基于滚动时间窗的PSO-LSSVM的通信基站能耗建模

基站是通信网络的重要能耗节点,精准计算合同能源管理(EPC)模式下基站节能量成为该领域的技术瓶颈.以3类典型场景通信基站为对象,提出了一种基于粒子群优化算法(PSO)的滚动时间窗最小二乘支持向量机(LSSVM)的基站能耗建模方法.该方法通过选取预处理的基站配置参数与实时数据建立滚动时间窗,采用PSO优化训练模型参数,并通过LSSVM回归估计训练模型,得到随时间窗数据变化的基站动态能耗模型.仿真试验与样本基站实测数据的验证结果表明,本文建立的能耗模型具有较高的预测精度及泛化能力,对基站节能工程的评估具有良好的应用前景.     

基于滚动模糊时间窗的场面动态路径规划

为了减少机场场面滑行冲突,提高机场运行效率,提出了一种基于模糊规则系统的滚动模糊时间窗算法。首先构建机场滑行时间预测模型,其次将滚动时间窗和模糊时间窗算法相结合,对滑行路径进行动态优化,最后结合机场地面滑行数据进行检验,结果表明,地面延误降低了9%-17%,地面冲突减少了10%-18%,说明该方法能够有效提高机场地面运行效率。     

基于Cholesky分解的LSSVM在线学习算法

针对最小二乘支持向量机(LSSVM)用于在线建模时存在的计算复杂性问题，提出一种LSSVM在线学习算法.首先引入了基于Cholesky分解求LSSVM的方法，接着根据在线建模期间核函数矩阵的更新特点，将分块矩阵Cholesky分解用于LSSVM的在线求解，使三角因子矩阵在线更新从而得出一种新的LSSVM在线学习算法.该算法能充分利用历史训练结果，减少计算量.仿真实验显示了这种在线学习算法的有效性.     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题，利用基于支持向量机技术的软测量建模方法，建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集，并根据预估精度决策在线优化和模型更新，提高工业软测量模型的在线估计精度。研究结果表明，基于滑动时间窗的LS—SVM软测量建模方法，是一种有效的软测量建模方法。     

一种在线稀疏LSSVM及其在系统建模中的应用

为了减少在线最小二乘支持向量机(LSSVM)的计算量和存储空间,提出了一种在线稀疏LSSVM.这种LSSVM利用滑动时间窗中部分时刻的样本作为训练样本集.新时刻的样本总是加入训练样本集;每次删除样本时,若滑动时间窗最前端时刻的样本在训练样本集中,则删除它,否则从训练样本集中选择留一法预测误差最小的样本删除.与现有的在线LSSVM相比,这种在线稀疏LSSVM能用较少的样本学习系统较多的特性,能提高时空效率;与现有的在线稀疏LSSVM相比,它能摆脱陈旧样本的影响,更加适应系统的时变性.系统建模仿真实验表明,该在线稀疏LSSVM能节省时间和空间,具有较高的预测精度.     

基于GMDH-PSO-LSSVM中长期电力负荷预测

针对电力负荷预测粒子群优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型输入节点难以确定的问题,提出了一种基于数据分组处理方法(Group Method of Data Handling,GMDH)来优化PSO-LSSVM(Particle Swarm Optimization-Least Squares Support Vector Machine)的中长期电力负荷预测预测方法。该方法是首先利用GMDH算法获得LSSVM建模中的输入变量;然后利用基于自适应变异的PSO算法对LSSVM建模中的参数进行优化,选用某地区2008~2013年的历史数据作为模型的训练样本建立模型;最后使用训练好的GMDHPSO-LSSVM模型对2014、2015年的用电量进行外推预测。组合模型预测结果表明该方法达到了较高的预测精度,预测精度提高了2.21%。     

基于混沌粒子群优化的微电网短期负荷预测

针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)时存在非最优解问题,提出了一种基于混沌理论(Chaos theory)的粒子群优化LSSVM参数的短期负荷预测的方法.该预测模型首先引入混沌理论,对粒子群算法加以改进;然后让结合混沌理论的PSO对LSSVM回归估计进行参数优化,得到CPSO-LSSVM;最后将该方法应用于短期负荷预测,通过Matlab仿真训练得到预测结果.仿真实验结果表明该方法不仅可以降低算法陷入局部极值的可能性,还提高了学习能力,从而提高了预测的精准度.     

