模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机.传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能.同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题.利用 sinc 函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究.仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点.     

基于Kriging模型的稳健参数设计

针对复杂工程系统中的稳健参数优化问题，提出了一种新的基于Kriging代理模型的序贯优化设计方法。首先，用Kriging模型预测均值的最小值，代替真实观测的最小响应值来考虑噪声；然后，对该加点准则的预测方差进行修正，使其在足够的样本量下能够收敛；最后，通过经典的低维、高维非线性数值算例和工程算例来验证所提方法的有效性。验证结果表明，与已有的传统加点准则相比，所提方法能以更少的加点次数获得更好的全局解，具有更强的全局寻优能力和稳健性。     

单部件加速退化系统的视情维修策略优化

针对单部件加速退化系统,研究了基于灰色模型、偏最小二乘回归和改进灰狼算法的最优视情维修策略,通过优化检测间隔和临近失效阈值最小化系统的平均维修费用率。维修策略优化中,考虑到维修数据的稀疏特性,利用适合小样本建模的灰色模型理论建立系统的加速退化模型;考虑了维修次数、系统退化状态与系统维修用时之间的多重相关性,利用偏最小二乘法建立了维修用时的多变量回归模型。在此基础上,给出基于系统平均维修费用率的目标函数,利用改进灰狼算法求解最优决策变量。通过算例说明了该最优视情维修策略的可行性。     

基于遗传算法的功率域最小二乘DOA估计器

提出一种基于遗传算法的功率域最小二乘波达方向(DOA)估计器。通过功率域最小二乘法推导得到优化目标函数。继而将目标函数作为适应度函数,将阵列天线各入射信号的未知DOA作为决策变量,通过遗传算法进行全局优化,从而完成各信源DOA的估计。采用适当的遗传策略,使全局寻优有效收敛至满意解,避免了复杂的多步迭代,提高了稳健性。估计器对非均匀高斯白噪声条件下的信源DOA同样有效。仿真实验表明,估计器的性能接近确定性最大似然(DML)估计器。     

基于混合粒子群算法的装运机械组合优化方法

针对堆石坝工程物料装运机械组合优化问题的复杂性, 建立了装运机械的多目标非线性组合优化模型(MOOM). 进一步地, 把加权法和惩罚函数引入到带收缩因子的粒子群算法中, 提出了一种新的求解多目标非线性组合优化问题的混合粒子群算法(MI-HPSO). 该算法具有概念简单、参数设置少、收敛速度快及全局搜索能力强的特点. 实证研究表明, MI-HPSO为解决物料装运机械MOOM优化模型提供了有效的决策方案.     

基于Kriging模型的多点加点准则和并行代理优化算法

针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.     

多传感器数据融合方法在系统建模中的应用

阐述了多传感器数据融合建模的几类典型的方法,重点分析了基于传统多元统计理论的分析法、最小二乘法、人工神经网络等方法的基本原理和各自的技术特点.同时,较为详细地介绍了一种新颖、有效的数据融合建模方法--偏最小二乘回归分析方法(PLSR),并在文章结尾给出了一个运用该方法分析刀具磨损量的实例.     

基于自由搜索的LS-SVM在墒情预测中的应用

为有效地利用墒情监测资料预测未来墒情,考虑支持向量机的结构风险最小化准则和自由搜索算法良好的全局优化特点,应用最小二乘支持向量机方法,构造了优化目标函数,引入自由搜索算法对该目标函数寻优从而辨识模型参数,建立了预测墒情的最小二乘支持向量机(LS-SVM)模型.实例分析表明,支持向量机方法对墒情序列的平稳性要求不高,且模型易于实现,与传统的时间序列模型以及基于粒子群算法和鱼群算法的LS-SVM模型相比,基于自由搜索算法的LS-SVM模型具有较好的模拟及预测精度,相对误差小于15%的模拟值及预测值分别达到了100%和94.4%.     

变遗忘因子相关函数自适应滤波算法

相关函数递推最小二乘(CRLS)算法在回波消除中双方对讲情况下是有效的,但其计算复杂度较高。把相关函数最小二乘准则中的遗忘因子视为时变的遗忘因子,应用最速下降法使当前时刻的方向矢量正交于前一时刻的方向矢量,从而获得时变的遗忘因子的表达式,得到一种新的相关函数自适应滤波算法。该算法的计算复杂度比相关函数递推最小二乘算法的要低。计算机数值仿真结果表明,新算法的收敛性能和相关函数递推最小二乘算法的收敛性能相当。     

基于偏最小二乘模型的无人机航材需求预测方法

针对无人机航材存在样本数据量少,影响因素多且复杂多变,以及库存需求预测精度不高等问题,对现有经典小样本下航材需求预测方法进行系统分析,并利用偏最小二乘回归方法在处理小样本数据、变量多重相关性等方面的独特优势,提出了基于偏最小二乘的无人机航材需求预测方法.选取无人机的飞行时间、飞行起落次数、操控人员熟练程度、异常环境温度、异常环境湿度、航材故障率、维修人员技术水平、维修资料等参数,对偏最小二乘法进行原理及模型建模步骤分析,构建了无人机航材需求预测模型,并进行航材影响因素研究.实验结果表明:该模型较其它常用预测模型的精度有所提高,预测结果的平均相对误差绝对值为4.87%,表明该方法可以应用于无人机航材需求预测,能够满足实际需要.     

