厂级监控系统中数据校正算法模型研究

探讨厂级监控系统中实时数据的校正算法及其应用技术.介绍了测量数据误差的相关概念;基于多元统计分析基本原理,建立了数据校正的基本模型;基于信号处理原理,重点研究了数字滤波方法在数据协调中的应用;结合火电机组厂级监控系统的应用特点,提出了数据分级的概念,建立了基于设备特性的数据误差识别及其修补的关联模型.应用上述关联模型,在冗余检验和数字滤波等技术的支持下,建立并实现了数据显著误差检验与数据协调相互统一的数据校正方法.应用结果表明,该方法具有算法简单,概念清晰,保证了实时分析结果的有效性.     

基于随机森林回归和气象参数的城市空气质量预测模型——以重庆市为例

为有效进行城市空气质量预测、推进城市空气污染防治,弥补传统统计学模型在大数据时代背景下对城市空气质量预测准确率低、容错能力差等问题,提出利用随机森林回归构建城市空气质量预测模型;综合考量污染物浓度、气象参数、时间参数等多方面影响因素,通过网格搜索法调整参数的最优组合,构建基于随机森林回归算法的城市空气质量预测模型;基于重庆市2017-01-01—2020-07-31的指标数据,对重庆市空气质量进行预测分析,结果表明:在模型下训练集与测试集的确定性系数R~2均在99%以上,均方误差D_(MSE)和平均绝对误差D_(MAE)在训练集和测试集上的取值均在可接受范围内,证实模型具有运行速度快、预测误差小、具有较高的预测精度等优点,具备较好的学习能力与泛化能力。     

基于NPP/VIIRS夜间灯光数据的GDP智能预测模型研究

针对现今传统统计方法难以准确及时的揭示经济参量时空信息且估算GDP精度不足的问题,本文利用国家极轨卫星携带的可见光和近红外成像辐射计（NPP/VIIRS）获取的2012-2018年夜间灯光影像为数据源,对数据产生的误差进行处理得到了可以用来定量分析的长时间序列数据;首先采用随机森林算法对数据集进行预测研究,在此基础上提出一种基于袋外数据估计的回归误差,采用改进的网格搜索算法（Grid Search）对随机森林模型进行参数调优。同时也使用贝叶斯优化（Bayesian Optimization）对随机森林(RF)模型进行参数调优。运用嵌套5F-CV,并通过外部5F-CV循环估算模型的泛化能力,内部5F-CV循环用于确定最佳参数找出最优参数模型,建立自动预测系统,根据输入的研究区数据,使算法模型自动进行精准预测。结果表明基于贝叶斯优化改进的随机森林算法在预测GDP时最好,预测精度达到97%,具有较高的准确率和鲁棒性。研究结果展示了机器学习算法和夜间光照指数用于在县级尺度上预测GDP表现出显著的能力。     

基于最优正交质心特征选取的DNA微阵列数据分析

微阵列数据具有样本小、维度高的特点,给数据分析带来了困难。因此,在生物信息学的研究和应用中,从微阵列数据里挑选主基因(特征选取)是十分重要和有意义的。本文采用基于最优正交质心特征选取算法(OCFS)来挑选主基因,并与基于信噪比的主基因挑选法和基于遗传算法的主基因挑选法进行了对比。利用挑选出的主基因,采用支持向量机(SVM)对数据样本进行了分类研究。通过实验,在经典的白血病数据集上,对于34个样本的测试集,达到了33/34的分类准确率,表明了本方法的适用性。     

基于UKF的战术数据链通信延时与补偿算法

针对战术数据链在信息传输过程中通信延时和量测信息的非线性问题, 结合当前统计模型提出了一种基于无迹卡尔曼滤波算法的延时补偿算法。将非线性变换引入到状态预测中,
在状态预测的基础上加入延时补偿程序, 完成对延时的补偿, 且该算法对非线性量测模型进行更新, 避免了量测模型线性化带来的精度降低。分析了战术数据链产生延时的原因及其对攻击决策的影响, 建立了机动目标的当前统计模型, 采用无迹卡尔曼滤波算法对目标进行跟踪, 在该算法对状态预测的基础上加入延时补偿算法, 对机动目标的位移、速度进行补偿,仿真结果表明该方法有效。     

关于确定生态系统模型中高精度参数的研究

文章主要研究确定生态系统模型中高精度参数的问题。首先利用给出的观测数据的周期性,先对有误差的数据进行去噪预处理,然后建立了以仿真值和观测值的方差为目标的选优模型,利用计算机进行了搜索和仿真找出最优解。结果表明该模型能够有效地解决高精度参数估计中消除测量数据误差的问题。     

基于自适应基准值改进的RSSI加权质心定位算法

提出一种根据设定接收的信号强度指示基准值改进的加权质心算法. 先通过锚节点向周围发散自身坐标等相关数据包, 然后假设某一参考节点为未知节点, 测得与周围锚节点传播过程中的信号强度损耗值, 判断最小的接收信号强度指示值, 优化样本集合, 将修正的信号指示值参数作为相应新表节点的权重, 并求得定位误差. MATLAB仿真结果表明, 该算法相比于传统算法的定位精度更高, 定位误差波动更小, 且有较强的机动性和可适应性.     

