基于遗传算法时滞系统的滤波器参数自调整内模控制

对于工业控制过程中的时滞系统,采用内模控制的设计方法,建立了滤波器参数λ的优化自整定;并且研究了利用十进制编码的遗传算法及其具体的遗传操作过程,实现了滤波器参数λ的优化自整定,从而避免了二进制编码所导致的影射误差.仿真结果表明,对于在控制过程中过程模型变化或过程模型与预估模型失配时,通过优化调整内模控制器的滤波器参数λ;可改善系统的控制品质,提高控制系统的鲁棒性,且易于工程实现.     

CDMA系统中LMMSE均衡器的时延参数对其性能的影响

介绍了码分多址CDMA系统中码片级线性最小均方误差均衡器。针对时延参数的优化选取对线性最小均方误差均衡器性能的影响进行仿真分析，并同传统rake接收机的性能相比较。结果表明：在均衡器长度与信道最大多径时延接近时，时延参数优化后的线性最小均方误差均衡器与同时延参数未经优化时相比性能有较大改善，而随着均衡器长度的增加，线性最小均方误差均衡器性能对时延参数选取的敏感性逐渐下降。     

轴承套圈磨削加工误差传递半参数模型及分析

在磨削加工过程中,存在加工误差随加工顺序传递到下一道工序的问题。本文基于误差流理论,分析了上一道工序的加工误差对下一工序加工误差的影响,将工序间的误差传递关系用参数表达,未知的系统误差用非参数表达,基于泰勒公式建立了工序间误差传递的半参数模型。利用自然样条最小二乘法求解模型中的参数和半参数估计,将上述模型和参数求解方法应用于轴承套圈的内圈沟道的磨削加工过程中,并求解模型的残差、均方误差和平均绝对误差,然后进行模型验证。验证结果表明:半参数模型反映出内圈沟道多工序加工过程中的误差传递关系。与参数模型对比,半参数模型的均方误差从49.78降低到3.18,平均绝对误差从6.60降低到1.31,说明半参数模型精度更高,拟合效果更好。     

锅炉飞灰BP-WA算法优化控制策略

针对锅炉飞灰含碳量在线测量参数多变、惯性大等问题,设计一种改进型BP神经网络飞灰含碳量预测模型.通过主元分析法分析各燃烧工况与飞灰含碳量的关系,利用信息熵将标准BP神经网络中的误差函数进行改进,以抑制输入样本中的干扰噪声,并采用主元分析法筛选模型中输入参数,精简网络模型.结合所提出的改进型BP-WA(BP神经网络-狼群算法)优化控制策略对锅炉燃烧运行工况进行优化控制仿真研究,结果表明：采用改进型BP-WA优化控制策略优化飞灰含碳量前后,锅炉飞灰含碳量预测与标准BP网络模型方法相比,均方误差降低0.012 1;飞灰含碳量降低3.50%,提升了锅炉运行的稳定性.     

半参数TBS模型的局部线性估计

研究了半参数多元回归模型E(Y|X)=μ(XTβ),其中X是维数为p的列向量,μ,β是未知参数.由于此模型不容易满足误差方差齐性和误差分布正态性,作者对该半参数回归模型两边同时应用含参数λ的Cox-Cox变换,使得变换后的回归模型满足误差方差齐性和误差分布正态性条件,然后应用局部线性技术及极大似然方法,通过两步迭代,对未知参数β,λ及未知函数μ(.)进行了估计.     

多元线性模型回归参数的一种广义估计

采用广义估计 β (K)估计多元线性模型中回归参数 β ,通过K值的选取 ,可使 β (K)的均方误差小于最小二乘估计 β 的均方误差 ,且在一定条件下 ,β (K)为 β的可容许估计 ;还讨论了 β (K)的均方残差的性质 .     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

函数型线性回归模型的三角样条估计

函数型数据的回归分析研究主要集中在函数型线性回归模型,基于三角样条估计的方法对模型中未知参数进行了估计.通过仿真实验验证了三角样条估计的均方误差比传统的多项式样条估计的均方误差更小,且在计算上用时更少,由此得出三角样条估计在部分函数型线性回归模型中具有一定的优越性.     

