基于样本点显著性及嵌套正交设计的序贯设计及建模方法

针对高度非线性且存在多极值质量特性的复杂作用关系过程,采用最小二乘支持向量回归(LS-SVR)和嵌套正交设计进行序贯设计及建模.首先给出了LS-SVR支持向量的统计分布,构造了显著性检验统计量,以此反映样本点的显著性;其次,以正交设计为初始设计,建立过程的LSSVR模型,而后在显著性较高的样本点附近子区域,嵌套入与初始设计不同的正交设计,再拟合新的LS-SVR模型.研究表明,对样本点的显著性检验,更贴合支持向量的波动特性;嵌套正交设计提供了较为规则的子区域划分和实验点添加方法,降低了序贯设计难度.与一次性LHS设计和传统路径式序贯设计相比,方法的预测均方误差降低27%以上,最大预测偏差降低2%以上;方法在发现更多极值点的基础上,得到了更优的质量特性,且样本量降低了13%.     

面向多极值质量特性的全局式序贯性实验设计方法

针对多极值质量特性的全局性建模和参数优化问题, 为降低实验设计样本量, 提高模型预测性能, 提出一种全局式序贯性设计方法. 首先在一定的初始实验设计方式下, 建立过程粗略的SVR模型; 而后根据模型中支持向量的分布, 在支持向量样本各维度的45度角或轴向方向同步地增加实验点, 再拟合过程新的SVR模型; 如此迭代进行, 当模型精度达到要求或样本量达到上限时终止序贯性设计. 仿真与实证研究表明, 该方法能够在可行域全局的范围内将实验点合理地分配在质量特性的多个极值附近, 避免了传统的单路径式序贯性设计只能发现单个极值的不足, 充分提高了实验效率; 与均匀空间网格设计、 拉丁超立方设计和均匀设计相比, 在样本量接近的情况下, 基于全局式序贯性设计的SVR 模型的预测均方误差至少降低了30%; 而在预测误差较为接近的情况下, 全局式序贯性设计的样本量至少降低了12%.     

基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法.对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型.各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型.通过实例仿真,结果验证了所提出方法的有效性.     

自调用支持向量回归优化支持向量机参数

参数选择是支持向量回归分析的关键问题之一,在大训练样本条件下,大范围遍历搜索极为耗时。基于均匀设计和自调用支持向量回归,提出了一种将大样本搜索转化为小样本搜索的策略:在3因素9水平搜索范围,经混合均匀设计产生27个参数组合,每组合对训练集经交叉测试得其均方误差MSE;以MSE为目标函数,对该27个参数组合形成的小样本自调用支持向量回归以留一法进行大范围搜索建模,预测729个完全参数组合;取预测MSE最小的对应参数组合完成大样本的训练、预测。对5个基准数据集的独立预测表明,新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大样本支持向量机参数选择提供了新的有效解决方案。     

遗传优化的SVR在钢材力学性能预报中的应用

提出了基于支持向量回归的钢材力学性能建模方法,采用遗传算法优化支持向量回归模型的参数,避免了参数选择的盲目性,使得支持向量回归模型的预测性能有了显著提高.将此方法应用于实际钢厂的钢材力学性能预报中,模型的训练与验证数据都来自于实际的过程,结果表明采用遗传优化的支持向量回归模型对钢材力学性能具有很好的预估性能.     

基于多支持向量机的软测量模型

在许多工业过程控制系统中，软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型，支持向量机（SVM）以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想，提出多支持向量机（MSVM）组合模型的软测量建模方法．该建模方法通过减聚类方法将输入空间划分为一些小的局部空间．在每个局部空间中用最小二乘支持向量机（LS-SVM）建立子模型．为解决子模型相互之间的严重相关问题，提高模型的精度和鲁棒性，各个子模型的预测输出通过主元递归（PCR）方法连接．仿真研究表明，采用该建模方法能够达到较好的建模效果。     

