非线性离散动态大系统的DISOPE关联平衡协调算法

提出一种非线性离散动态大系统优化与参数估计集成的关联平衡协调算法。在各子系统模型与实际存在差异的情况下,将动态系统系统优化与参数估计集成方法（DISOPE）与关联平衡法相结合,得到一个上级协调,下级进行各子系统优化与参数估计集成的双环迭代算法,从模型出发通过迭代运算能得到实际系统存在模型－实际差异时的真实最优解。仿真结果表明了算法的有效性和实用性。     

基于神经网络的非线性离散动态系统DISOPE算法

提出了基于神经网络的非线性离散动态系统优化与参数估计集成算法。先用动态神经网络辩识系统得出一个近似模型,在存在模型实际差异的情况下,从神经网络模型出发通过迭代运算得到实际非线性离散动态系统的真实最优解,系统优化采用Ｈｏｐｆｉｅｌｄ 神经网络算法,求解速度快。仿真结果表明了算法的有效性和实用性。     

模型与实际有差异时非线性大工业过程递阶优化控制算法

针对实际非线性离散系统与它的模型之间的差异,提出了一种基于模型优化控制问题来求解实际问题最优解的递阶算法,该算法通过上级的关联预测和参数估计与下级的修正的基于模型优化子问题的迭代问题,总可以获得实际非线性离散大系统最优控制．并行计算可以节省计算时间．分析了该算法的收敛性和最优性．仿真例子说明该算法的特色．     

具有模型和实际差异的非线性离散时滞系统最优控制

研究了非线性分布时滞系统的最优控制,提出了一种基于线性分布时滞模型和二次型性能指标问题的迭代算法。在模型和实际存在差异的情况下,该算法通过迭代求解分布时滞线性最优控制问题和参数估计问题,获得原问题的最优解。仿真实例表明该算法的有效性和实用性。     

基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.     

单兵火力系统集成建模与仿真研究

为全面分析单兵火力系统的综合性能,基于虚拟样机和软件接口技术,研究了单兵火力系统的集成建模和协同仿真方法.利用Solidworks、ADAMS和Matlab软件建立了单兵火力系统的主要子系统模型,包括单兵射击动力学模型、内外弹i/火控模型、思维控制模型、终点弹道效应模型和命中概率模型.并在Matlab/Simulink环境下将各个子模型集成为一体化的单兵火力系统协同仿真模型.以步枪三发点射为例,验证了仿真模型的有效性,并利用集成模型分析了子系统输出参数对系统射弹散布的影响,分析了榴弹的最佳初速.仿真结果表明,该集成模型能够模拟实际系统预测和分析各个子系统的性能,为单兵系统的型号研制提供有效的参考.     

基于系统动力学的两型社会评价与预测集成模型

回顾和评述两型社会发展预测及评价现有主要研究方法的基础上,提出了以系统动力学建模为平台,整合不同领域研究方法的湖南省两型社会发展预测及评价集成模型,该集成模型由经济子系统、社会子系统、资源子系统、能源子系统、环境子系统、综合评价子系统组成。通过PSR概念模型分析了该集成模型总体框架和各子系统的相互关系,讨论了子系统的设计思路并给出各子系统系统动力学流图。以湖南为例,采用1990~2009年湖南省统计数据对各子系统中部分重要方程和参数进行了初步测算和检验。还指出该方法相对于其他方法的优势及应用的局限性。     

基于价值导向策略的时延预测补偿算法

针对工业控制模型的复杂化以及由此引起的时延叠加问题,利用预测思想,以解耦子系统为模型,采用动态矩阵控制(DMC)算法作了分析,同时充分考虑了子系统间的关联,采用价值导向策略优化调度算法,使控制作用快速平稳过渡,并在此基础上提出了针对复杂系统的时延预测补偿算法(TDCDMC)。由于时延导致了控制作用无法及时跟踪系统变化,引入了补偿因子和过渡因子在线整定预测控制量和时延控制量,对于突变频繁的时延系统亦能迅速跟踪输入。仿真结果表明,这种改进算法的时延补偿性能良好,保证了控制的稳定性和快速性。     

有色噪声系统的迭代辨识与递推辨识方法仿真比较研究

针对ARARX模型(即动态调节模型),提出了分别辨识系统模型参数向量和噪声模型参数向量的新型最小二乘迭代辨识方法.其基本思想是:通过极小化一个信息矩阵中含噪声项的准则函数,导出两个参数向量的最小二乘估计式,进一步将估计式中信息矩阵所含的未知噪声项用其迭代估计代替,而其迭代估计又用前一次迭代的参数估计进行计算.在每步迭代计算中,二者执行了一个递阶计算过程.与滤波式递推广义最小二乘算法相比,提出的迭代算法也可用于在线辨识,而且在每一步迭代计算中,反复利用了系统可测数据信息,因而能够获得高精度参数估计.仿真例子证实了理论研究结果.     

