基于径向基函数的非线性岭回归方法及仿真研究

提出了一种基于径向基函数的非线性岭回归建模方法（RBF-RR），该方法的核心是先通过RBF的转换实现输入样本的非线性映射，然后用岭回归方法进行线性建模，并采用了—种效果较好的基于广义交叉有效性（GCV）的逐步估计法来确定岭参数k；该建模方法的优点在于：径向基函数的引入赋予岭回归方法非线性功能，同时岭回归方法又可以消除使用RBF进行非线性处理后RBF输出之间潜在的复共线性。通过仿真研究表明：使用RBF—RR建立的模型具有较好的稳定性和预测精度。     

SBR过程自适应动态非线性MPCA建模及在线监视

污水处理SBR过程的在线性能监视对于提高排污质量和实现优化操作是至关重要的。针对SBR间歇过程缓慢时变、可变运行长度和非线性特点，采用双滑动窗口机制，提出多变量非线性自适应动态建模方法一可变长度的滑动窗口MPCA方法，解决常规MPCA在工业应用过程中存在的几个潜在问题：（1）建模数据样本不同步问题；（2）模型失配问题；（3）MPCA线性方法不能充分有效压缩和抽取非线性过程信息；（4）估计未来测量变量所引进的监视误差。所提方法成功应用在国际水协会提出的benchmark仿真试验平台。     

网络控制系统结构下的非线性系统建模与仿真

针对非线性系统往往具有不确定性,结构复杂、建模困难和不适于网络条件下仿真研究的问题,提出了一种网络控制系统结构下非线性系统建模与仿真的方法.在对弹簧连接的双倒立摆耦合非线性系统模型及其通信网络进行Matlab/Simulink模块化建模的基础上,利用鲁棒控制器将对象模型的不确定性和网络时延的不确定性进行了综合处理.仿真结果表明,该方法不仅降低了非线性系统建模的复杂性,而且为研究网络控制系统结构下非线性系统的动态特性提供了条件.     

基于半参数回归的联合定轨误差估计仿真算法

通过对联合定轨非线性影响因素特征的分析,提出了一种参数建模与非参数分量表示相结合的联合定轨非线性半参数回归建模方法。首先讨论了联合定轨模型及常值系统误差估计算法,在此基础上建立了一种广义非线性半参数回归联合定轨模型,设计了相应的卫星轨道参数、系统误差参数及模型误差估计算法,并从理论上证明了半参数模型轨道估计精度优于经典最小二乘轨道估计精度。仿真计算结果表明,广义非线性半参数回归联合估计方法能将模型误差和随机误差有效分离,同时联合定轨精度也得到了进一步的改善,从实际应用角度验证了半参数回归联合定轨建模方法的合理性和可行性。     

基于BP神经网络的上市公司财务预警模型

为了进行企业财务危机预警方法精度的比较研究,采用BP人工神经网络工具,以120家上市公司的截面财务指标作为建模样本,并使用同期60家公司作为检验样本建立了财务危机预警模型.经过对样本的反复训练和学习,分别取得了建模样本90.8%和检验样本90%的判正率.与我们采用主成分分析法建立的模型对同一建模样本和检验样本的预测精度分别是90%和81.7%相比有很大的提高.研究结果表明:BP神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果,因此是一种比较理想的预测方法,具有广泛的适用范围和较高的推广价值.     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN），利用动态BP（DBP）算法来学习训练神经网络的参数，通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验，说明在非线性系统建模方面TSFRNN比TSFNN更加优越。     

基于Takagi-Sugeno模型的磁流变半主动悬架控制

采用精度较高的Bouc-Wen模型对磁流变减振器建模,建立了包含减振器非线性动态特性的1/4车辆模型.为了解决Bouc-Wen模型给磁流变半主动悬架系统带来的非线性,通过Takagi-Sugeno模糊建模对磁流变半主动悬架系统的非线性项进行局部线性化,并利用并行分布补偿(PDC)方法求取系统的控制器.设计了与Bouc-Wen模型相结合的磁流变半主动悬架控制系统,系统仿真结果和硬件在环仿真试验验证了该方法的有效性.     

具有残差校正的n次累加灰色模型

提出一种具有残差校正的ｎ次累加灰色模型，给出了这种模型的建模机理和建模步骤，这种模型提高了ＧＭ（１，１）模型的精度，拓宽了ＧＭ（１，１）的应用范围，特别适用于数据波动“无序”，随机性强的系统的建模。文中仿真实例说明了该模型的有效性。     

RBF-AR模型在非线性时间序列预测中的应用

研究了RBF-AR模型在非线性时间序列中的建模和预测问题,并把它与其它一些新近提出的模型或方法加以了比较.一种结构化非线性参数优化方法用来辨识此模型.数值实验和比较研究表明采用结构化非线性参数优化方法的RBF-AR模型在预测精度上要大大优于其它一些模型或方法.     

