基于随机森林的智能锁螺丝机锁附判别研究

为了解决工业生产制造中的智能锁螺丝机无法准确判断螺丝锁附是否成功的问题,运用机器学习算法建立螺丝锁附判别模型;针对螺丝锁附过程中产生的时间序列数据不等长的问题,提出改进的基于随机森林的加权特征选择算法,用以提取能够描述序列性质的有效特征,并从判别准确率和运行时间2个方面与其他特征选择算法进行比较;对比这些被选择的特征在不同机器学习算法中的表现。结果表明,本文中提出的特征选择算法不仅能够提取出最优的特征组合,而且运行时间较短,计算效率较高,并且该特征组合应用于随机森林时可达到99.9%的判别准确率,能够有效判别螺丝锁附的情况。     

基于脉冲算法的多智能体系统编队牵制控制

在有向动态网络结构下,利用平均脉冲间隔分别研究带有同步脉冲、不活跃脉冲及失步脉冲的领导者时变编队控制问题;将领导者时变编队控制问题和跟随者时变牵制控制问题分别转换为渐近稳定性问题,并为3种脉冲情况下的领导者渐近稳定性问题提出统一格式的准则;结合该准则提出一个充分条件,进而证明基于脉冲算法的领导者的状态能够实现时变编队控制,同时跟随者的状态收敛到领导者形成的凸包。结果表明:基于脉冲算法的线性多智能体系统可以实现编队牵制控制;数值仿真实例验证了结果的有效性。     

集成学习下的短期交通流预测

为了实现短期交通流的精准预测,在深度学习模型的基础上提出一种集成深度信念网格方法;通过考察交通流序列的高斯混合分布特性,加入高斯混合分布噪声进行数据优化,并采用Bagging集成学习的方法对各子深度信念网络进行集成,得到改进的深度集成信念网络模型。经实例演算,该模型比传统的反向传播神经网络、未经过集成的深度信念网络预测精度都要高,且经过高斯混合噪声优化的改进模型要优于未经过优化的深度学习集成模型。