保精度-稀疏特性核回归模型的非线性动态系统辨识

针对一组有限测量数据的非线性动态系统建模方法存在模型结构复杂且易出现过拟合等问题,从建模精度及模型稀疏特性出发,提出了保精度-稀疏特性的核回归模型用于辨识非线性动态系统。该方法将逼近误差的L_∞范数思想与结构风险最小化理论相结合,建立求解非线性动态系统所对应的核回归模型优化问题,再应用较简单的线性规划对其求解。提出的方法具有如下三个显著特性:①应用逼近误差的L_∞范数最小化可保证非线性动态系统的辨识精度;②引入支持向量回归架构下的结构风险L_1范数对模型结构复杂性进行有效控制可保证模型稀疏特性;③模型的泛化性能可通过提出的方法从建模精度与模型稀疏特性之间取其平衡。最后,通过实验分析论证了提出方法在辨识非线性动态系统上的保精度-稀疏特性的合理性与优越性。     

基于l_0范数的匹配场源定位方法

传统的匹配场处理方法存在分辨率低、抗噪性能差、不适用低快拍等问题.近年来出现了一类利用匹配场的空间稀疏性,将源定位转化为物理空间的稀疏重构的定位方法,能够实现高精度的匹配场定位.通常求解这些问题时是将l_0范数转换为l_1范数.虽然该方法能解决常规的NP-hard问题,在优化求解方面具有一定的优势,但是与直接通过l_0范数求解的方法相比,不能很好地描述空间稀疏特性,以至于难以充分体现和利用声场冗余字典的稀疏特点.因此,相比于传统的压缩感知算法,通过分析匹配场的空域稀疏特性,在学习平滑l_0范数重构算法的基础上,提出了基于平滑l_0范数的匹配场源定位方法.在分析了水下目标定位的稀疏数学模型的基础上,逐渐降低数值逼近参数的方式来得到数学模型的最优解,在保证高精度匹配场定位的同时,减少了运算的时间,提高了匹配场定位的效率.     

基于反应基元的非线性系统灰箱建模方法

提出一种基于反应基元的建立复杂非线性系统模型的灰箱建模方法.首先根据先验知识及系统特性分析引入过程的初始反应基元,并以此为出发点建立结构逼近神经网络模型,实现基元之间的关联,赋予网络节点实际的物理意义;然后,通过提出的最小化预测误差,结合逐步回归分析方法选择最优反应基元,优化网络结构,建立起表示系统变量关系的灰箱模型.以实际橡胶硫化促进剂制备的间歇反应过程作为实验对象,建立以生成物浓度为输出的数学模型,达到较高的输出预测精度.     

基于局部邻域嵌入的无监督特征选择

机器学习中,特征选择可以有效降低数据维度.考虑到流形学习能够保持原始数据的几何结构,l_(2,1)范数能够防止过拟合,提升模型的泛化能力,将二者结合起来可以提高特征选择的效果和效率.结合局部邻域嵌入(LNE)算法和l_(2,1)范数,提出一种新的无监督特征选择方法.其主要思想是:首先利用数据样本和邻域间的距离以及重构系数构造相似矩阵;其次构建低维空间并结合l_(2,1)范数进行稀疏回归;最后计算每个特征的重要性并选出最优特征子集.实验通过与几种典型的特征选择算法做对比,验证了所提算法的有效性.     

l_p范数最小化问题下部分稀疏信号的稳定恢复（英文）

通过l_p范数最小化模型,研究了在有噪音线性测量值下稳定恢复部分稀疏信号的问题.首先提出了恢复信号的充分条件:部分p-限制等距条件(p-RIP),并推导出此模型的最优解与要恢复的原始信号误差范围.最后在无噪音l_p范数最小化问题模型下,计算出至少多少随机高斯测量值能够以高概率恢复部分稀疏信号.     

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.     

基于块稀疏信号重构的高分辨率ISAR成像算法

为实现快速高分辨率逆合成孔径雷达(Inverse synthetic aperture radar,ISAR)成像,充分利用目标的内在块稀疏结构信息,提出一种块平滑l_0范数稀疏重构ISAR成像算法.首先,将ISAR稀疏成像转化为块l_0范数的优化问题,采用一阶负指数函数趋近块l_0范数.其次,采用单循环步骤代替平滑l_0范数算法中的双循环结构,减小控制参数的间隔,实现对块稀疏信号的优化重构.该算法能够在块稀疏度未知时利用ISAR目标固有的内在结构特征进行高分辨率成像.仿真实验结果证实该算法的成像质量高且快于其它算法.     