摩擦力非线性建模与仿真

综述了常用的三种非线性摩擦仿真模型（经典模型、状态转换模型和复位积分器模型）的算法和构造思想，并以电机驱动系统在离合器动态结合过程为你，使用MATLAB／SIMULINK进行了动力学仿真计算，对三种摩擦力非线性模型进行了比较，结果表明状态转换模型和复位积分器模型在仿真算法的稳定性，精度和计算速度方面优于经典模型。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

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%。     

一种轻量化实时人体姿势检测模型研究与应用

传统的OpenPose模型在人体姿势检测方面精度较好但速度较慢。为了在保证检测精度的前提下加快检测速度、缩小模型,在传统OpenPose模型基础上,使用添加二阶项融合的残差网络提取底层特征,再通过L1范数权值对训练后的模型进行权值修剪,提出了改进型OpenPose模型。实验结果表明,在检测精度大致等同原模型情况下,模型大小缩小至约8%,参数减少近83%,检测速度提升约5倍。将改进的OpenPose模型应用到仰卧起坐体育健康测试中,结果表明该模型对仰卧起坐动作检测精度达到97%。     

基于卷积神经网络的小型建筑物检测算法

针对基于传统卷积神经网络的建筑物目标检测算法对于小型建筑物检测准确率低的问题, 提出一种基于Mask-区域卷积神经网络(Mask-region convoluional neural networks, Mask-RCNN)模型的小目标检测算法模型。该模型对Mask-RCNN模型中的特征提取网络进行了改进, 设计了一种带有注意力机制的多尺度组卷积神经网络, 有效解决了小目标有用特征较少且易被背景特征和噪声干扰的问题。航拍图像实验结果表明, 改进的检测模型使小型建筑物目标检测准确率较原始Mask-RCNN模型提升了28.9%, 达到了0.663。并且整体检测准确率达到了0.843, 有效提升了航拍建筑物检测准确性。     

空间机动目标跟踪的改进自适应IMM算法

针对使用模型似然函数比对传统交互多模型(interacting multiple model, IMM)算法模型转移概率实时修正存在奇异的问题, 基于所提修正函数给出一种改进自适应IMM算法。首先, 将白噪声模型与扩展卡尔曼滤波(extended Kalman filter, EKF)算法结合, 设计了非机动模型EKF1及机动模型EKF2作为IMM算法模型集。其次, 预报模型采用适应椭圆参考轨道的非线性相对轨道动力学方程以提高模型预报精度。最后, 分析了速率量测信息对减小机动目标跟踪峰值误差的作用。仿真结果表明, 改进的模型转移概率自适应IMM-EKF算法跟踪精度明显提高, 且优于比较的现有方法; 引入速率量测信息后, 最大峰值误差及估计精度得到了改善。     

非凸运动辅助低秩稀疏分解目标检测算法

针对传统低秩稀疏分解(low rank and sparse decomposition, LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD, RNMALRSD)的运动目标检测算法。该算法首先考虑到视频背景的低秩特性,采用非凸γ范数对秩函数进行逼近,考虑视频背景在变换域上仍然具有稀疏性,引入背景在变换域的稀疏先验。其次,引入运动辅助信息矩阵,使其融入前景的运动信息,表示每个像素属于背景的可能性,提高视频运动目标检测的准确度。然后,采用交替方向乘子法(alternating direction method of multipliers, ADMM)对提出的模型进行求解。最后,将提出的方法应用到视频运动目标检测上进行仿真实验。对实验结果的分析表明，提出的RNMALRSD方法比其他基于LRSD的运动目标检测方法具有更高的检测精度。     

基于自适应稀疏表示的高光谱遥感图像分类

针对多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题,从稀疏表示基本理论出发建立了一个基于自适应稀疏表示的高光谱分类模型。利用训练样本构建字典,聚类每一步迭代所产生的余项,将聚类中心作为新的字典原子,然后将测试样本看成冗余字典中训练样本的线性组合,令字典能够更适应于样本的稀疏表示。利用华盛顿地区的HYDICE高光谱遥感数据进行试验,并且与主成分分析、线性鉴别分析、支持向量机、神经网络算法进行比较,结果表明,该算法的总体分类精度比其他算法提高了约12%,有效提高了高光谱影像的分类精度。     

基因表达式编程在组合预测建模中的应用

介绍一种利用基因表达式编程的方法来自动生成非线性函数的组合预测模型,并进行误差估计分析, 改变过去只依靠各个子方法的简单线性相加,不能很好地反映非线性真实世界的传统组合预测建模方法.通过对我国CPI的真实历史数据验证, 验证结果表明: 与传统的ARIMA,灰色GM(1,1), BP神经网络和线性组合预测四种方法对比,基因表达式编程建立的组合预测模型所预测的数据准确度明显提高.     

基于改进正交匹配追踪算法的属性散射中心提取

属性散射中心模型是描述目标后向电磁散射特性的典型模型, 但其中传统的正交匹配追踪(orthogonal matching pursuit, OMP)算法提取模型时具有参数复杂度高、计算时间长等问题。对此提出一种基于稀疏字典的广义正交性的改进OMP算法, 快速定位模型位置参数值, 避免了正交匹配中的寻优过程, 从而降低算法的运算复杂度。通过对两类算法计算复杂度和计算精度进行多次蒙特卡罗实验比较得出，改进OMP算法提高了模型参数的估计精度与噪声鲁棒性, 且大幅降低了算法的运算复杂度, 相比于传统的OMP算法, 运算时间至少降低30%。