基于移动窗的多核最小二乘支持向量机建模算法

针对时变工业过程建模中存在的模型泛化性和适应性较低的问题,利用移动窗技术,通过使用多个核函数,提出了一种基于移动窗的多核最小二乘支持向量机(LSSVM)建模算法.该算法在最小二乘支持向量机算法基础上,利用多核组合代替单核,增强了模型的泛化能力;利用移动窗技术,增加了模型对时变工业过程的动态辨识能力及模型的更新效率.仿真实验结果表明,该算法具有更好的泛化性能.     

堆垛约束下基于偏序的路径优化时间窗松弛方法

在求解车辆路径优化问题时,通常使用时间窗对任务之间的偏序关系进行建模,设计带时间窗约束的路径优化模型与算法,然而时间窗约束与偏序约束是不等价的．在集装箱码头堆垛作业背景下,针对时间窗约束的路径优化模型,提出将时间窗约束转化为偏序约束的松弛方法,并据此设计偏序约束的路径优化模型．在分支定界算法框架下,研究时间窗约束与偏序约束之间的关系,对两种模型的特征进行分析．采用Solomon数据集进行数值分析,验证两个模型在寻优能力与性能之间的差异．结果表明,偏序模型具有更好的优化性能,但是时间窗模型具有更好的计算时间性能,通过时间窗紧缩的特征分析发现基于时间窗分解设计偏序模型求解算法是新的研究方向．     

一种多率采样的在线支持向量回归及应用

针对应用支持向量回归对不确定控制系统在线建模时精度受异常数据影响的问题,通过分析不同样本分布情况下异常数据的影响,指出增加异常数据邻域的样本密度可以有效地提高建模精度.提出了多率采样的支持向量回归在线建模方法,通过多率采样增加局部样本密度,并利用支持向量回归在小样本学习时的良好性能,构建一种局部样本密集的滚动时间窗,用以减少训练样本数和在线剔除异常数据.将该方法应用于多通道电液力伺服同步加载系统的负荷输出预测,结果表明,与传统单率采样的方法相比,在训练样本只增加2个的情况下,该方法具有更好的鲁棒性和预测精度,预测平均绝对误差达到了0.66%.     

基于二次组合的特征工程与XGBoost模型的用户行为预测

特征构造的难题在数据挖掘过程中一直存在,传统固化的特征工程对于业务场景千变万化的数据挖掘任务所带来的效益十分有限,因此解决特征工程的特征构造问题已经成为数据挖掘的瓶颈之一;尤其在机器学习算法快速发展的情况下,特征逐渐成为模型中急需重视的部分。基于电商平台的用户行为数据,在原有特征群的基础上提出了二次组合统计特征的构建方法。利用二次交叉衍生出丰富而又切合业务场景的特征群,同时结合两种滑动窗口的方法,分别是定长滑动窗口获取更多的训练样本,变长滑动窗口获取具有时间权重的训练特征,以此来最大限度地还原出用户真实的行为习惯。最后,使用不同的特征组合结合降维的方法建立对照检验模型;并利用线性的逻辑回归模型、线性支持向量机以及树模型极端随机森林与XGBoost对模型进行交叉验证。结果表明,组合特征在树模型的算法中得到了非常好的表达效果;而且无论在线性模型还是树模型中衍生特征群模型的F1值都优于基础特征群。     

基于两级支持向量机分类的视频镜头分割方法

提出一种基于两级支持向量机分类的视频镜头分割方法.第1级分类器利用分段视频首尾帧直方图距离,结合滑动窗口和陷波方法计算分段视频的特征向量,通过支持向量机来分类筛选含有镜头边界的子段;第2级分类器根据不同间距的帧间直方图的距离特征,采用时间窗口法构造特征向量,利用二叉树支持向量机多分类策略检测镜头边界的位置.结果表明,所提出的方法能够同时提高切变和渐变的镜头边界的检测效果.     

