废水处理过程的KPLS-GPR软测量建模

采取基于核函数偏最小二乘法的高斯过程回归模型(KPLS-GPR),对复杂的造纸废水处理过程中出水化学需氧量(COD)和出水悬浮固形物(SS)质量浓度进行预测.首先,采用KPLS的潜变量作为预测模型的输入变量,以降低数据维度,优化数据结构;其次,建立潜变量与输出变量的GPR回归模型.基于某工厂造纸废水数据进行仿真试验,引入人工神经网络(ANN)、基于偏最小二乘潜变量的预测模型(PLS-ANN)及基于核函数偏最小二乘潜变量的预测模型(KPLS-ANN)作为对比.试验结果表明:KPLS潜变量对预测模型有明显的优化效果,在这些模型中KPLS-GPR预测精度最高;对于出水COD和SS质量浓度的预测,KPLS-GPR的决定系数分别为0.575和0.610,相比于常规预测模型,决定系数可分别提升36.90%和43.87%.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

露天矿行车事故预测方法及应用

为有效解决露天矿山行车事故预测模型建模时,易受小样本数据、离群数据规模影响,导致模型精度损失、算法抗噪容差能力及收敛速度下降等问题,提出一种基于二次惩罚项修正(PTS)的改进支持向量回归机模型(WLSSVR)。根据训练样本的数据分布特性,研究了服从露天矿山现实应用场景的二次惩罚项,进一步提高回归机模型的抗噪容差能力;考虑非线性预测模型影响因子选择困难的问题,研究了数据降维及因子分析方法,并将主成分分析方法引入到输入数据预处理算法中,以保证算法可得到理想的输入;针对传统回归机模型易受核参数选择影响,易导致模型早熟和收敛速度慢等问题,研究了粒子群惯性因子、学习因子的自适应迭代形式,提出了一种应用改进粒子群算法优化回归机模型核参数的方法。以露天矿行车事故频次预测为例,进行了预测和对比实验。实验结果表明:引入PTS模型的测试集预测结果明显优于不采用PTS策略的预测结果。这说明,应用文中提出的二次惩罚策略和参数优化算法对复杂系统的事故预测问题研究是可行且有效的。     

基于非参数核密度估计的集装箱码头交通需求预测模型

针对现有集装箱集疏港时间概率分布建模中需要假设参数分布的问题,基于非参数核密度估计理论建立集装箱码头交通需求预测模型.非参数核密度估计的核函数选取高斯核,最优带宽由交叉验证法求得,通过检验、K-S检验和后验检验对比分析了核密度估计与两种传统参数模型的估计效果,并应用该模型预测DCT码头的交通需求.结果表明:非参数核密度估计模型具有更高的拟合精度、稳定性和适用性,得到的概率密度曲线能更加准确反映出口箱集港时间和进口箱疏港时间的整体分布形态,基于非参数核密度估计的集装箱码头交通需求预测模型具有比传统的参数模型更高的预测精度,可为集装箱码头基础设施规划、集疏港通道的道路交通管理、码头资源优化配置和调度等问题的研究提供更准确的交通量和作业任务量预测.     

基于参数优化神经网络的海底油气管道腐蚀泄漏预测

为有效预测海底管道因腐蚀导致的泄漏风险,提出了一种海底管道腐蚀泄漏预测模型,首先采用斯皮尔曼相关系数分析各影响因素间的相关性,随后基于随机森林袋外数据进行各因素的重要性排序,剔除掉相关性较高且重要性较小的因素,利用筛选出的数据建立前馈神经网络和随机森林回归预测模型,并利用粒子群算法对神经网络预测模型的权值、阈值进行了优化,构建粒子群优化下的神经网络预测模型。经分析结果表明：神经网络预测模型在5组随机模型训练中平均绝对误差(MAE)、均方误差(MSE)的平均值分别为1.59、 3.37,均高于随机森林回归预测模型,说明该模型误差较大,但决定系数(R2)较随机森林回归预测模型高0.13,因决定系数越接近于1,模型拟合越好,故随机森林回归预测模型较神经网络预测模型拟合度较差,长期预测误差较高,因此可采用粒子群算法对神经网络进行优化,优化后的模型MAE为0.79,MSE为0.7293,R2为0.9151,可见优化后的神经网络预测模型在保证精度的基础上提高了稳定性,预测效果更优。最后编制了集随机森林回归、神经网络及粒子群优化下的神经网络为一体的多模型管道腐蚀预测软件。为海底管道泄漏风险的精准预测以及高效控制提供了依据,在海洋油气运输安全方面具有重要意义。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于小样本人工冻土冻胀率智能预测方法

土体在低温下的冻胀将会对工程设施建设和运营等方面造成不利的影响,由于土体冻胀率受制于众多因素,因此土的冻胀率计算一直是研究的热点、难点.为了解决冻胀率计算难、繁等问题,以69组已知冻胀率样本为研究对象,采用支持向量机回归模型计算方法,随机选取59组样本对建立的径向基核函数和多项式核函数两种预测模型进行训练,再利用训练后的两种预测模型对10组样本进行预测.通过试验值和两种模型训练值、预测值进行对比,结果表明径向基核函数预测模型的预测效果更好.建立的冻胀率预测模型将支持向量机回归模型在人工冻土方面应用进行了拓展,为冻胀率预测提供了一种新的智能方法.     

