基于机器学习预测的隧道监测缺失数据插补研究

【目的】通过修复隧道监测数据的缺失值，为后续对隧道健康状态的分析提供更接近于现实的完整数据。【方法】本研究提出基于回归和分类思想的机器学习插补法，通过建立特征与缺失数据之间的关联规则，根据缺失个数和置换特征的重要度来设计插补顺序，并对缺失数据进行迭代插补。【结果】根据不同的缺失率、缺失类型和特征重要度对UCI数据和实际隧道监测数据进行实例分析，对比统计方法和机器学习方法的特点。【结论】机器学习方法适用于离散缺失和后段连续缺失的数据，传统的统计方法适用于监测数据前段、中段和前中后段连续缺失的情况，RF集成模型能达到最优的插补性能。根据缺失个数或将其与置换特征重要度加权求和得到插补顺序时，机器学习方法的插补性能更好。     

一种基于MissFroest的并行插补算法

本研究针对大数据分析预处理的缺失数据值填补问题及解决方案进行了探讨,提出了一种用于缺失值填充的插补算法.该算法在MissForest算法基础上融合K折交叉验证的思想,通过在不同缺失率下的插补试验与分析表明:该算法的填补误差小于传统的CNN插补算法,运行时间复杂度优于基础的MissForest算法,具有较强的泛化能力.     

基于逐点比较法的插补轨迹仿真软件

逐点比较插补算法是轮廓插补的算法之一．对用VB开发的数控插补仿真软件进行了介绍，该软件可实现四象限直线、顺圆和逆圆的插补轨迹的仿真，能使数控技术学习者深刻理解数控机床插补模块的作用，并可为数控系统插补软件的开发提供参考．     

扩展的DDA圆弧插补方法的研究

介绍一种对DDA圆弧插补进行改进的方法,建立数学模型,推导出迭代算法,给出插补程序框图.     

一种基于模糊C均值聚类的稀疏数据缺失值填充方法

缺失数据处理通常基于统计学的方法,在数据预处理阶段对缺失值进行填补,其效率和准确性并不高。因此,提出了一种基于模糊C均值(FCM)聚类的嵌入式填充方法(FCMSI)。此算法通过平均比率法(ARM)对稀疏数据进行初始化填充;采用局部距离策略对FCM进行改进,并对数据进行聚类;将缺失数据作为变量,在每次聚类迭代后的簇内采用协同过滤(CF)的思想对变量值进行替换,直到结果收敛。利用UCI标准数据集进行对比实验,并采用三种不同评价指标衡量,验证了FCMSI方法比传统填充方法性能显著提高。     

线性序空间自映射的回归点集和周期点集

本文讨论了线性序空间自映射的回归点和周期点的关系,证明了如下定理:设X是线性序空间,f是从X到自身的连续映射,如果X里局部连通的,则(?)其中R(f)与P(f)分别表示f的回归点集与周期点集.     

二阶部分线性自回归模型的稳健估计

本文将稳健估计程序思想运用到二阶部分线性自回归模型中,得到了未知参数β和非参数函数g(·)的稳健估计.在一定的条件下,证明了未知参数和非参数函数估计的相合性.并通过时间序列的数据模拟验证相合性结果.     

基于分类回归树的气候变化—植被分布模型研究

在生态学研究中,植被、物种与环境的关系一直是研究的重点.一直以来,在气候变化与陆地生态系统的关系的研究中,主要研究重点是对大尺度植被分布的模拟研究,而且建立了大量的气候—植被分布关系模型.随着近年来计算机科学与技术以及地理信息系统的不断发展,预测物种分布的统计模型技术得到了很大的发展,很多创新的技术模型(如:广义线性模型(GLM)、广义加法模型(GAM)和分类回归树(CART)等)被应用到了生物地理分布、植物群落、生物多样性、气候变化影响评估等方面.文章基于分类回归树(CART),关于气候变化对植物及植被分布的影响趋势进行了总结分析,其中主要是对我国几种常见树种的地理分布进行模拟分析.     

基于PRIN描述子的肽毛细管区带电泳迁移率支持向量回归预测模型

基于氨基酸描述子PRIN,利用加和法构建了102个混杂肽(从2肽到14肽)毛细管区带电泳迁移率的支持向量回归(SVR)预测模型(ε=0.012、σ=5和C=5),并与多元线性回归作了比较研究,结果表明SVR要好于多元线性回归方法,SVR方法对训练集和预测集的预测残差平方和(PRESS)分别是0.0097和0.0135及预测复相关系数分别为0.9774和0.9419,其预测结果与实验值一致,且提出了一个简单的方法并指出迁移率与描述肽的分子结构信息的PRIN参数存在着非线性关系。     

CNC系统逐点比较直线插补的新算法

插补技术是机床数控系统的核心技术,逐点比较直线插补法是直线轮廓的插补算法之一,其算法的优劣直接影响零件直线轮廓的加工精度和加工速度.文章在传统的逐点比较直线插补算法的基础上,提出以八方向进给取代传统的四方向进给,研究了偏差最小的走步方向的实现方法,同时研究了保证数控机床坐标进给连续的偏差递推计算过程.结果表明,新算法可以提高零件轮廓的逼近精度且减少了插补计算次数,从而提高了零件直线轮廓的加工精度和加工速度.     