MIMO雷达约束总体最小二乘改进算法

针对多输入多输出MIMO雷达目标定位系统中基于最小二乘算法的AOA定位精度低的缺点,分析出造成这一缺点的原因是系数矩阵存在误差.进而利用系数矩阵误差存在相关性的特点,提出用约束总体最小二乘法进行目标定位,推导了定位均方误差公式.计算机仿真证明该方法比普通最小二乘法具有更好的定位性能.     

基于迎角分区的全局飞行器气动参数辨识方法

针对综合考虑飞行器全局气动非线性特性，面向高效全局飞行器气动参数辨识需求，提出了一种基于迎角分区的改进气动参数辨识方法，采用轴正交决策树的迎角分区方法，将涉及大范围的迎角变量划分为多个区间，对每一区间使用递归最小二乘来估计气动导数，实现在每个区间内对线性气动特性进行辨识。通过引入加权函数的过渡方法，给出局部模型转化全局建模的计算准则，保证了整个模型的连续性。最后，通过某型飞机模型开展了迎角分区气动参数辨识及对比分析工作，结果表明迎角分区辨识吻合较好，且与传统全局辨识方法相比计算效率更高，说明了迎角分区辨识方法的有效性和优势。     

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。     

一种基于代理模型引导采样的多目标优化方法

针对复杂的实际工程多目标优化问题,提出代理模型引—手采祥的多目标优化方法。通过自适应的加强径向基函数构造的代理模型寻找Pareto优化解集,从找到的解集中通过一定策略筛选出部分作为样本点加入到下代样本空间中,样本点随着迭代的进行越来越靠近全局Pareto最优解集。从当前所有样本点中获得Pareto解,并根据其分布情况作为收敛条件。该方法中代理模型仅仅用来引导采样,也不需要反复计算大量样本点验证代理模型的精度,得到的解都被实／承模型验证过。在雌利害目标测试函数中体现了精度和效率。最后成功应用于薄板冲压成形变压边力优化中,表明了具有解决多目标实际工程优化问题的能力。     

渐近式Bloch球面搜索的量子遗传算法及其应用

为了进一步加快搜索速度,提高优化效果,提出了一种渐近式Bloch球面搜索的量子遗传算法.在该算法中,首先采用Bloch球面坐标对量子染色体进行编码,然后基于最小二乘法理论,构建了量子染色体的更新策略,建立了量子旋转门角度大小和方向的公式,最后构造了变异操作中相位公式.将本文算法应用于多变量函数极值优化问题进行验证.实验结果表明,该算法不仅具有较好的种群多样性和随机性,而且还具有进化代数少、收敛速度快和优化效率高等优点.     

主动学习可靠性分析算法:基于Kriging预测方差的视角

针对基于Kriging模型的主动学习可靠性方法 (active learning Kriging-Monte Carlo simulation, AK-MCS)中, Kriging预测方差低估导致评估过程存在选点和停止判断失误的问题,提出一种基于Bootstrap Kriging的主动学习可靠性方法 (Bootstrapped active learning Kriging-Monte Carlo simulation, BAK-MCS).首先拟合真实功能函数初始Kriging模型,然后使用Bootstrap Kriging方差构造BU学习函数,从而进行主动序贯采样更新Kriging模型,最后采用收敛Kriging模型结合蒙特卡罗模拟(Monte Carlo simulation, MCS)估计结构失效概率.数值算例结果表明,与MCS和AK-MCS方法相比, BAK-MCS在保持高预测精度的同时减少了真实功能函数的调用次数,提高了可靠性评估建模效率.     

基于多分辨率学习的正交基小波神经网络设计

提出一种基于正交基函数的小波神经网络设计方法，采用多分辨率学习确定隐含层结构，并用收敛较快的阻尼最小二乘法训练权值．该方法可灵活调整隐含层结构，有效地克服神经网络中常见的过拟合和泛化能力差等问题．传真结果表明该方法具有逼近精度高，泛化能力好，网络结构冗余度小，参数优化收敛快等特点．     

闭环系统的虚拟参考反馈校正控制及迭代最小辨识

在线性框架下研究基于输入输出观测数据对未知系统模型中两反馈控制器的设计问题. 采用虚拟参考反馈校正控制直接设计控制器,无需系统建模过程. 在构造代价函数时,同时考虑闭环传函和灵敏度的模型-匹配问题. 针对模型匹配过程,分别设计虚拟输入和扰动;推导用于观测数据预处理的滤波器. 在设计控制器前,利用概率统计法对控制器进行检验以保证闭环系统的稳定性. 针对控制设计中的参数优化,利用数值优化理论分析迭代最小二乘辨识算法所生成的迭代序列与全局最优值间的逼近式,以此式作为评价收敛性和收敛速度的依据. 最后用仿真算例验证方法的有效性.     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

基于改进粒子群优化的非线性最小二乘估计

针对测量数据处理中非线性模型参数估计理论广泛使用的传统牛顿类算法对初值的敏感性问题,提出了一种求解非线性最小二乘估计的改进粒子群优化算法。该算法利用均匀设计方法在可行域内产生初始群体,无需未知参数θ的较好的近似作为迭代初值,而具有大范围收敛的性质;通过偏转、拉伸目标函数有效地抑制了粒子群优化算法易收敛到局部最优的缺陷。给出应用该方法到NLSE的具体步骤,通过仿真实验证明该算法的有效性。