基于自适应聚类流形学习的增量样本降维与识别

为了解决局部线性嵌入(locally linear embedding, LLE)流形学习算法无法自适应确定重构区间和不能进行增量学习等问题,提出了一种自适应聚类增量LLE(clustering adaptively incremental LLE,C-LLE)目标识别算法。该算法通过建立高维非线性样本集的局部线性结构聚类模型,对聚类后的类内样本采用线性重构,解决了LLE算法样本重构邻域无法自适应确定的问题;通过构建降维矩阵,解决了LLE算法无法单独对增量进行降维和无法利用增量对目标进行识别的问题。实验表明,本文算法能够准确提取高维样本集的低维流形结构,具有较小的增量降维误差和良好的目标识别性能。     

不平衡数据下基于SVM增量学习的指挥信息系统状态监控方法

针对指挥信息系统历史状态样本有限的特点,基于支持向量机(support vector machines, SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况,首先利用支持向量生成一部分新样本,然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点,采用增量学习的方式对分类模型进行持续更新,在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上,通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性,实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明,所提算法能够有效实现对不平衡数据的增量学习,从而满足指挥信息系统状态监控的需求。     

基于提升小波和递归增量聚类的实时故障诊断方法

针对复杂时变工业过程实时故障诊断问题,提出了一种基于提升小波( lifting wavelet, LW) 与递归增量聚类（recursive incremental clustering, RICLUSTER）相结合的实时故障诊断方法（lifting wavelet recursive incremental clustering, LW-RICLUSTER）。该方法首先通过LW变换对数据实时去噪,再通过RICLUSTER实时监控。由于采用LW与RICLUSTER相结合的方法,节省存储空间和运算时间的同时提高了诊断精度。实验结果表明,LW RICLUSTER集合方法能有效实现时变过程监控, 在诊断精度、速度和适应性方面,优于传统单一型CLUSTER方法。     

基于FWA-DBN的航空发电机偏心故障诊断

针对具有多并联支路绕组结构的航空发电机在偏心故障下的输出三相电压、电流故障特征差异小, 造成故障不易识别的问题, 提出一种基于烟花算法(fireworks algorithm, FWA)优化深度置信网络(deep belief network, DBN)的故障诊断方法。首先根据有限元法搭建航空发电机模型, 通过仿真获取不同静态、动态偏心故障输出数据; 然后运用FWA训练优化与极限学习机(extreme learning machine, ELM)相结合的DBN网络, 得到最佳DBN-ELM模型结构; 最后由ELM分类器进行故障诊断分类。诊断结果表明, 相较于传统的故障诊断方法, 应用所提方法进行航空发电机偏心故障诊断, 可以获得更高的准确率, 平均准确率达到99.203%。     

基于自适应模糊推理系统的柴油机故障诊断

为解决柴油机故障诊断问题,采用自适应神经模糊推理系统(ANFIS)建立其故障诊断模型.利用减法聚类方法确定模型初始结构,并采用由梯度下降算法和最小二乘算法所组成的混合学习算法优化模型参数.经文中试验数据检验,所建模型故障识别值与实际值之间的最大误差为10.16%,最小误差为0.115%,平均误差为2.26%,识别精度达到了97.74%.仿真结果表明,与BP网络模型相比,该模型收敛速度快,拟舍能力强且诊断识别精度高,能够有效识别柴油机放障.     

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法.为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法...     

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation, BP)神经网络和自适应共振理论(adaptive resonate theory, ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。     

基于差分演化的自适应集成学习算法在不均衡数据分类中的应用

不均衡数据问题在我们日常生活中随处可见,例如疾病诊断,矿藏资源识别等等.对于不均衡数据的分类而言,目前基于集成学习的不均衡数据分类技术较为成熟,但现有方法都将不均衡数据作为一个整体考虑,而不区别对待不同类型的不均衡数据.事实上,不均衡数据因其不均衡比、数据维度和类别数的不同,所具有的数据分布也不同,使用统一的模型处理所有不均衡数据难以在所有数据集中都获得好的效果.基于此,本文提出了一种基于差分演化算法的自适应集成学习算法(adaptive multiple classifier system based on differential evolution algorithm,DE-AMCS),使得针对不同的不均衡数据,系统能够选择最优的集成学习模型来完成分类任务.本文选择了KEEL数据集中的10个数据集进行测试,测试结果与5个现有的集成分类算法进行了对比,实验表明DEAMCS相比于对比算法,分类精度上有明显的提升.最后,本文将DE-AMCS应用到江汉油田某区五口井的石油储层含油性的识别中,在每口井的含油性识别中,精度均达到了100%.     

