基于核函数变换的PLS回归的非线性结构分析

基于核函数变换的PLS非线性回归模型既吸取了核函数能够拟合适应任意连续变化曲线的优点，又借鉴了偏最小二乘回归方法能够有效解决自变量集合高度相关的技术。在本文中针对多元加法模型，从理论和仿真试验的角度分别验证了，对于多个独立自变量对单因变量为非线性关系的数据系统，基于核函数变换的PLS回归方法不仅能够有效实现自变量对因变量的整体预测，而且能够提取各雏自变量对因变量的单独非线性作用特征，从而确定数据系统内部的复杂非线性结构关系，增强了模型的可解释性。     

多变量动态模糊偏最小二乘建模方法及其应用

针对复杂工业过程存在的多变量、非线性和时变不确定性问题,将动态PLS与模糊建模方法相结合,提出一种基于DFPLS(动态模糊偏最小二乘)的多变量非线性动态建模方法。该方法外部采用动态PLS方法解决多变量高维共线性问题,并描述系统的动态特性;内部采用FCM(模糊c均值聚类)与TSK模糊模型相结合,建立多个子模型的方法来拟合系统的非线性。将本方法应用于氧化铝生产过程中铝酸钠溶液组分浓度的软测量,仿真实验表明该方法预测精度高,泛化能力强,用于铝酸钠溶液组分浓度的在线检测是可行有效的。     

非线性递推部分最小二乘及其应用

部分最小二乘回归(PLS)可较好地解决变量间的共线性问题,目前被广泛地应用于过程建模和监控.本文将递推PLS(RPLS)算法同RBF网络相结合,给出了一种非线性递推PLS方法(NRPLS),可根据在线数据自适应地调整模型结构和参数,使模型适应非线性过程的变化.在确定RBF网络的隐层节点参数时,采用了一种改进的k-means聚类算法,自动确定最优的聚类区数.该递推算法用于聚丙稀熔融指数软测量模型的在线修正,取得了较好的效果.     

基于过程数据的动态PLS建模

许多工业过程中获得的输入输出数据在时间、空间上是高度相关的,且含有测量噪声。针对此类数据,提出采用动态PLS方法,最大化输入和输出变量矩阵之间的协方差,保留大部分有用信息,去除测量噪声,把高维数据空间降维,建立较为精确的工业过程数学模型。提出对MIMO系统进行研究,推导了可直接用于控制的动态PLS模型数学公式。对一个工业过程实例进行仿真,分别应用动态PLS回归和线性回归MLR方法,得出的结果经分析验证了此算法的有效性。     

基于支持向量机的非线性动态系统辨识方法

讨论了辨识一类非线性系统模型的方法。先假设原非线性动态系统可由静态非线性子环节和动态线性子环节串联——H模型来表示。将H模型的非线性方程转换为类线性形式,从而建立线性过渡模型。对原始测量数据进行组合运算获得线性中间模型的训练样本集,并通过支持向量机线性回归算法求取过渡模型参数。最后再建立过渡模型与H模型系数之间的关系,从而反推出非线性模型参数,实现非线性动态系统辨识。仿真结果表明了该方法的有效性。     

基于径向基函数的非线性岭回归方法及仿真研究

提出了一种基于径向基函数的非线性岭回归建模方法（RBF-RR），该方法的核心是先通过RBF的转换实现输入样本的非线性映射，然后用岭回归方法进行线性建模，并采用了—种效果较好的基于广义交叉有效性（GCV）的逐步估计法来确定岭参数k；该建模方法的优点在于：径向基函数的引入赋予岭回归方法非线性功能，同时岭回归方法又可以消除使用RBF进行非线性处理后RBF输出之间潜在的复共线性。通过仿真研究表明：使用RBF—RR建立的模型具有较好的稳定性和预测精度。     

水下超高速航行体双模态控制研究

水下航行体在高速运动时,其全部或大部分表面被空泡包裹.由于水动力和周围环境扰动使航行体尾部与空泡壁相互作用产生滑行力,滑行力的存在使系统具有较强的非线性并导致不稳定的航行状态.针对航行体纵向运动数学模型可以描述为无滑行力的线性模型和存在滑行力的非线性模型,设计了基于状态的切换控制策略并设计了双模态控制器,对于线性模型采用状态反馈控制,对于非线性模型采用基于微分几何的反馈线性化方法.仿真结果表明,基于状态切换的双模态控制器减小了滑行力,对于初始状态扰动具有鲁棒性.     

一种改进的导弹费用估算方法

采用了一阶Sugeno自适应神经 -模糊推理系统 ,以美国陆军 2 2种导弹费用 -性能参数作为原始样本 ,建立费用估算模型 ,找到了对导弹费用影响最大的性能参数。利用灰色GM(0 ,N)模型 ,在导弹总重 -速度空间的贫信息区域插值生成附加训练样本 ,生成了导弹费用预测模型。该模型与线性回归模型相比 ,大幅度地提高了预测精度 ,较好地反映了费用变化趋势 ,网络检测误差小 ,具有较强的推广能力。灰色模型与自适应神经 -模糊推理系统相结合 ,较好地解决了小样本情况下非线性函数的建模问题     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

基于知识发现的火箭武器研制费用预测

小样本的火箭武器研制费用预测通常难于应用线性回归方法,而灰色理论方法在实际中仍不能较好地解决费用与武器特征参数间存在的非线性问题。提出了融合粗集理论和神经网络预测火箭武器研制费用的新方法,利用粗集知识约简后的特征要素作为神经网络的输入,实现火箭武器研制费用的预测,并用实例证明了基于粗集-神经网络的费用预测精度高于灰色模型预测精度。     