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

基于贝叶斯优化注意力机制LSTNet模型的短期电力负荷预测

为更充分挖掘多元负荷序列间的有效信息,从而提高预测精度,提出了一种集成贝叶斯超参数优化算法、注意力机制的长期和短期时间序列网络（long and short-term time-series network with attention,LSTNet-attention）以及误差修正的短期负荷预测模型。首先,构建基于贝叶斯优化的LSTNet-attention模型进行初步预测,利用贝叶斯算法优化模型多个结构参数,降低人工设置参数的随机性,并通过注意力机制合理分配特征权重;然后,通过基于贝叶斯参数优化的极端梯度提升算法(extreme gradient boosting,XGBoost)误差修正模型来挖掘初步预测误差序列中潜在、未被利用的有效信息,进行误差预测和修正,进而得到最终的预测结果。通过使用澳大利亚某地真实负荷数据进行实证分析,实验结果表明,所提预测模型相较于其它模型具有更好的预测效果,可为负荷预测等工作提供一定参考。     

Detection and analysis system for hybridization images of lab-in-a-tube microarray

A lab-in-a-tube microarray system is developed for sample inspection and signal detection by fabricating a fiat transparent window cap of the Eppendorf tube. The oligonucleotide microarray is immobilized on the inner surface of the cap. A small vessel is placed in an Eppendorf tube for storing hybridization solutions. With the microarray system, the full biochemical processes, including gene fragment amplification, fluorescence labeling, hybridization, and fluorescence detection, have been performed in the sealed tube without opening the cap. The images are obtained from a fluorescence microscope and captured by a CCD, and the data are transported to a computer through the universal serial bus （USB）. After noise reduction, signal intensity is determined from hybridization image and the presence of gene fragments is identified. The final data output includes sample information, process steps, and hybridization results. A lab-ina-tube microarray system for detecting ten respiratory viruses at a single detection is designed. High detection throughput and accuracy have been demonstrated with the system.     

基于贝叶斯网络的室内无线信号强度学习算法

考虑到接收信号强度（RSS）算法的定位结果有着其不确定性,提出了一种新的生成场强分布图的自动学习算法.在此算法中,在初始简易场强分布图的基础上,首先启动一个带有默认参数值的线性模型,然后自动学习各类在线RSS数据;在学习的过程中,基于现有的支持RSS测量的WLAN、Zigbee、UMB等无线网络,扩展了标准的最大期望（EM）算法,推算出场强分布图的一种最大似然（ML）估计算法并运用到自动学习中,就可以生成一较精确的场强分布图.模拟表明,无需任何校准数据,该方法可以提供较高的精度.     

微生物发酵乙醇浓度在线检测模型及其应用

利用半导体气敏传感器,结合气液平衡关系原理,提出了一种微生物发酵乙醇浓度在线检测模型的建立方法。该方法利用LM(Levenberg-Marquardt)算法对模型进行参数辨识,建立了液体乙醇浓度和测量电压信号两个物理量之间直观的非线性对数模型,并采用虚拟仪器技术实现了该模型算法。将模型应用于谷胱甘肽发酵中乙醇浓度的检测,实验与分析表明了该模型的有效性,检测绝对误差小于0.1%,重复性好,能够很好地满足微生物发酵工程应用需求。     

单通道时频重叠高斯调幅通信信号盲分离方法

为了解决单通道多个时频重叠高斯调幅通信信号共信道的盲分离问题,提出了一种混合遗传与最小值搜索的盲分离算法。根据信号的特征,建立信号模型,利用接收到的一组混合信号的数据,利用混合遗传与最小值搜索的盲分离算法对所有待估计参数进行联合搜索,实现了多个信号分量的重构和分离。仿真结果表明,与传统的最小值搜索算法(初值选取误差控制在远离期望值的5%以内)和遗传算法相比,该算法有较高的数值精度和不受初值选取影响的优点。     

基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

基于自适应UKF的锂离子动力电池状态联合估计

针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.     

MKLasso模型的算法与模型选择

在KLasso模型基础之上,引入多核函数与多核参数重新建立的一种更为广发的非线性的多核KLasso模型（MKLasso模型）,采用基于梯度Boosting的思想的算法进行求解,并依据人类观察事物的一个基本特征,即人眼位于数据空间较近时能够看清细节,较远时只能够看清整体结构的特性设计了一种模型选择策略,通过实际的3个数据集设计6组试验,来验证该算法的有效性。模拟试验结果表明：MKLasso模型的预测能力明显优于KLasso模型,其预测均方误差提高了10倍;该算法运行高效,抗噪声能力强,在参数选择方面又有一定自己的优势,可以直接选择核参数,算法大大降低了调试与运算时间。     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

支持向量机法预测卤代苯和苯酚衍生物的毒性

应用支持向量回归算法（SVR）,以按非氢原子分类的分子电性距离矢量（H-MEDV）为参数,通过参数的优化,建立了几种更强的预测模型,预测了卤代苯和苯酚衍生物的毒性,并根据H-MEDV参数原理对预测结果进行了初步探讨.各预测模型的标准误差分别为0.305、0.267、0.275、0.228、0.362、0.238,均低于采用多元线性回归（MLR）和逐步回归（SMR）法的预测结果,说明支持向量回归算法在小样本、多变量的样本建模预报问题上具有一定的优势.     

巷道支架位移ARIMA模型预报时的还原误差问题

在现场采集大量数据的基础上,应用时间序列分析线性模型的理论,对巷道支架位移动态数据建立了ARIMA模型。发现用该模型预报时,误差不仅与预报步数有关,还与差分次数有关。并阐明了还原误差问题,找出了差分次数影响误差的递推方法。     

车身检测数据的多元贝叶斯建模与质量监控

提出了一种融入动态干预算法的多元经验贝叶斯（MEB）模型,并用于评价车身尺寸的均值、标准差等质量参数.该模型采用较为平稳的历史测量数据和相关性较强的多元测点信息进行误差修正,显著减小了由系统误差而导致的MEB模型的评价误差.构造了一组基于模式识别的动态干预算法、用于自动识别制造过程中的系统误差模式.同时,以某车型车身测量数据处理为例,验证了所提出方法的有效性.