基于混合生存分析的动态信用评分方法

当今国内外经济形势复杂多变,不确定因素增多,金融市场中信用风险的动态性显著增强,动态信用风险评价成为金融机构迫切需要解决的问题.为此,本文提出了一种基于混合生存分析的动态信用评分方法.该方法由三部分组成:首先,构建基于混合生存分析的动态信用评分模型,包括违约状态判别模型和违约时间估计模型,用于预测评价对象"是否违约"以及"何时违约";其次,利用面板数据构建多重生存状态向量,用于表征信用特征和生存时间的动态关联;最后,基于生成的多重生存状态向量,利用期望最大算法迭代估计模型参数.实验研究表明该方法的预测效果显著优于基于单分类、基于集成学习以及基于生存分析的信用评分方法.     

一种改进的多模型噪声辨识方法

在混合系统参数估计问题中，交互式多模型算法是一种比较有效的求解方法。但是当系统机动模式较多时，模型集中的模型数目也随之增加。针对模型集过大导致的参数估计精度下降的现象，提出了一种改进的多模型算法，并将其应用于系统噪声辨识。它利用多扫描量测信息，采用离散优化技术，获得近似于系统的实际噪声水平的最优的子模型集。然后，利用此进行噪声估计作为结果输出。Monte Carlo仿真结果表明了新算法估计精度优于标准IMM算法。     

混合电力系统的短期预报和最优调度

应用ＢＰ型神经网络,对水火混和电力系统中的负荷和水库独立来水进行短期预报;应用大系统最优化理论中的关联预估方法,针对大规模水火混合电力系统的最优经济调度问题,构造出一个新的多级算法,该算法结构清晰,具有很好的收敛性。     

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。     

基于Masreliez-Martin的鲁棒分数阶容积卡尔曼滤波算法及应用

针对具有非高斯量测噪声的分数阶离散时间非线性系统的状态估计问题, 提出一种基于Masreliez-Martin(简称为M-M)方法的鲁棒分数阶容积卡尔曼滤波器。在分数阶离散非线性动态系统基础上, 使用三阶容积原则推导了状态预测公式, 并使用M-M方法实现状态的量测更新, 构成了基于M-M方法的鲁棒分数阶容积卡尔曼跟踪算法。将提出的算法应用到再入目标的状态估计中, 仿真结果表明, 基于M-M方法的鲁棒分数阶容积卡尔曼滤波器优于分数阶无迹滤波器和分数阶容积卡尔曼滤波器。最后, 分析了不同程度的量测污染噪声对鲁棒分数阶容积卡尔曼滤波算法的估计性能影响, 验证了所提算法的鲁棒性。     

含时间周期项的离散灰色DGM(1,1,T)模型及其应用

针对系统行为序列的周期性波动特征，将三角函数引入离散灰色预测模型，提出含时间周期项的离散灰色DGM（1，1，T）模型，其还原公式可表示为三角函数和指数函数的耦合形式，从而表明该模型适用于既存在周期性又具有趋势性的复合型序列.基于最小二乘思想，将DGM（1，1，T）模型的参数估计转化为非线性优化问题，并提出PSO-LM混合算法进行数值求解；通过数值实验对模型的适用范围和参数估计方法的有效性进行验证；最后将该模型应用于河南省安阳市、洛阳市、许昌市和商丘市的农业干旱预测，结果表明2019年四个地市的土壤湿度将呈现出下降态势.     

局部投影降噪算法邻域半径参数的选择研究

基于动力系统模型的局部投影非线性降噪算法，对混沌信号和一大类非平稳信号具有明显的降噪效果。利用局部投影算法对信号进行降噪处理，邻域半径的选择对降噪结果有很大的影响。我们研究了基于递归分析的邻域半径参数的估计和基于噪声强度的邻域半径参数估计。通过对Logistic映射和Lorenz模型叠加不同大小的高斯白噪声，对两种邻域半径估计方法进行分析比较，得到了基于噪声强度的邻域半径参数估计方法具有更好的降噪效果，为局部投影降噪算法的应用奠定了基础。     

基于动态温度调控的空调系统能耗预测

针对动态温度调控的空调系统能耗预测问题,设计了动态温度调控策略并通过EnergyPlus仿真得到空调系统逐时能耗数据集.在采用集成方法分析能耗的基础上,建立改进PSO算法优化BP神经网络(improved particle swarm optimization-back propagation neural netwo...     

基于BSO-ELM的涡轴发动机加速过程性能参数预测

建立精度和实时性均满足要求的航空发动机性能参数预测模型是实现发动机性能优化和实时监控的基础。极限学习机(extreme learning machine, ELM)对复杂的非线性航空发动机系统具有良好的适应性, 本文提出了利用头脑风暴优化算法(brain storm optimization, BSO)优化ELM的网络参数以提高其性能。并提出以发动机的台架试车加速过程数据为训练和验证样本, 利用BSO-ELM算法回归辨识得到涡轴发动机加速过程性能参数预测模型。结果表明预测参数燃气发生器转速n_g、燃气发生器出口温度T₄和增压比π_c的两项精度指标均优于BSO算法优化的反向传播神经网络和粒子群优化算法优化的ELM方法得到的预测模型, 表明了BSO-ELM预测模型的可行性与优越性; 在相同仿真环境下, BSO-ELM算法可大幅提高计算效率使预测模型的实时性更优。