基于l_0数据保真项的图像增强算法

引入l_0范数重建传统的变分约束模型,得到基于l_0范数数据保真项的图像去雾霾算法模型(l_0-l_0).该模型将l_0范数作为正则项和数据保真项,充分利用l_0范数稀疏性的优点,对光滑图像有效逼近的同时保持了图像的几何特征不被破坏.结合图像层分离,把降质的图像分为基层和细节层,在图像基层进行动态范围调整,细节层进行细节操作.由于l_0范数不易求解,利用交替方向法将原问题转化为3个子问题,并分别对3个子问题进行求解.实验结果表明:相比于l_0-l_2图像修复的方法 ,该模型对图像增强更为有效,而且具有普遍适用性.     

基于ADACD的新型辨识器及其模型参考自适应控制

将控制依赖自适应评估设计引入到非线性系统的辨识中,以寻求最佳模型.定义一个总评估函数表示系统在所历经时间内的辨识总误差,然后构造一个评估网络来近似逼近这个总评估函数.再构造一个辨识器网络,其输出直接作为评估网络的输入,这样通过最小化评估网络的输出就可以达到寻求最佳模型的目的.辨识器的参数修正原则不再是使当前时刻的辨识误差最小化,而是使评估网络的输出最小化,即使系统在所历经时间内的近似辨识总误差最小化,这样不仅大大加快了收敛速度而且取得了更加精确的辨识效果.在获得对象模型之后,还研究了利用神经网络设计模型参考自适应控制器的方法.仿真结果表明,利用这种新型辨识器设计的模型参考自适应控制器能够保证被...     

基于径向基函数神经网络的热工过程模型辨识

为了准确反映热工过程动态特性,实现热工过程整体优化控制,提出了一类新的径向基函数神经网络(RBF-NN)的建模方法:采用熵方法和竞争学习算法,结合非线性自回归滑动平均(NARMA)模型的输入/输出结构实现RBF-NN的优化,辨识RBF-NN结构,并用最小二乘算法(LS)确定权向量,实现了典型的非线性热工过程建模。通过两个实例验证:基于NARMA结构的RBF-NN建模,具有较高的辨识精度和较少的隐层节点。     

基于状态空间模型的机床热误差动态建模

提出了一种基于状态空间模型的机床热误差建模方法,以几个关键温度点的温升为输入,结合状态变量和干扰来确定热误差输出,由子空间辨识算法得到模型参数.同时,在一台数控车床上进行实验,以探究模型的精度和鲁棒性.结果表明:在不同的转速条件下,所提出的模型能够补偿70%的热误差;与自回归模型的建模方法相比,状态空间模型表现出更优异的鲁棒性.     

输出过采样闭环系统辨识方法中最优过采样率的选择

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出原闭环系统的模型参数 .辨识结果中模型参数的估计误差服从均值为0的正态分布 ,方差由过采样率决定 ,据此推导出了使参数估计误差最小化的最优过采样率的计算方法 .该方法实现简单 ,运算量小 ,估计精度高 .仿真实验表明 ,当信噪比大于 15dB时 ,该方法的估计精度可达98% ;当过采样率为 15～ 2 0时 ,算法具有最优的辨识精度     

基于RBF神经网络的自回归系统辨识模型

根据神经网络能以任意精度逼近任意非线性连续函数的特点,通过径向基函数神经网络构建非线性动态系统的辨识模型。针对该模型输入值超出径向基函数的映射区域时将导致系统辨识输出值为零的现象,提出了一种基于改进径向基函数结构的自回归系统辨识的方法,有效地消除了零现象。这使得自适应辨识模型在较大的输入向量下能够逼近实际系统的输出,从而提高了系统辨识的鲁棒性。该方法的可行性得到了仿真验证。     

