黏土路基回弹模量预测及贝叶斯模型选择研究

【目的】确定黏土路基回弹模量的最优估计模型,实现黏土路基回弹模量的准确预测。【方法】采用贝叶斯高斯过程回归方法,建立了路基土的围压、偏应力、含水率以及干重度与路基回弹模量之间的定量关系,实现了高斯过程回归参数的准确估计与最优影响因子组合的客观选择,在模型的复杂度与拟合程度之间达到了自动平衡。【结果】基于所提出的贝叶斯高斯过程回归方法可准确预测路基的回弹模量,所选最优模型的决定系数(R²)和平均绝对百分误差(R_MAPE)分别达到了0.99和1.51%,与全变量模型的预测性能几乎相同。在100次随机试验中,最优模型被选择的比率达到了88%。【结论】所提出的贝叶斯高斯过程回归方法不仅可以通过路基土相关物理力学参数准确预测路基的回弹模量,还可以有效剔除冗余输入变量,在保证模型拟合程度的情况下,降低了模型的复杂度,这对模型的应用与推广具有重要意义。     

混合高斯过程回归模型在铁水硅含量预报中的应用

为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于概率图模型的图像纹理模型

 纹理作为一种视觉特征,它广泛应用于图像分析。概率图模型由于其自身特点可以很好地描述纹理。高斯图模型结构可根据局部马尔科夫性和高斯变量的条件回归之间的关系来学习。高斯图模型可用一个邻域系统、一个参数集和一个噪声序列表示。利用惩罚正则化方法,可以选择高斯图模型的邻域并估计参数,然后提取纹理特征进行纹理合成和分类。实验结果显示基于高斯图模型的纹理特征更加有效。     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

高斯过程回归模型在河流水温模拟中的应用

通过收集密苏里河三个站点的多年实测水温、气温数据,建立了水温-气温的高斯过程回归模型.和传统的水温回归模型(线性、非线性及随机回归模型)相比,高斯过程回归模型的精度较高,各研究站点的相关系数值均较高(0.966 4~0.989 7),均方根误差值相对较小(1.978 4~1.495 0).高斯过程回归作为一种较为先进的机器学习方法,和其他机器学习方法相比,其突出的优点在于结合了许多机器学习任务,包括模型训练、不确定性分析及超参数估计等,该方法可以有效地应用于天然河流站点水温的预测.     

基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

基于动态系统稳定估计器的机器人变刚度轨迹规划

针对现有基于动态系统稳定估计器(SEDS)的机械臂轨迹规划中无法兼顾运动精度和能量消耗的问题,提出变刚度轨迹规划的方法.首先,采用SEDS对示教轨迹进行拟合,得到从空间任一起点到终点的收敛轨迹.然后,基于人体上肢刚度模型,通过实验得到肌电信号与上肢末端刚度的映射关系,并使用高斯混合模型GMM和高斯混合回归GMR学习示教...     

基于条件生成对抗网络的稀疏样本回归预测模型

自生成对抗网络提出以来，基于生成对抗网络的拓展模型在图像处理等领域均有显著成效，但其在回归预测问题上的应用较少.在概率回归过程中，通过构建条件概率分布模拟特征与实际目标之间的潜在关系是一种常用方法，但在实际问题中条件概率分布过于复杂，似然估计难以捕捉.为此，首先分析高斯过程回归在稀疏样本回归预测中的预测精度，将其作为稀疏样本回归预测的基准线.通过分析条件生成对抗网络的构造，提出利用条件生成对抗网络解决稀疏样本回归预测问题.最终通过对比分析4种非线性模拟数据回归预测结果，发现提出的条件生成对抗网络模型相较基于Matern32核函数的高斯过程回归具有更好的预测精度.     

幂函数和指数函数回归模型参数的无偏估计及应用

本文给出了一类非线性函数、幂函数和指数函数回归模型参数的一种估计方法，用此方法计算幂函数和指数函数参数所得的残差平方和比用化为线性模型计算所得的残差平方和小得多。与精确的高斯－牛顿迭代计算结果相近，它比一般非线性回归迭代计算简单。     

