基于快速数据分组处理方法的改进研究

数据分组处理方法(GMDH算法)是一种模拟大脑辨识复杂非线性系统的算法。这种算法在对数据进行分组处理时具有较明显的优势。但是处理大数据时，当取恰当终止拟合条件，GMDH 算法又显得比较弱势。为此从 GMDH 运算的本质去解决算法的效率问题，给出了一种结合快速求解逆矩阵以达到快速求解拟合方程的目的的算法，并且利用外推准则，合理选取拟合结束条件及快速选择最佳模型的方法。在不改变 GMDH 算法准确度的情况下，研究了如何提高 GMDH 算法的计算效率
     

合成孔径雷达图像的最小均方误差线性最优滤波

针对常用于合成孔径雷达(SAR)图像降噪的Lee滤波和Kuan滤波误差较大的问题,提出了基于最小均方误差(MMSE)准则的线性最优滤波.线性最优滤波通过把斑点噪声的乘性模型同时展开为一阶和二阶泰勒级数,然后使用MMSE准则获得线性滤波的统一模型,最后再对该统一模型使用MMSE准则而获得.线性最优滤波在所有的线性滤波中具有最低的滤波误差,因而具有最高的滤波精度.对某乡村和城区SAR图像的降噪实验表明:线性最优滤波对边缘细节的保留能力强于Kuan滤波,它对斑点噪声的滤除能力强于Lee滤波;与最大后验概率(MAP)滤波相比,线性最优滤波虽然具有较弱的边缘细节保留能力,但它对斑点噪声的滤除能力却强于MAP滤波.     

基于GMDH-type神经网络优化油页岩吸附铜离子的研究

利用GMDH前馈型神经网络优化油页岩吸附金属铜离子实验,设定吸附质/吸附剂、pH、反应时间为自变量,吸附率为因变量,建立吸附数学模型对吸附过程进行预测.根据GMDH神经网络模型分析,发现pH对于吸附率的影响权重最大,同时很好的诠释了3种自变量条件对于吸附率的作用机理.此外,利用神经网络模型进行模拟实验,预测值拟合Langmuir吸附等温线,相关系数达到0.907.证明建立的神经网络数学模型与经典吸附理论吻合,且精度很高.     

基于膜算法进化极限学习机的氧气转炉炼钢终点预报模型

氧气转炉炼钢的控制目标是终点温度和碳含量,但由于不能对其进行在线连续测量,直接影响了出钢的质量.针对该问题,提出一种基于膜算法进化极限学习机(ELM)的抗干扰终点预报模型.利用进化膜算法的全局寻优能力调整ELM网络参数,不仅避免了ELM网络受异常点影响出现过拟合现象,还可以寻找最优复杂度的ELM模型.将找到的ELM模型应用到转炉炼钢领域并建立终点碳含量和温度的预报模型.在仿真实验中,分别使用含有高斯噪声的标准sin C函数和氧气转炉炼钢实际生产数据进行仿真,结果表明所提模型在含噪声的数据中具有较好的预报精度和鲁棒性.     

多模型多传感器信息融合稳态白噪声反卷积估值器

对于带不同局部动态模型(多模型)的多传感器线性定常随机控制系统,应用现代时间序列分析方法,在按标量加权最优融合准则下,提出了最优信息融合稳态白噪声反卷积估值器.可统一处理白噪声反卷积融合滤波、平滑和预报问题.它的精度高于每个局部估值器的精度.为了计算最优加权,提出了局部估计误差互协方差计算公式.一个Bernoulli-Gussian白噪声反卷积融合器的仿真例子证明其有效性.     

GPS水准多项式曲面拟合模型实验研究

利用移动多项式曲面拟合基本原理,探讨了不同模型对已知点数量的多少以及已知点与拟合点之间的位置关系对GPS水准拟合精度的影响规律,通过在实际工程中的应用实验研究,得出利用合适的拟合模型GPS高程能达到四等水准测量要求的结论.对GPS实际生产作业具有一定的指导意义,同时通过处理数据的统计与比较,给出某一地区的最优模型.     

基于免疫遗传算法的GMDH网络模型及其应用

针对传统GMDH网络建模用最小二乘法辨识参数时常常陷入局部极小导致模型预测效果不理想的问题,提出将免疫算法与遗传算法结合起来,引入到GMDH网络,来辨识其部分描述式系数.给出自适应免疫遗传算法,构建了基于该算法的GMDH网络模型,并将IGA-GMDH模型应用于苏州一交叉口的交通流量数据的仿真研究.结果表明,该算法既保证了全局寻优和所求解的精度,又进一步提高了全局与局部寻优能力;所构建的IGA-GMDH网络模型比传统的GMDH网络预测精度高.     