基于蚁群优化算法的支持向量机参数选择及仿真

基于支持向量回归机（SVR）模型的拟合精度和泛化能力取决于其相关参数的选取,以蚁群优化算法为基础,给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为目标,对支持向量回归机中的核参数σ和惩罚系数C由蚁群系统中的节点值体现,数值的优选通过蚂蚁对最优路径的选择进行确定。计算机仿真结果表明：与正交法、遗传算法等相比,该方法在参数优化方面有良好的鲁棒性能和较强的全局搜索能力;该方法用于青霉素发酵过程的建模研究,建模精度较高。     

基于稀疏表示和粒子滤波的在线目标跟踪算法

针对目标跟踪过程中由于外形变化或者遮挡所造成的跟踪效果下降或导致漂移的问题,提出一种粒子滤波框架下基于稀疏表示的在线目标跟踪算法.采用分层梯度方向直方图(PHOG)特征对目标模板进行描述,并且每一个候选模板都可以通过PHOG基向量和琐碎模板进行稀疏表示,进而利用L1范数最小化方法进行最优求解.为保证在遮挡的情况下目标跟踪的精度,对目标遮挡部分和非遮挡部分进行拆分建模,并利用PCA子空间增量学习的方式不断更新目标跟踪模型.通过对具有挑战性的跟踪视频进行定性和定量分析,实验证明该方法在跟踪精度上要优于传统的跟踪方法.      

基于SVR的焦炉冷鼓系统预测控制

针对焦炉冷鼓系统的强非线性,难以建立精确的数学模型等问题,提出了基于支持向量回归机(SVR,support vector regression)的预测控制策略。基于结构风险最小化的SVR可以直接反应非线性模型的特征,采用自适应权值粒子群算法(APSO,adaptive weight particle swarm optimization)对SVR的辨识参数加以优化;预测控制作为控制系统的主体,其滚动式的有限时域优化及反馈校正可有效地克服过程中的不确定性和非线性。在MATLAB仿真平台上,将此控制策略与传统的PID(proportion integration differention)相比较。仿真结果表明该控制策略具有较强的抗干扰性和鲁棒性,可保证冷鼓系统的初冷器前吸力快速、有效地稳定在工艺要求的范围内。     

伺服系统Hammerstein非线性模型及参数辨识方法研究

在伺服系统建模中,针对线性模型无法表达系统在低速、运动换向条件下摩擦与死区等非线性现象的问题,采用包含静态非线性部分和动态线性系统的Hammerstein模型来代替线性模型对伺服系统进行了描述.根据静态非线性模型逼近伺服系统的非线性特性,非线性模型采用分段非对称多项式基函数来解决摩擦在运动中存在的非对称特性.对于多频率正弦输入信号和伺服系统的速度输出信号,由迭代最小二乘方法来估计模型的参数.通过辨识实验中的线性模型和Hammer-stein模型的输出,说明采用Hammerstein模型方法能有效地对系统非线性部分建模,Hammer-stein模型的输出误差比线性模型的输出误差约减少90%,因此显著地提高了系统的模型精度,实现了对系统非线性动态行为的精确预测.     

基于稀疏正则化和渐近边界假设的运动模糊图像盲复原

为了复原因相机抖动而产生的运动模糊图像,提出基于L_p范数和全变分范数的正则化盲复原方法;首先,基于模糊图像的梯度稀疏性建立L_p范数正则化模型,利用全变分范数保持图像的结构信息;然后,根据模糊核稀疏性的先验知识建立模糊核的盲估计模型;最后,提出一种渐近边界假设条件对模糊图像进行扩展以抑制振铃,并通过交替最小化方法分别求解清晰图像和模糊核的估计值。结果表明,所提出的方法简单、可行,具有更好的图像复原效果。     

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .     

基于迭代加权l_q范数最小化的稀疏阵列综合方法

针对非均匀稀疏阵列综合问题,提出一种利用迭代加权lq(0q1)范数最小化的阵列综合方法。该方法利用稀疏阵列天线的稀疏物理特性,将稀疏阵列综合问题转化为一系列迭代加权lq(0q1)范数最小化的稀疏重构问题,并在每次迭代中求解出用于下次迭代的阵列加权向量闭式解,由满足迭代终止条件时的阵列加权向量的非零值来确定阵列的阵元位置及其激励幅度。仿真结果表明,与基于迭代加权l1范数的阵列综合方法相比,该方法在满足辐射特性前提下能以更少的迭代次数来综合出稀疏程度更高的稀疏阵列。