动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

动态指数平滑预测方法及其应用

指数平滑法是应用广泛的时间序列预测方法之一,但在传统方法中其相关系数的确定具有主观性,因此,其预测结果往往偏差较大.本文对传统指数平滑法进行改进,将其参数动态化,使得模型随预测过程自动更新,从而保证了预测的实时性、客观性.以最小预测误差平方和(SSE)为优化目标建立动态指数平滑参数和初值的优化模型,并通过迭代优化法求解.通过动态指数平滑模型,传统方法的一些缺陷,如模型参数选取的主观性、易导致预测偏差等被有效解决.预测实例表明,新方法优于传统指数平滑方法.     

动态指数平滑优化模型及其应用

针对常规二次指数平滑模型在实际应用中的不足，引入动态平滑参数的概念，建立了一类不需选取平滑初值、平滑权重能自行调整的指数平滑模型；以预测误差平方和SSE最小为目标，构造了优选并自动生成最佳平滑参数使预测模型得以优化的最速下降算法。通过严谨的数学论证和算法分析较完整地解决了指数平滑预测中，平滑参数靠经验确定并且因静态、平滑初值难以确定而易导致预测偏差等问题、最后用所建模型对中国消费品零售总额进行了预测。结果明显优于传统模型。     

序列蒙特卡洛滤波在卫星传热反问题中的应用

为了解决卫星在轨外热流辨识与实时温度预测问题,提出采用序列蒙特卡洛SMC(Sequential Monte Carlo)算法实时辨识卫星轨道外热流变化,结合双层集总参数模型,快速准确地预测星载仪器温度变化.SMC算法采用构造温度的后验概率密度函数PPDF的方法进行滤波和预测,使得外热流的在线辨识和温度预测性能得到较大提高.仿真结果表明序列蒙特卡洛滤波方法可以实现卫星热系统动态特性辨识,保证了低维模型参数的自适应辨识的可靠性,实现受控对象温度变化的在线预测技术.     

时用水量预测的自适应组合动态建模方法

利用随机过程及时间序列分析手段,根据用水量序列季节性、趋势性及随机扰动性的特点,建立了用水量预测的自适应组合平滑模型。利用递推最小二乘算法及卡尔曼滤波算法解决了模型参数的动态估计问题。该法经实例验证,预测误差较小,可满足供水系统调度的实际需要。     

DSSS系统中基于线性平滑预测的单音干扰抑制

通过把线性预测算法与平滑滤波算法相融合,提出了一种线性平滑预测算法.该算法在抑制单音干扰的同时降低了噪声对系统性能的影响,因此与线性预测算法相比这一算法为DSSS系统提供了更高的性能增益.仿真结果进一步证实了该结论.     

基于视点预测的大规模地形的实时渲染

实时渲染中帧速率往往与地形规模呈反比,尤其是大规模地形的渲染,在单PC下很难达到实时.对此提出了一种基于视点的可见她形预测算法,动态加载地形数据,降低了图形硬件需要处理的数据量,有效提高了大规模地形的渲染速率.同时,针对大范围地形集中加载引起的画面停滞现象,采用外推算法对视点的运动进行预测,对即将进入视锥内的地形数据进行提前加载,实验结果表明,随着地形规模的增大,该方法的渲染速率变化小,实时性能良好,场景画面平滑流畅,可用于虚拟现实或仿真中的地形构建、实时生成等相关领域.     

虚拟战场环境中大尺度矢量数据实时绘制研究

针对虚拟战场环境中大尺度矢量数据表现的不足,提出了一种视点相关的大尺度矢量栅格数据多级实时绘制方法,根据视点距离动态调整矢量栅格纹理透明度,采用两阶段纹理融合处理过程,实现了多级间纹理平滑过渡,提出了矢量栅格纹理缓冲更新方法,根据最近常用算法动态更新纹理缓冲,加速矢量棚格化纹理获取速度.最后实现了虚拟战场环境中大尺度矢量数据的实时绘制,实验结果表明,本文算法能实时绘制大尺度的矢量数据,很好地解决了多级纹理切换时不连续问题.     

