历史数据构建不同核函数的支持向量回归模型并对历史数据进行拟合,根据拟合的误差确定不同时刻对应的最优核函数类别;然后根据历史数据及确定的不同时刻的核函数类别训练支持向量分类机;最后利用支持向量分类机确定预测时刻最优的核函数类别,选取相应的支持向量回归模型进行预测.实例分析表明,与传统的支持向量回归模型相比,含核函数切换的预测方法预测精度较高,且具有较好的鲁棒性.     

公路隧道交通量预测的粒子群高斯过程耦合模型

交通量的预测对公路隧道运营期通风系统的节能降耗具有重大意义,将新型小样本学习机器高斯过程引入隧道交通量预测,提出了一种组合核函数,用以改善单一核函数高斯过程的泛化性能,在网络训练过程中采用粒子群优化算法,自动搜寻泛化性能最好的高斯过程超参数,形成粒子群高斯过程耦合算法,并编写了相应的计算程序.对某公路隧道交通量进行了预测,结果表明:组合核函数高斯过程最大预测相对误差仅为4.41%,平均相对误差为1.96%;两种单一核函数高斯过程最大预测相对误差均为6.68%,平均相对误差分别为2.7%和2.67%;粒子群高斯过程耦合模型可以高精度地用于隧道交通量预测,且组合核函数可以提高单一核函数的泛化性能,并为其他类似工程提供借鉴.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

过程混合的高斯过程模型混合采样推理

提出了基于Dirichlet过程混合的高斯过程模型揭示复杂动态系统结构数据的多态性的内在机制.针对均值结构与协方差结构稀疏性的差异性,设计了参数先验与非参数先验来构建基于Polya urn与过松弛层采样的混合采样框架体系.该混合采样方案不但能够在统一的Metropolis Hasting(M H)概率评价准则下实现,而且能够最大限度地克服高斯随机走步的缺陷,方便、快速地获得马尔科夫样本链的展开.仿真结果表明,混合采样算法比高斯过程回归模型及高斯过程函数回归混合模型具有更广泛的适应性及更好的预测效果.     

高斯过程回归模型在河流水温模拟中的应用

通过收集密苏里河三个站点的多年实测水温、气温数据,建立了水温-气温的高斯过程回归模型.和传统的水温回归模型(线性、非线性及随机回归模型)相比,高斯过程回归模型的精度较高,各研究站点的相关系数值均较高(0.966 4~0.989 7),均方根误差值相对较小(1.978 4~1.495 0).高斯过程回归作为一种较为先进的机器学习方法,和其他机器学习方法相比,其突出的优点在于结合了许多机器学习任务,包括模型训练、不确定性分析及超参数估计等,该方法可以有效地应用于天然河流站点水温的预测.     

不同准则下的线性支持向量机回归模型

由于标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢,为了提高运算速度,根据不同的准则,提出了基于核函数的3种支持向量回归模型.基于使残差的平方和为最小准测的模型转化为解线性方程组运算,只需要矩阵乘积与求逆运算;基于使残差的最大绝对值为最小准则和使残差的绝对值之和为最小准则的2个模型转化为线性规划问题,并给出了线性规划的对偶问题.实验结果表明了该方法的有效性,且计算量明显降低.通过实例,对高斯径向基核函数和多项式基核函数进行了比较与分析,高斯径向基核函数的精度比多项式基核函数高.对高斯径向基核函数和多项式基核函数的不同参数也进行了比较和分析.     

基于LS-SVM的侧堰泄流能力预测模型

为了准确高效地得出矩形侧堰流量系数(C_d),首先设计矩形侧堰模型试验,得出6种不同流量工况下的流量系数试验值,利用MATLAB搭建不同核函数的最小二乘支持向量机(LS-SVM)模型,将影响C_d的各无量纲参数作为模型输入,C_d作为模型输出.研究表明：LS-SVM模型可用于矩形侧堰流量系数预测,且高斯核函数优于多项式核函数和线性核函数,在测试阶段最佳模型的性能指标平均绝对误差(MAE)为0.005,均方根误差(RMSE)为0.005,决定系数(R²)为0.966,表明该模型性能较好,精度较高,预测值较准确.本文提出了一种预测侧堰泄流能力的智能模型,讨论了不同无量纲参数对该模型的影响,验证了该模型的适用性,为类似水利工程提供参考依据,同时为解决复杂水力学问题提供新思路.     

基于IPSO-GPR的HVAC送风温度预测模型

针对AHU系统中的多维、异构、非线性等特点,提出了一种基于改进粒子群的高斯过程回归(IPSO-GPR)算法。在传统的PSO算法上引进了混沌序列和交叉策略,使粒子在运动过程中能够自适应的调整搜索方向和速度,并针对局部最优解附近的区域进行了重点搜索,降低PSO陷入局部最优解的风险。使用平方指数和二次有理两种核函数的组合GPR来应对复杂的AHU非线性系统。对比PSO-GPR方法的预测性能,IPSO-GPR模型预测的送风温度误差保持在0.07℉以下,预测效果更加精确。