基于Input Estimation的VSIMM机动目标跟踪

IMM算法的跟踪性能很大程度上取决于模型集的选择.提出了基于InputEstimation的自适应改变模型集的变结构多模型算法IE_VSIMM.对IMM算法输出的状态估计及其误差协方差进行准Kalman滤波,由Input Estimation算法得到的加速度增量估计,可检测目标机动和生成新的模型集.修正过程则由IMM算法在新模型集上对状态估计及其误差协方差进行更正.仿真结果表明IE_VSIMM算法的跟踪性能更好.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

基于极限学习机的生化过程软测量建模

针对极限学习机方法隐层神经元数目过多的缺陷，提出一种改进的极限学习机方法。在单隐层前向神经网络的隐层中，增加一类分类神经元，从而形成了一种新的单隐层神经网络结构。针对不同类样本数不相同的问题，提出了处理方法，使得可以利用相同的隐层神经元对不同类的学习样本进行拟合，这使得网络的隐层神经元数目大大降低，从而简化了模型的结构，提高了神经网络的计算速度。将这一方法应用于诺西肽发酵过程，建立了菌体浓度的软测量模型，实现了菌体浓度的在线预估。     

多隐层输出矩阵极限学习机

得益于隐层节点学习参数的随机选择,极限学习机（extreme learning machine, ELM）在学习速度极快的基础上,可以达到较为良好的分类性能。但是,当隐层节点参数完全随机选择时,ELM的性能并不总能达到最优。本文提出多隐层输出矩阵极限学习机（multiple hidden layer output matrices extreme learning machine, M-ELM）方法解决这一问题,该方法通过对不同输出矩阵加权运算以优化隐层节点结构,其中权系数与输出权值在学习过程中同时分析确定。另外,利用该方法可以实现特征级融合ELM。实验证明,对于真实分类问题,M-ELM可以提供比ELM更为准确的分类结果。     

基于ELM_AdaBoost强预测器的空战目标威胁评估

目标威胁评估是空战态势感知中的关键问题。针对传统评估方法难以兼具准确性和实时性的缺陷,提出了一种基于自适应推进极限学习机(extreme learning machine_ adaptive boosting, ELM_AdaBoost)强预测器的新方法。结合AdaBoost分类算法对ELM算法进行改进,提出了ELM_AdaBoost算法,构造了ELM_AdaBoost强预测器。在空战训练测量仪中选取空战数据,利用威胁指数法构造了目标威胁评估样本数据。构建了基于ELM_AdaBoost强预测器的空战目标威胁评估模型,在一定范围内确定了使算法预测精度相对较好的ELM网络隐含层节点数和弱预测器个数。通过仿真实验分析了评估的精度和实时性,结果表明该方法在保证较高评估精度的同时减少了评估所用时间,可以准确、快速地进行空战目标威胁评估     

硬件进化的递增式学习研究

提高硬件进化(EvolvableHardware,简称EHW)的在线自适应能力是EHW追求的重要目标。本文构造了一种基于知识的递增式学习模式,研究了一种面向EHW的自适应学习机制。在加快进化计算收敛速度的同时,利用进化过程中的数据分析,获得了进化方向的预测(知识),有效地排除了可能对系统产生危害行为的个体。对比实验表明,该学习机制比简单的达尔文式进化机制具有明显的优势。为EHW实现自适应目标提供了一种可行的解决思路。     

基于活跃集迭代法的支持向量机快速增量学习算法

介绍了一种新的支持向量机（SVM），其优化问题的对偶问题为具有简单界约束的凸二次规划问题：探讨了将活跃集迭代法运用于这种SVM的学习算法以及初始活跃集的选取问题；针对增量学习和大规模学习问题，提出了基于活跃集迭代法的SVM快速增量学习算法；实验验证了算法的有效性。     

基于改进粒子群优化极限学习机的弹丸参数辨识

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题,本文将粒子群算法与极限学习机结合,并且引入自适应更新策略以及粒子变异策略,提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值,有效改善算法性能。仿真实验表明,利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数,精度高、收敛速度快,能够充分满足实际工程需要。