基于任务的装备器材非稳态需求预测

基于任务的装备器材具有非稳态、小样本等特征,针对其需求难以准确预测的问题,提出非稳态区间划分和支持向量回归(support vector regression, SVR)的预测方法。首先根据非稳态度量函数将需求序列划分为稳态子区间,然后对各子区间采用SVR进行预测,同时针对基于径向基函数(radial basis function, RBF)核函数的SVR对参数的敏感性问题,采用布谷鸟搜索算法(cuckoo search, CS)对SVR参数进行寻优,最后将各区间的预测结果进行加权求和得到最终预测结果。算例对比分析表明,该方法能够一定程度上降低数据非稳态影响,提高任务器材需求预测准确率。     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

基于遗传算法优化支持向量回归机的区域物流需求预测

本文采用支持向量回归机对物流需求进行预测,研究SVR在物流需求预测中的可行性。为了建立有效的SVR模型,SVR参数需要精心设置,针对物流需求非线性的特点,本文首次提出用遗传算法(GA)优化支持向量回归(SVR)机进行预测,采用最优参数构造SVR模型。以1990-2015年广西货运量为时间序列数据,实验结果表明,以平均绝对误差(MAPE)和均方差比值(MSE)为精度检验标准,GA-SVR比ARIMA和灰色预测具有更优的预测效果。     

A self-similar local neuro-fuzzy model for short-term demand forecasting

This paper proposes a selfsimilar local neurofuzzy （SSLNF） model with mutual informati onbased input selection algorithm for the shortterm electricity demand forecasting. The proposed self similar model is composed of a number of local models, each being a local linear neurofuzzy （LLNF） model, and their associated validity functions and can be interpreted itself as an LLNF model. The proposed model is trained by a nested local liner model tree （NLOLIMOT） learning algorithm which partitions the input space into axisorthogonal subdomains and then fits an LLNF model and its associated validity function on each subdomain. Furthermore, the proposed approach allows different input spaces for rule premises （validity functions） and consequents （local models）. This appealing property is employed to assign the candidate input variables （i.e., previous load and temperature） which influence shortterm electricity demand in linear and nonlinear ways to local models and validity functions, respectively. Numerical results from shortterm load forecasting in the New England in 2002 demonstrated the accuracy of the SSLNF model for the STLF applications.     

SV模型的变结构研究及应用

探讨SV模型的诊断分析和变结构建模问题，并在扩展SV模型基础上利用分段建模方法来检测模型结构变化点和分段变化模型的选择，最后以深驯股票市场综合指数为依据验证诊断分析方法的有效性。     

基于小波变换的时变长记忆SV模型估计方法研究

研究了基于小波变换的时变长记忆SV模型参数的估计方法.根据小波变换可将过程分解到不同的尺度上以及长记忆SV过程同一尺度下和不同尺度下DWT系数的近似不相关性,提出了建立局部似然函数的方法,又根据DWT系数和MODWT系数之间的关系,将局部似然函数表示为模型参数和局部小波方差估计的形式.用该方法对中国股市收益进行了时变长记忆SV模型参数的估计.     

网络中心化作战体系信息域效能分析

为设计网络中心化作战体系和评估网络中心战对作战结果的影响 ,首先分析了网络中心化作战体系的信息域信息质量转换 ,提出了三个信息质量指示 :完备性、准确性和时效性指标 ,其次研究了信息域的传感器子域、融合子域和通信网络子域的完备性、准确性和时效性指标及其度量 ,最后给出网络中心化作战体系的信息域效能评估模型。     

基于单值数据过程能力指数的多元质量特性稳健参数设计

针对单值采样数据的多元质量特性稳健参数设计问题,考虑各质量特性偏差波动和方差波动的权重,提出了一种整合过程能力指数和熵权理论的多元质量特性稳健参数设计方法。该方法首先假定设计变量服从正态分布并建立各质量特性均值和方差模型;然后,通过熵权法分析各质量特性偏差波动和方差波动的权值,进而计算各质量特性的过程能力指数;最终,构建基于多元过程能力指数的目标函数。通过对实际案例分析说明,本文方法与其他参数设计方法相比,能够在考虑稳健性的同时更好地使质量特性满足产品规格和接近目标值。