一种权值在线学习的分布式检测系统的融合算法

研究了一种基于最小错误概率准则的权值在线学习的分布式检测系统的融合算法。该算法能够根据观测数据的变化,自动在线调整权值大小,逐步改善系统的检测性能。计算机仿真结果表明,该算法能够较快地收敛到最优解。     

基于进化模糊神经网络的上肢康复机器人自适应阻抗控制

针对机器人辅助患肢进行康复训练时患肢病情的变化对系统稳定性造成的影响,在传统阻抗控制方法基础上,提出了一种基于进化模糊神经网络的自适应阻抗控制方法.该方法采用能较为准确反映患肢病情特性的患肢机械阻抗参数作为控制器输入,根据在线辨识得到的机械阻抗参数,运用进化模糊神经网络对目标阻抗控制参数进行动态调整.在调整过程中,首先采用混合进化算法离线优化目标阻抗控制参数,然后再利用动态BP算法对目标阻抗控制参数在线作进一步地调整.分析和仿真结果表明,改进后的方法较传统阻抗控制方法更能有效地适应患肢病情的变化,且具有较好的平滑性和稳定性.     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

基于粗糙集理论修正的后续备件指数平滑预测方法

针对后续备件需求预测误差大的问题,提出一种基于粗糙集理论修正的后续备件指数平滑预测方法。根据备件需求数据呈现的趋势,通过拟合确定指数平滑法的次数和平滑系数。从装备在使用过程中影响备件需求数据波动的因素出发,提出了不依赖于基本预测方法的改进预测思路。构建基于粗糙集理论的修正模型。结合算例,对比分析所提方法的优越性,结果表明修正方法可以显著提高预测精度,提出的改进方法不涉及基本预测方法内部特性且无需引入其他辅助方法,通用性较强。     

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。     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

基于卡尔曼滤波的极限学习机在线盲均衡算法

针对正交振幅调制(quadrature amplitude modulation, QAM)信号, 在预测方法的盲均衡框架下, 基于卡尔曼滤波(Kalman filter, KF)提出了一种新的神经网络在线盲均衡算法。采用复数型极限学习机(complex extreme learning machine, C-ELM)作为非线性预测滤波器(prediction filter, PF), 用KF实时更新C-ELM的输出权值以使预测误差达到最小, 再通过自动增益装置调整信号的幅度变化, 最后引入相位调整因子纠正信号的相位旋转。仿真结果表明, 所提算法实现了良好的实时均衡效果, 具有较快的收敛速率和较小的稳态均方误差, 不仅适用于方形, 同时也适用于十字形QAM信号的盲均衡。     

基于暂态挖掘的非线性时间序列故障预报

针对实际工程系统故障建模困难、现有故障预报方法实时性差的问题.从一类挖掘的角度,设计了一种基于一类支持向量机的时间序列暂态挖掘算法,提出了一种既不需要系统近似模型也不需要故障训练数据和先验知识的直接故障预报方法.在系统运行的同时实现学习和预报.提高了实时性.同时该方法简单易用,克服了传统方法在预报故障前需要预测系统未来状态的缺点.具有很强的应用意义.以釜式反应嚣为对象进行的仿真实验证明了方法的有效性.     

基于深度神经网络的航班保障时间预测研究

航班地面保障时间预测是提高机场运行保障效率和决策能力的关键问题之一。考虑到服务流程的复杂性和特殊性,建立了航班地面保障资源到位时间的高斯概率模型,提出了一种基于深度神经网络的航班地面保障时间预测模型,并根据保障数据规律性变化调节模型参数,减小不确定性因素产生的泛化误差。研究结果表明,单航班预测结果的平均绝对误差比多航班小4.479 min,模型评价分数达到了94.608,且预测精度比传统BP神经网络和贝叶斯网络方法高3%~5%。     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。