基于LASSO回归的R-vine copula模型构建及其在化工过程故障检测中的应用

Vine copula模型在描述高维数据间的非线性、非高斯特性相依关系问题上提供了一种新的思路，在化工过程建模领域受到越来越多关注。笔者将LASSO(least absolute shrinkage and selection operator)回归引入R-vine copula(LASSO-R-vine copula, LRVC),根据变量间联系的强弱程度确定变量在R-vine矩阵中的位置，利用回归分析正则化路径选择R-vine copula矩阵结构，遵循R-vine矩阵构建规则和回归过程确定R-vine结构矩阵模型，以获得一个与变量独立性有关的稀疏矩阵模型。该方法构建的矩阵结构独立于copula函数类型和参数，在处理高维度复杂工业过程数据时，利用稀疏模型和惩罚力度简化copula函数类型选择过程，缩短了建模时间，使统计建模具有更强的灵活性。该方法在TE(Tennessee Eastman)和醋酸脱水过程故障监测中表现出较好的预测效果，证明了提出的方法在非线性、非高斯过程的有效性。     

纵向数据部分线性模型的基于高斯伪似然的高效估计

在纵向数据部分线性模型中,基于高斯伪似然构造相关阵的相合正定估计,进而得到回归参数的高效估计,给出了估计的算法及基于高斯伪似然的相关阵模型的选择准则.模拟表明,基于高斯伪似然方法得到的参数估计是高效的.     

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

圆弧破坏型岩质边坡安全系数快速估计的高斯过程模型

高斯过程是新近发展起来的一种新的机器学习方法,对处理复杂非线性问题具有良好的适应性.针对边坡非线性系统的复杂性,为实现边坡安全快速设计和稳定性评价的工程实践要求,在高斯过程回归模型的基础上,提出了一种圆弧破坏型岩质边坡安全系数估计的高斯过程模型.该模型不必建立复杂的力学计算模型,而是利用高斯过程的自学习功能,通过对工程实例先验知识进行学习,建立圆弧破坏型岩质边坡安全系数与其各种影响因素之间的非线性映射关系,然后利用贝叶斯推理规则估计边坡安全系数.工程实例研究的结果表明,该模型是可行的,可以快速准确地给出具有概率意义的圆弧破坏型岩质边坡安全系数.     

基于不同核函数跨海大桥变形高斯过程预测精度分析

跨海大桥处于海洋复杂运动环境中,受到海浪、飓风等因素的扰动,常规桥梁变形时间序列模型不能全面反映其变形的内在驱动性.选取了高斯过程回归模型,根据青岛胶州湾跨海大桥某处桥墩30期挠曲变形实测数据,构建训练样本,通过训练样本获得跨海大桥变形的先验参数,对测试样本进行预测.为了避开跨海大桥变形模型非线性映射函数形式表达式及"高维数"等技术难题,引入了SE、NN、RQ三种单一核函数及SE、RQ形成的组合核函数,对这四种核函数分别进行变形值的高斯过程回归,并计算各种核函数模型的预测值相对误差,获得了跨海大桥变形值最优核函数预测值.同时,基于核函数高斯过程回归,实现了变形值间的非线性映射,解决了复杂模式预测问题.     

基于非参数核回归模型的隐含波动率预测

采用非参数核回归的方法,以市场上的期权数据为分析对象,将隐含波动率看作是与执行价格、剩余期限相关的函数,对其进行建模.构建双窗宽Nadaraya-Watson高斯核回归模型和Parzen-窗均匀核回归模型,与已有的参数模型和Bourke模型进行实验对比.实验结果表明,Parzen-窗均匀核回归模型的隐含波动率预测精度更高、效果更好,大样本的情况下优点更显著.     

高斯过程回归方法及其预测模型

机器学习目前在计算机学科和信息学科里是非常重要的一个前沿领域,高斯过程回归这一理论学习方法是一种全新的机器学习方法,它是在贝叶斯理论和统计学习理论结合的基础上发展起来的,自被提出以来就受到各个领域专家、学者的高度重视并取得了不少成果。该文主要介绍高斯过程回归的方法及其算法模型。     

模糊变系数回归模型在基金评价中的应用

在现有的CAPM模型基础上,利用模糊变系数回归分析方法,将模糊数设置为高斯模糊数,扩大模糊回归分析的实用范围,并运用局部核权最小二乘法对模型进行求解。给出了评价指标GOF,基于现实生活更适用的评判标准,建立适用于中国基金市场的模糊估值模型;与经典回归模型相比较,采用模糊变系数回归得到的参数估计有更好的应用价值。实证结果表明模糊变系数回归方法具有较好适用性。     

基于改进布谷鸟搜索—高斯过程的橡胶配方预测研究

为提高橡胶产品的质量，根据实验设计数据，利用高斯过程回归构建橡胶产品性能与因素之间的配合过程模型，采用改进的布谷鸟搜索算法对高斯过程回归模型的超参数进行寻优，并预测橡胶产品性能。研究结果表明，该模型的预测结果有效，并能降低橡胶产品配方优化设计所需时间。