新信息Verhulst直接模型区间灰数预测

针对传统Verhulst模型以实数序列为建模对象,而对区间灰数的预测还比较缺乏的问题,利用直接建模思想,得到一利新信息Verhulst直接模型形式;在核与灰半径的基础上,构建相应的区间灰数预测模型;通过核与灰半径,推导出所建预测模型区间灰数上下界的时间响应式.应用实例表明:区间灰数预测模型具有很好的有效性和实用性,拓宽了灰色预测模型的使用范围.     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

小样本分散数据的回归建模和多目标优化

小样本分散数据上的回归对建模有一定挑战, 利用高斯过程对其回归进行建模, 即采用极大似然估计进行核函数的超参数学习, 通过后验来计算回归结果并预测出目标函数的均值和方差. 在此基础上结合方差的多目标优化, 在进行材料逆向设计的同时能对设计结果的不确定性进行估计. 对 1215MS 非调质钢和三点弯混凝土数据集进行了实验验证. 实验结果表明, 对于三点弯混凝土平均有 50% 实验数据落在预测的 95% 置信区间内, 高斯过程回归 (Gaussian process regression, GPR) 模型可以较好地度量分散小样本数据的不确定性, 进行合理预测. 对于 1215MS 非调质钢数据集, 在高斯过程回归模型的基础上, 运用带精英策略的非支配遗传算法 (elitist non-dominated sorting genetic algorithm, NSGA-Ⅱ) 进行多目标优化, 将材料的力学性能以及所对应的方差作为优化目标, 在考虑最优力学性能的同时兼顾不确定因素对实验结果的影响, 得到最优帕累托解集, 以此作为下次实验的候选点, 辅助材料设计和制备优化.     

基于KW01-Zigbee MCU无线LED点阵屏控制系统的设计与实现

在分析无线LED点阵屏控制技术特点基础上,给出一种基于ARM Cortex-M0+内核KW01-Zigbee微控制器的无线射频LED点阵屏控制系统的构件化设计方案.该方案的硬件系统以KW01-Zigbee微控制器为核心,以通用LED点阵模组(P10板)为基础,充分考虑了灵活的组合方式.软件设计中,以嵌入式软件工程理论为基础,给出可复用、可移植的LED动态刷新的底层驱动封装,通过优化算法解决屏幕闪烁.讨论通信协议设计、协议帧内容格式等技术问题,为相关设计与应用提供一种实际参考.     

基于改进支持向量机的永磁驱动器设计

将多输出支持向量机回归方法与模糊化理论相结合,提出一种永磁驱动器的设计方法.首先,引入空间粒子群优化算法对合成核多输出支持向量回归模型参数进行寻优,在此基础上通过实验法建立了永磁驱动器的性能与结构参数的多目标回归模型;然后,运用模糊理论将多目标转化为单目标,建立了设计问题的数学模型并利用空间粒子群算法进行求解;最后,通过模型精度分析以及ANSYS仿真和样机的测试,验证了该方法的有效性.     

空间导弹快速拦截最优发射轨道设计

根据轨道动力学的理论,建立空间导弹快速拦截模型,求解轨道参数.根据飞行时间最短,燃料消耗最小的性能指标进行优化设计.然后寻找这两个指标的综合最优值,最后提出区域拦截的概念.本文解决的核心问题是确定最优拦截轨道和拦截点,找到卫星位置和最优拦截点之间的对应关系,实现空间导弹对卫星的实时拦截.     

优化支持向量机核参数的核矩阵方法研究

参数选取问题一直是支持向量机研究的热点.虽然核校准(KTA)方法广泛应用于支持向量机参数优化问题中,但是它仍存在不足.以核矩阵为研究出发点,深入分析了采用核校准方法优化核参数对分类性能的影响,然后综合核校准方法和特征空间中样本集的分布提出了一种核校准改进方法.对比实验表明该算法是有效可行的.     

基于最小二乘支持向量机的TSK模糊模型

为了提高模糊系统处理高维问题的推广能力, 本文提出用最小二乘支持向量回归机(LSSVR)的思想设计TSK模糊模型.TSK模糊模型的传统算法普遍存在过学习问题, 为此我们在目标函数中考虑了结构风险从而避免了过学习现象.并且,我们将模糊系统的参数寻优问题转化为一个二次规划问题进行求解.由于该规划问题的求解与输入数据维数无关,适用于处理高维数据.算法分为两步：首先用Gustafsonk-Kessel (GK)算法确定模糊规则的前件;然后用最小二乘支持向量算法确定模糊规则的后件,这里的核函数是由模糊聚类确定的, 经证明它是Mercer核.三个著名数据的实验结果表明,与TSK模糊系统的传统算法相比,本文所提的算法提高了TSK模糊系统处理高维问题的推广能力;与LSSVR相比,,本文所提的算法具有良好的鲁棒性.     

Active set strategy of optimized extreme learning machine

Extreme learning machine （ELM） has been introduced as a simple and efficient learning approach for regression and classification applications. From the opti- mization point of view, optimized ELM is equivalent to SVM, but with less constraints in the optimization formu- lation and random ELM kernel. This paper introduces an active set based optimized ELM approach to solve bound constrained optimization problem in a straightforward way, which operates on a small working set of variables at each iteration. Thus, the constrained problem can be eventually solved by an unconstrained algorithm, and this enables us to establish a global convergence theory. The approach requires less time for quadratic programming solving and provides better generalization performance. In addition, the proposed approach with much smaller number of non- bound support values is significantly faster than SVM with active set strategy for large training data set.     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.