零误差密度函数准则的BP神经网络学习研究

BP神经网络的学习通常以均方误差函数(MSE)为目标函数,当目标变量不满足高斯分布时,其结果可能偏离真正最优.零误差密度函数(ZED)利用非参数估计中的Parzen窗法得到误差在零点的概率密度函数.将零误差密度函数作为BP网络的目标函数时,通过对光滑参数的选择使新的目标函数能够适用于期望输出满足任意分布.仿真实验分别以零误差密度函数和均方误差函数为目标函数的BP网络学习在函数逼近方面进行比较,结果表明零误差密度函数要比均方误差函数的适用范围更广.     

含自回归误差项的函数型线性模型的参数估计

针对模型误差为独立同分布的假设并不总是合适的,讨论含有自回归误差项的函数型线性回归模型。考虑到函数型变量和斜率函数无限维的特点,首先进行函数型主成分分析,以函数型变量的协方差函数作谱分解得到的特征函数为基函数,分别以该组基对函数型变量和斜率函数进行逼近,将无限维的参数转化为有限维基函数系数;然后构造AR(1)误差下函数型线性回归模型的参数估计,在一定条件下获得了与独立同分布场合下类似的结果;此外在均方误差的意义下,与忽略AR(1)误差项所得估计量相比,取得更小的均方误差,推广了现有文献中的一些结论和性质。     

一类相依回归系统参数的根方估计

本文提出了一类相依回归系统回归参数的根方估计,证明了当设计矩阵呈病态时,根方估计的均方误差小于协方差改进估计的均方误差。     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

岭回归中参数估计的探讨

从减小均方误差的角度出发,在一定的范围内分析了岭参数的存在性,并通过均方误差函数的单调性．将参数的范围缩小到一个相对较小的区间,关于参数值的逼近,是下一步研究的问题．     

钻井液流变参数的非线性最小二乘估计算法

钻井液流变模式的参数估计问题大多使用线性回归方法求解,然而,线性回归方法改变了测量误差的统计特征,使得所得到的流变参数估计不具有无偏性和方差最小等特点.针对3种非线性流变方程(幂律模式、赫巴模式和卡森模式)的特点,分别提出了非线性最小二乘估计的新算法.该算法不需要人工给定迭代初始值,迭代过程稳定收敛到最小点,不会陷入极小点陷阱,存储需求小,收敛速度很快,所得到的流变参数估计具有拟合残差近似无偏性和方差几乎最小的优良统计特征.大量的实际钻井液算例表明,新方法具有比线性回归方法更小的拟合方差,拟合残差统计特性优于线性回归方法.     

基于蚁群算法的GM(1,1)幂模型参数优化

为了提高GM(1,1)幂模型的精度,将平均相对误差函数和偏差平方和误差函数分别看成是幂指数、发展系数、灰作用量以及初值的函数,通过蚁群算法进行参数辨识.根据两类误差函数最小化原则得到两组参数估计值,再利用这两组参数估计值的凸组合优化模型的参数,通过最大相对误差最小化确定凸组合权系数.实例表明,基于蚁群算法和参数估计凸组合优化改进的GM(1,1)幂模型,其建模精度高于传统GM(1,1)幂模型,同时也说明该优化方法是有效的和可行的.     

最小均方算法用于数字信号的性能

为了获取最小均方 (LMS)算法用于数字信号的性能 ,提出了一项新的性能参数——误码率。分析了误码率与算法均方误差之间的关系 ,在实验的基础上给出了两者之间的一个近似函数表达式。并重点研究了算法步长对收敛速度、稳态失调量、误码率这三项性能参数的影响 ,以及步长确定的原则 ,为数字信号领域使用 LMS算法提供了一些理论基础。     

进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

线性系统的随机参数辨识和收敛性分析

本文讨论了参数估计和输出误差的收敛性,并给出了系统持续激励的一个充分条件。在此条件下,证明了参数估计和它与时变参数间的估计误差的均方值收敛于随机参数的期望值和均方差值。