基于BP神经网络的集群负载预测器

针对由于作业调入调出引起的负载突变,提出了基于通知机制的反传(BP)网络和动态滑动窗口混合预测方法,设计并实现了基于神经网络的负载预测器.该方法在发生突变时,利用动态滑动窗口均值法预测并重新训练样本,训练结束后使用新的BP模型预测.其通知机制能减少预测器的样本识别时间,模型保存机制提供了无需训练样本的机会.测试结果表明,该预测器具有较好的预测精度,能够将大部分预测值的平均误差控制在5%以内,并快速适应突变事件.     

空间机器人的SVM非线性补偿滑模控制研究

为提高机械臂末端跟踪目标轨迹速度, 提出了一种基于SVM(Support Vector Machine)非线性模型估计的滑模控制方法。该方法通过SVM对参数不确定非线性项进行估计, 对空间机器人动力学模型进行补偿。这种从整个闭环系统稳定性出发设计的SVM非线性补偿滑模控制器, 不需要确切的数学模型, 从而提高了快速跟踪目标轨迹, 减小跟踪误差的动力学系统性能。仿真结果验证了该控制方法的有效性、可行性。     

基于CSP与SVM算法的运动想象脑电信号分类

针对基于两种不同意识任务(想象左手运动和想象右手运动)的脑机接口,使用共空间模式(common spatial pattern,CSP)算法对BCI 2003竞赛数据进行特征提取;基于滑动时间窗,利用CSP方法对C3,Cz和C4位置的脑电信号进行处理.利用支持向量机对特征进行分类,获得最大分类正确率82.86%,最佳时间点4.09 s,最大互信息0.47 bit,最大互信息陡度0.431 bit/s.与BCI 2003竞赛结果相比,最大互信息陡度有了显著提高,证明该方法更适合BCI实时系统的要求.     

基于滑动窗口的时间序列离群数据挖掘

离群数据挖掘是数据挖掘中的重要内容.本文针对时间序列数据进行离群数据挖掘方法的研究.在引入了基于局部离群点因子的离群数据挖掘方法与时间序列上滑动窗口基础上,将二者相结合,提出了基于滑动窗口的时间序列离群数据挖掘算法,并将算法应用于海表温度数据得到海表温度的异常之处.     

基于动作识别和步幅估计的步行者航位推算

针对步行者的运动特点,采用和传统航位推算不同的思路,提出低成本步行者航位推算方案.通过分析安装在步行者身体上的加速度计输出采样,采用支持向量机识别步行者运动状态,并采用滑动窗长度可变的峰值捕获算法测算实时步频.为提高峰值捕获正确率,使用Daubechies 4作为基函数的小波滤波器对加速度计的原始输出进行平滑.通过实验拟合出步幅与步频的关系模型,并以此估算步行者实时步幅作为步行者实时移动距离,再结合电磁罗盘的航向角输出,完成步行者航位推算.经实地实验验证,该方案具有较好的定位效果.     

考虑系统总和扰动的多关节机械臂 反步有限时间滑模控制

针对多关节机械臂轨迹跟踪控制中存在的模型参数摄动和外部有界扰动等不确定性因素影响问题,设计了一种考虑系统总和扰动的反步有限时间滑模控制算法,用于实现多关节机械臂轨迹跟踪控制任务。首先,利用严格反馈形式描述多关节机械臂的动力学模型,并将模型参数摄动和外部有界扰动等不确定性因素看成系统的总和扰动,进而设计非线性扩张状态观测器对系统总和干扰加以估计,以提高系统的鲁棒性能;其次,在传统反步法设计的基础上结合有限时间滑模控制技术,完成系统反步有限时间滑模控制器的设计;最后,应用Lyapunov稳定性理论证明了多关节机械臂的位置矢量能够实现对期望位置矢量的有限时间稳定跟踪。仿真对比结果表明设计反步有限时间滑模控制算法的有效性。     

TPN与B方法集成的形式化技术

单一的形式化方法和技术在描述系统时总是有一定的不足，通过集成TPN与B方法可以相互取长补短。本文讨论了TPN-B技术如何将TPN与B方法的抽象机之间构建起映射关系，介绍了如何用TPN-B对系统进行一个初始的构造，并通过对滑动窗口协议进行描述来体现。