基于GMDH的VAR滞后选择方法及实证分析

在VAR的动态模型中，滞后数的选择是成功的关键。对于复杂系统建模，根据GMDH理论的有关数据，用计算机合理地调协变量与滞后变量之间的关系，确定模型的最优动态结构和最优滞后数，以提高预测的准确性。给出了VAR的传统方法与GMDH建模方法，应用经济变量进行实证分析，阐明了GMDH算法的优势在于比传统的方法更完善，预测效果更准确。     

一种基于GMDH模型的神经网络学习算法

 从简要归纳与分析现有的神经网络模型的角度出发,讨论了GMDH网络模型的结构、特点及其输入输出关系.提出了一种基于GMDH模型的神经网络学习算法,详细阐述了该算法的主要设计思想与实现过程,并就算法停止准则和网络最佳层数问题进行了仿真研究.实践表明,该算法自组织性强,表现出了较好的泛化能力和稳定性.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于改进GMDH的科技成果中试转化系统模型构建

基于科技成果中试转化运行原理,搭建中试系统机理模型,利用改进GMDH构建相应数学模型。改进GMDH将含有回归项线性相关检测的快速递归算法（FRA）代替传统最小二乘（OLS）进行GMDH多层建模的部分多项式求解,使用初始变量添加法避免有效神经元过早丢失。以改进的GMDH对上海市中试转化统计数据进行建模及仿真实验,结果表明,所建模型比传统GMDH模型精度高,泛化能力强。     

软件网络中结构洞与紧密度的研究

针对传统的软件度量方法已不能对大型软件进行有效度量的问题,以学科交叉融合为背景、以量化软件度量为目标,主要研究了复杂网络中的结构洞、紧密度.通过对这两个特征量的计算、统计,与软件网络中的度进行关系拟合,可查看在软件网络中,度与结构洞之间的相关性呈幂函数曲线,度与紧密度的相关性呈梯形分布.因此将其作为参考特征量引入到软件网络中,对软件网络中的节点依赖程度和中心化程度进行量化.     

基于SVR和GA的锅炉运行氧量基准值的优化确定

借助现场运行数据,根据锅炉运行氧量的特性,建立了基于支持向量回归的锅炉运行氧量预测模型,结果表明:SVR模型具有较高的回归精度和较好的泛化能力,能够有效地对不同工况下的锅炉氧量进行预测.在此基础上进行二次建模,获得了运行氧量、供电煤耗率与各运行参数之间的关系模型,并结合全局寻优的遗传算法,以机组的供电煤耗率为优化目标对输入参数进行寻优,确定了优化后的锅炉运行氧量基准值.计算结果表明该模型具有较高的准确性,通过全局寻优得到的氧量值具有可操作性,很好地解决了锅炉变工况运行参数基准值的确定问题.     

基于联系数贴近度的三角模糊数组合预测模型

针对三角模糊数预测问题，将三角模糊数转化为对应的三元联系数，以三元联系数的贴近度作为最优准则，引入广义加权平均（GOWA）算子，建立了基于三元联系数贴近度的三角模糊数组合预测模型，并证明了该模型为优性组合预测模型。通过实例分析验证了该模型是有效的，能够有效提高预测精度，并对GOWA算子中的参数进行了灵敏度分析。     

基于数据处理分组法(GMDH)的遗传选择算法与数据挖掘克隆技术

数据处理分组法(GMDH)的多层算法(MIA)是通过利用遗传算法的选择程序来实现的,该算法包含了为获取更少误差而生成的最优神经元的克隆操作.选择程序根据适应度以及网络输入的某种概率从已有的神经元中为新神经元寻找父代.克隆实质是对最优神经元的克隆体参数进行稍微调整.从机器学习库选出实验结果表明,通过克隆操作进行基因改造后的GMDH网络表现得比其它方法优越.     

基于竞争双深度Q学习的智能电表隐私保护与成本管理

智能电表能够实时采集、计算、存储和传输电力数据,对智能电网的运转起着关键性的作用.配备储能设备的智能家居是智能电表的一种重要的应用场景,它的发展面临隐私数据泄露隐患和高用电成本2个问题,需要研究两者的权衡优化策略.系统模型考虑了2种不同类型的储电设备,并建立了电表数据泄露和用电成本量化的权衡模型.考虑到传统深度强化学习存在过度估计和收敛慢的缺陷,提出一种基于竞争双深度Q学习的储能电器功率分配方法,实现了性能优化的目标.仿真结果表明,对比传统的深度Q学习和双深度Q学习方法,所提方法在隐私保护和成本控制2方面能获得更好的性能.     

采空区三维激光扫描点云数据处理技术

由于井下环境的复杂性,借助三维激光扫描仪获取的采空区边界三维空间信息点云数据中不可避免包含一些噪声点.为此,提出曲率-弦长比复合判据实现了对点云数据中高频噪声点的过滤处理,并运用随机滤波法去除点云数据中的低频随机噪声点,通过分段低次插值法实现空区模型曲线光顺处理.结果表明:过滤及光顺处理不仅有效去除了采空区点云数据中的噪声点,同时避免了采空区三维模型构建中自相交情况的出现,达到了采空区三维模型精确构建的目的.     

支持向量机及其在函数逼近中的应用

支持向量机是一种新的机器学习算法，它的理论基础是Vapnik创建的统计学习理论，它采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型预测误差的上界，从而提高了模型的泛化能力，本文通过SVM在函数逼近中的应用，研究了SVM的小样本学习，泛化能力和抗噪声扰动能力。     

成长型GMDH

本文提出成长型GMDH,先用少量数据建立一个局部预测模型,然后从增加的数据中吸收新信息修改模型,建立的模型能较精确地进行中长期预测。