非线性滤波和预测的Fuzzy线性加权估计

运用模糊的理论，对非线性系统识别参数估计的不确定性造成的“模糊”问题，估计值得不到精确解，回归效果较差。使用Ｆｕｚｙ线性加权估计非线性系统识别中的变量值，能较好地解决线性回归和状态“模糊”的问题。     

Double Penalized Semi-Parametric Signed-Rank Regression with Adaptive LASSO

In this paper, a semi-parametric regression model with an adaptive LASSO penalty imposed on both the linear and the nonlinear components of the mode is considered. The model is rewritten so that a signed-rank technique can be used for estimation. The nonlinear part consists of a covariate that enters the model nonlinearly via an unknown function that is estimated using Bsplines. The author shows that the resulting estimator is consistent under heavy-tailed distributions and asymptotic normality results are given. Monte Carlo simulations as well as practical applications are studied to assess the validity of the proposed estimation method.     

非标准多传感器信息融合下的状态融合估计

给出了标准多传感器观测信息的统一融合模型,在此基础上分析了传感器观测系统参数对最优融合估计性能的影响.针对存在量测系统误差的非标准多传感器融合系统,构建了一种有效的系统误差参数估计模型.此外对传感器问具有不同非线性误差成份的融合系统,提出了一种基于互迭代自适应半参数的状态融合估计算法.该算法通过对非标准多传感器融合模型误差的补偿,利用线性和非线性迭代的方法来提取非线性因素,进而确定状态的最优融合估计.给出了应用该算法的具体步骤,并通过理论分析与仿真实验证明了该算法的有效性.     

Regression Modeling with ANN and Its Application in Analyzing Dynamics of Groundwater Level

１　ＩｎｔｒｏｄｕｃｔｉｏｎＧｅｏｌｏｇｉｃａｌｄｉｓａｓｔｅｒｓ,ｓｕｃｈａｓｃｏｌｌａｐｓｅ,ｌａｎｄｓｌｉｄｅ,ｅｔｃ,ｈａｖｅａｃｌｏｓｅｒｅｌａｔｉｏｎｓｈｉｐｗｉｔｈｔｈｅａｃｔｉｖｉｔｙｏｆｇｒｏｕｎｄｗａｔｅｒ．Ｓｏｍｅｃｉｔｉｅｓａｐｐｅａｒｌａｎｄｓｉｎｋｉｎｇ,ｅｖｅｎｃａｖｅｉｎ,ａｓｔｈｅｒｅｓｕｌｔｏｆｔｈｅｅｘｐｌｏｉｔａｔｉｏｎｏｆｇｒｏｕｎｄｗａｔｅｒｅｘｃｅｓｓｉｖｅｌｙ．Ｉｎｔｈｅｔｅｒｒａｉｎｏｆｌａｎｄｓｌｉｄｅ,ｔｈｅｖａｒｉａｔｉｏｎｏｆｇｒｏｕｎ…     

基于一种增量式一元线性回归模型的自适应逆控制

为受控系统提出了一种简便实用的增量式一元线性回归模型。为了跟踪快时变参数 ,提出了一种滚动多模型加权平均参数估计算法。在参数估计和系统控制的过程中运用智能技术 ,使估值更可靠 ,并形成了以基于该模型的自适应逆控制为主、常规控制为辅的多模态控制方式。仿真结果表明 ,这一控制方式对于控制非线性和时变系统非常有效。     

Quadrature Kalman particle fitler

In order to resolve the state estimation problem of nonlinear/non-Gaussian systems,a new kind of quadrature Kalman particle filter (QKPF) is proposed.In this new algorithm,quadrature Kalman filter (QKF) is used for generating the importance density function.It linearizes the nonlinear functions using statistical linear regression method through a set of GaussianHermite quadrature points.It need not compute the Jacobian matrix and is easy to be implemented.Moreover,the importantce density function integrates the latest measurements into system state transition density,so the approximation to the system posterior density is improved.The theoretical analysis and experimental results show that,compared with the unscented partcle filter (UPF),the estimation accuracy of the new particle filter is improved almost by 18%,and its calculation cost is decreased a little.So,QKPF is an effective nonlinear filtering algorithm.     

基于半参数回归的联合定轨误差估计仿真算法

通过对联合定轨非线性影响因素特征的分析,提出了一种参数建模与非参数分量表示相结合的联合定轨非线性半参数回归建模方法。首先讨论了联合定轨模型及常值系统误差估计算法,在此基础上建立了一种广义非线性半参数回归联合定轨模型,设计了相应的卫星轨道参数、系统误差参数及模型误差估计算法,并从理论上证明了半参数模型轨道估计精度优于经典最小二乘轨道估计精度。仿真计算结果表明,广义非线性半参数回归联合估计方法能将模型误差和随机误差有效分离,同时联合定轨精度也得到了进一步的改善,从实际应用角度验证了半参数回归联合定轨建模方法的合理性和可行性。     

Generalized F-test for high dimensional regression coefficients of partially linear models

This paper proposes a test procedure for testing the regression coefficients in high dimensional partially linear models based on the F-statistic. In the partially linear model, the authors first estimate the unknown nonlinear component by some nonparametric methods and then generalize the F-statistic to test the regression coefficients under some regular conditions. During this procedure, the estimation of the nonlinear component brings much challenge to explore the properties of generalized F-test. The authors obtain some asymptotic properties of the generalized F-test in more general cases,including the asymptotic normality and the power of this test with p/n ∈(0, 1) without normality assumption. The asymptotic result is general and by adding some constraint conditions we can obtain the similar conclusions in high dimensional linear models. Through simulation studies, the authors demonstrate good finite-sample performance of the proposed test in comparison with the theoretical results. The practical utility of our method is illustrated by a real data example.