基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型

针对复杂经济系统下时间序列所呈现出的小样本非线性残差特征,采用非线性残差灰色Verhuilst模型进行研究,修正传统计量模型对于残差信息挖掘不够,预测精度不高的问题,在此基础上,选择带有精英策略的EGA算法来建立灰色Verhulst计量组合预测模型,设计了算法实现的逻辑流程和非线性残差灰色Verhulst计量组合预测模型的整体建模思路,提出了改进多准则目标优化NP完全问题的新方法,对模型的预测效果进行比较分析.实证研究表明:基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型算法收敛速度快,拟合效果好,预测结果更精确.     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.     

粮豆薯产量的灰色预测模型

作物产量是许多因素综合作用的结果，可以把产量的形成过程，看做是既含有书籍信息又含有未知信息的灰色系统，作物产量就是这个复杂系统的输出结果。本根据灰色系统理论，以海伦市粮豆薯产量为例，用ＧＭ（１，１）灰色预测模型进行动态模拟和预测，同时提出用误差分析序更周期的方法对函数的残差信息进行辩识，这样提高了预测的精度，收到了较好的效果。     

虚拟试验设计中的序贯极大熵方法研究

针对包舍计算耗时仿真模型的虚拟试验预测模型建模过程，提出了一种序贯极大熵试验设计方法。通过调整高斯先验过程协方差函数，在预测模型误差较大区域序贯地增加新试验点，合理权衡试验点数目与预测模型精度。设计数学算例演示了序贯极大熵试验设计方法的效率，并证明优于一步法，适用于虚拟试验预测模型建模。     

基于部分交叉验证的多准则序贯近似建模方法

提高序贯近似建模的精度和收敛效率,关键在于制定合理有效的序贯抽样准则。针对如何有效获取目标系统信息进行近似建模,同时提高建模精度和收敛效率,提出了基于部分交叉验证的多准则序贯近似建模方法。通过融合部分交叉验证误差估计准则、极大序贯建模累积变化准则和极大熵准则的特征和优势,可实现对全空间全面抽样和对不规则区域重点抽样,进而提高近似模型的精度和收敛效率。算例测试表明该方法在提高序贯近似建模精度和收敛效率方面可行有效。     

山西省东亚飞蝗发生的灰色动态预测及其周期分析

采用灰色系统理论与方法,建立山西省东亚飞蝗的灰色动态预测模型。并通过残差周期分析提高了模型的精度,对未来10年山西省东亚飞蝗的发生情况做出预测,为其防治提供可靠的科学依据。图2,表7,参7。     

面向多极值质量特性的全局式序贯性实验设计方法

针对多极值质量特性的全局性建模和参数优化问题, 为降低实验设计样本量, 提高模型预测性能, 提出一种全局式序贯性设计方法. 首先在一定的初始实验设计方式下, 建立过程粗略的SVR模型; 而后根据模型中支持向量的分布, 在支持向量样本各维度的45度角或轴向方向同步地增加实验点, 再拟合过程新的SVR模型; 如此迭代进行, 当模型精度达到要求或样本量达到上限时终止序贯性设计. 仿真与实证研究表明, 该方法能够在可行域全局的范围内将实验点合理地分配在质量特性的多个极值附近, 避免了传统的单路径式序贯性设计只能发现单个极值的不足, 充分提高了实验效率; 与均匀空间网格设计、 拉丁超立方设计和均匀设计相比, 在样本量接近的情况下, 基于全局式序贯性设计的SVR 模型的预测均方误差至少降低了30%; 而在预测误差较为接近的情况下, 全局式序贯性设计的样本量至少降低了12%.     

基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

基于预测信息的量测转换序贯滤波目标跟踪

针对多普勒雷达目标跟踪问题,提出了基于预测值量测转换的序贯滤波目标跟踪算法。该算法采用基于预测信息的量测转换方式解决量测与目标运动状态的非线性,其中位置量测转换采用乘性去偏、伪量测转换采用加性去偏,量测转换误差的统计特性基于预测值进行推导,并采用序贯滤波方式处理伪量测以实现目标跟踪。同时将该算法扩展到机动目标跟踪情况,综合利用了位置量测与伪量测滤波部分输出的概率组合作为该模型的更新概率,利用模型更新概率对各滤波器的状态估计结果进行加权求和获得最终估计。仿真结果表明该算法与传统的序贯滤波跟踪算法相比,具有更高的跟踪精度,其扩展方法可实现有效的机动目标跟踪。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

自适应在线增量ELM的故障诊断模型研究

为满足现役装备根据故障样本数据集积累的特点进行自适应故障诊断的需求, 本文将极限学习机(extreme learning machine, ELM) 的数据增量学习、隐藏层增量学习和输出层增量学习(类增量学习)3种增量学习模式, 融合到一个统一的学习框架内, 提出一种凸最优自适应增量在线顺序ELM(convex optimal adaptive incremental online sequential ELM, COAIOS-ELM)。模型能够根据增量学习中误差的变化情况, 自适应地增加隐藏层神经元, 减小分类误差; 并可根据增量数据集中新出现的故障类别, 进行相应的类增量学习, 增加故障诊断的范围。有效解决了ELM增量学习过程中模型自适应动态选择最佳网络结构的问题, 提高模型的故障诊断的精度和故障诊断的范围。本文选择UCI数据集中公共数据集和Biquad低通滤波电路故障诊断数据集, 通过与类增量ELM (class incremental ELM, CI-ELM)模型对比实验, 验证了所提方法的有效性。     

基于相空间重构与鲁棒极限学习机的时延预测

针对网络控制系统(networked control system,NCS)诱导时延具有的时变、随机、非线性等特点,提出了一种相空间重构与鲁棒极限学习机(robust extreme learning machine,RELM)的时延预测算法。首先利用0-1测试对时延序列进行混沌特性检测,再通过改进关联积分法确定重构延迟参数和嵌入维数,进而对时延序列进行重构,新的样本更能真实反映时延变化特性。以重构后的时延序列为训练样本,同时,考虑异常值的稀疏特性,运用RELM进行时延序列预测。该方法具有学习速度快、泛化性能好、可有效降低异常值影响等优点。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

基于动态软聚类的航空电子部件LMKELM诊断模型

为提高小样本条件下航空电子设备模块级故障诊断精度,基于动态软聚类的自适应特点与局部多核学习(local multiple kernel learning,LMKL)的局部特征表达能力,提出一种新的局部多核超限学习机(local mul-tiple kernel extreme learning machine,LMKE...     

基于集成深度学习的有源干扰智能分类

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。     

小波分解与Prophet框架融合的电离层VTEC预报模型

在全球导航卫星系统(global navigation satellite system,GNSS)的应用中,电离层垂直总电子含量(vertical total electron content,VTEC)是直接决定电离层延迟误差的重要参数.为提高其短期预报精度,在综合考虑地磁扰动影响的基础上,提出了小波分解与Prop...