时空加权回归模型的非平稳性检验

时空数据具有空间非平稳性和时间相关性的特征,单纯考虑空间因素或时间因素,用地理加权回归模型或时间加权回归模型来拟合时空数据,其分析结果不能全面反映时空数据的真实特征．时空加权回归模型通过在线性回归模型中假定回归系数为地理位置和观测时刻的函数,将数据的时空特性纳入到模型中,为探索回归关系的时空平稳性创造了条件．基于加权最小二乘估计理论,给出了时空加权回归模型回归关系的空间平稳性检验和时间相关性检验方法．     

椭球表面上的插补算法

L．R．NEAL给出了一种高效通用的二次曲线插补算法，它适合于圆弧，椭圆弧，双曲线及圆球上的插补，且结果精确，本文借助于参数方程 给出了椭球面上的插补逢法和一种简单的夹角判断算法，算法速度快，规整特别适合工程计算和硬件实现，其表示与L．R．NEAL的二次曲线的算法相似。     

基于EM算法的多水平零膨胀负二项混合效应回归模型的参数估计

计数数据广泛应用于医疗、生物和保险等诸多领域.泊松回归模型与负二项回归模型是分析这类离散型数据的重要模型.在实际计数中往往会出现相对于泊松分布或负二项分布过多的零,称之为零膨胀现象.分析此类数据的常见方法是零膨胀泊松(ZIP)回归模型和零膨胀负二项(ZINB)回归模型.但是,如果非零观测值过度分散并且具有相关性,则参数估计可能会出现严重偏差,导致传统的ZINB模型不能对其进行很好的拟合.提出了一种具有随机效应的多水平零膨胀负二项混合效应回归模型,并利用极大似然估计的EM算法对多水平零膨胀负二项混合效应回归模型进行参数估计.     

切比雪夫多项式回归分析方法在测量数据处理中的应用

在进行动态和静态测试时,经常需要对测试所得的数据进行处理,以使受干扰的一组数据“回归”其原有(排除这种干扰后)的变化规律。介绍一种实际应用中准确度较高的代数多项式回归分析方法,即切比雪夫(Tchebyshev)多项式回归分析方法。     

异方差的检验比较和修正

异方差是计量经济工作中线性回归模型经常遇到的问题,异方差的存在对线性回归分析有很强的破坏作用.通过对异方差产生的原因和后果进行分析,利用异方差的戈德菲尔特-夸特检验、拉格朗日乘数(LM)检验、怀特检验方法,判断线性回归模型异方差的存在性.通过加权最小二乘法或可行广义最小二乘法进行修正,建立能够真正反映经济规律的经济模型,实现对经济的正确指导作用.     

曲轴动平衡检测中一种数值校正方法

讨论曲轴动平衡检测数据的一种多元线性回归校正方法.该方法已在某生产线上使用,校正效果显著.     

关于自回归预测方法的注记

已知时间序列资料,建立自回归模型进行预测时,为了提高预测的准确性,采取的途径之一是固定自回归模型为线性模型,对数据列进行变换,提高数据列的光滑程度.证明了利用反双曲正弦函数变换能提高数据列的光滑程度,给出了改善的自回归预测方法,并且举例加以论证。     

(Zr0.7Sn0.3)TiO4陶瓷性能预报的支持向量回归模型

将支持向量回归方法用于(Zr0.7Sn0.3)TiO4陶瓷的配方性能关系研究中,分别建立了(Zr0.7Sn0.3)TiO4陶瓷介电常数和损耗角正切的支持向量回归模型,并与逆传播人工神经网络、多元线性回归模型进行了比较.用留一法分别检验了支持向量回归、逆传播人工神经网络和多元线性回归3种不同模型的预报能力,结果表明:上述3种模型对于(Zr0.7Sn0.3)TiO4陶瓷介电常数的留一法预报的平均相对误差分别为1.083%、1.632%、1.931%,对于损耗角正切的留一法预报的平均相对误差分别为0.999%、1.746%、1.414%.因此,支持向量回归模型的预报能力较好,可望在陶瓷配方设计中的多变量、非线性问题和小样本体系中发挥较好的作用,为新型介电陶瓷的性能预报和配方优化提供一条全新可靠的途径.     

基于滑动窗口的时间序列数据流分析与预测技术研究

数据流管理与分析的研究是目前国际数据库领域的一个研究热点,数据流上回归分析是一项非常必要而有意义的工作.结合数据流的特征,研究了时间序列数据流的回归分析与预测技术,以及一元线性回归方程的聚集技术,给出了时间序列数据流上的一元线性回归分析模型.在此基础上,提出了一种数据流上的预测模型.最后,试验分析展示了研究结果能够有效地产生时间序列数据流的回归模型和实现数据流未来数据的预测.     

正弦曲线类零件的编程加工

<正>由于大多数数控系统不具备非圆曲线的插补功能,因此,在加工这些曲线时,通常采用直线段或圆弧线段拟合的方法进行.同理,正弦曲线是公式曲线,因为没有插补指令,若逐点对曲线上的点进行计算,则机床的计算量很繁杂,这时可采用宏程序,利用对变量赋值的表达式来编制程序,可以简化编程,扩展程序应用范围.