基于偏最小二乘法回归的工序质量建模

针对制造工序质量控制问题,应用多元统计分析中的偏最小二乘回归法建立了质量模型.利用该模型可以定量分析加工工序与最终成品率之间的关系,进而通过将大量的工序影响因子约简得到主要影响因子子集.根据在线生产的相关质量数据,采用非线性迭代偏最小二乘法获得影响因子的权重.得到偏最小二乘因子权重可以在线预测成品质量变化,避免离线测试.在半导体制造实例研究中,以工序质量水平为自变量,成品质量水平为因变量,建立了质量水平传递模型,应用该方法可实现多工序质量异常的在线诊断和预测,为质量控制提供了定量依据.     

基于最小二乘法研究一类过程的模型化

对于一类具有自衡的非振荡的对象,把它近似成一阶惯性纯滞后环节.利用最小二乘参数估计方法,确定一阶惯性纯滞后环节传递函数参数,基于Matlab编写辨识程序.     

基于最小二乘法的Bouc-Wen模型参数辨识

Bouc-Wen模型是工程中应用比较广泛的一种迟滞模型,能够产生一系列不同的光滑滞回曲线,但在实际应用中,因其数学表述上的复杂和参数物理意义不明确而使得其参数辨识存在一定的难度.文中提出一种基于最小二乘法原理的参数辨识方法,它根据系统的输入和输出直接辨识模型中的等定参数,通过在电梯导靴摩擦力建模中的应用表明该方法辨识精度较高,具有较好的实际应用价值.     

稳健正交最小二乘拟合法

针对一般的最小二乘法忽略自变量的误差这一缺点,提出一种新的正交最小二乘法.该方法以正交距离残差平方和最小为衡量准则,并通过一定的算法剔除粗差和异常值,从而获得最佳的拟合曲线.算例结果表明稳健正交最小二乘拟合法结果更为可靠.     

最小二乘与最小一乘

最小二乘与最小一乘是回归分析中两个重要的估计方法,在这篇文章中,我们将通过线性回归给出它们的定义,并给出它们的优缺点,希望能为使用者提供方便。     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。     

基于最小二乘法的光伏电源电磁暂态输出预测

光伏电源的暂态输出预测对电网稳定性分析、电能质量控制与故障诊断等有重要意义.为此,本文首先建立理想光伏电源的离散化模型与线性预测模型.然后,对于电源模型参数固定的情况,给出了基于正则化最小二乘法的预测方案.对电源模型参数变化的情况,采用递推最小二乘法获得实时更新的预测模型参数.与标准递推最小二乘法不同,该方案采用了基于滑动矩形窗的数据更新策略,可提升RLS的跟踪性能与预测精度.实验结果表明,提出的预测方案获得了良好的预测精度,而且能够很好地适应电源模型参数发生变化的情况.     

互补判断矩阵的几何距离最小二乘法

基于最优化思想和点到平面的距离，提出了一种新的互补判断矩阵排序方法，并给出了一个计算排序权重的简洁计算公式，可直接由它求出原Fuzzy矩阵较为理想的排序向量，同时也指出了其他一些排序方法的不足．     

广义非线性动态最小二乘理论在"数字山东"构建中的应用

“数字山东”是“数字中国”的一项宏伟科学工程,是推动山东省跨入信息社会的主题。构建“数字山东”这一科学工程的基础是数据,其数据具有海量、多源、多维、多类型、多时态、多精度、多尺度、多分辨率并具有非线性特征等特点,要将这海量数据统一管理、准确、唯一地可视化表达,首先要进行数据处理。针对“数字山东”中海量空间数据具有多样化、动态性和非线性等特点,应采用广义非线性动态最小二乘法进行数据处理。本文重点讨论了“数字山东”中的数据及其特点,处理这类海量数据的广义非线性动态最小二乘法的基本理论和基本方法及其数学模型,这一理论方法在“数字山东”构建中的数据处理方面的主要应用。     

加权最小二乘估计的影响探测

本文对加权最小二乘估计的影响分析进行了研究,得到了一组数据对加权最小二乘估计的影响的度量准则,简便计算公式及其统计解释。     

基于加权最小二乘法的多舰定位算法

针对双舰定位存在的定位态势要求高、定位精度低等,提出了基于加权最小二乘法的多舰定位算法.该算法的实质是基于多舰侦察设备的测向角度、位置信息,利用纯方位交叉定位原理,建立非线性观测方程;通过泰勒展开将非线性系统转化为线性系统;利用最小二乘原理并考虑测向精度的权重因素,提出了多舰的定位模型.仿真结果表明,定位结果与测向精度和初始态势有关.     

完全样本下威布尔分布参数的加权最小二乘估计

借助图法估计的思想和次序统计量的性质,给出了完全样本下威布尔分布参数的改进最小二乘估计与加权最小二乘估计.     

基于因变量均值的OLS研究

对普通最小二乘法进行了改进,提出了基于因变量均值的最小二乘法.用实例证明了改进的模型更好地满足了回归分析的假设条件,降低了一元线性回归模型的估计误差,提高了模型的估计精度和拟合优度,提高了统计推断的质量.     

基于偏最小二乘的人脸超分辨率重构

提出了一种基于偏最小二乘(PLS)的超分辨率重构方法用于快速恢复高分辨率人脸图像.该算法利用主成分分析(PCA)方法将所有高、低分辨率人脸图像投影到各自的特征子空间中,通过PLS对高、低分辨率投影变量之间的统计关系进行回归建模.当输入的低分辨率人脸图像给定时,对应的高分辨率人脸图像可以由训练后的回归模型导出.实验结果表明,在离线训练的情况下,所提出的算法可以快速地给出令人满意的重构解.     

基于最小二乘支持向量机的非线性通用模型自适应控制

将模型参考自适应控制方法应用到基于最小二乘支持向量机的通用模型控制策略中,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而克服了通用模型控制器要求过程一阶微分模型应该有显式解的局限性,保证了通用模型控制策略的可实现性.另一方面,加入模型参考自适应环节,提高了该控制器的实时性和鲁棒性,其参数具有明显的物理意义,参数整定方便.仿真实验结果验证了该控制策略的有效性和更好的鲁棒性.     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。     

A Novel Soft Sensor Modeling Approach Based on Least Squares Support Vector Machines

Artificial Neural Networks (ANNs) such as radial basis function neural networks (RBFNNs) have been successfuUy used in soft sensor modeling. However, the generalization ability of conventional ANNs is not very well. For this reason, we present a novel soft sensor modeling approach based on Support Vector Machines (SVMs). Since standard SVMs have the limitation of speed and size in training large data set, we hereby propose Least Squares Support Vector Machines (IS_ SVMs) and apply it to soft sensor modeling. Systematic analysis is performed and the result indicates that the proposed method provides satisfactory performance with excellent approximation and generalization property. Monte Carlo simulations show that our soft sensor modeling approach achieves performance superior to the conventional method based on RBFNNs.