PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

基于CPSO-LSSVM的单轴旋转惯导系统轴向陀螺漂移辨识

在单轴旋转惯导系统中,轴向陀螺漂移是影响系统导航精度的重要因素。为了提高惯导系统的导航精度,采用混沌粒子群算法(chaos particle swarm optimization, CPSO）优化的最小二乘支持向量机（least squares support vector machine, LSSVM）〖JP+1〗对轴向激光陀螺漂移进行辨识。利用初始对准12 h内系统纬度误差和温度变化量作为LSSVM模型的训练数据,利用CPSO对LSSVM进行参数优化,利用优化后的LSSVM模型对轴向陀螺漂移进行辨识,轴向陀螺漂移辨识精度优于0.000 2 （°）/h, 系统定位误差优于1 nm/72 h。试验结果表明,CPSO是选取LSSVM参数的有效方法,该方法能够有效地辨识轴向陀螺漂移,具有很高的辨识精度,具有很高的实际应用价值。     

基于在线聚类的机器人自适应模糊建模

针对机器人这种具有时变、强耦合和不确定性的复杂非线性被控对象,提出一种基于在线聚类的模糊自适应方法用于机器人系统建模。建模过程中采用在线聚类算法辨识机器人T-S模型的前提参数,采用递推最小二乘算法(RLSE)辨识结论参数,根据过程中新的数据信息,模糊规则可以自动增加、修改和删除,实现了模型结构和参数的在线辨识和更新,而且该方法具有模型结构简单、建模速度快、精度高等优点。最后通过二自由度机器人仿真研究证明了该方法的有效性和优越性。     

基于自适应动态无偏LSSVM的故障在线监测

针对无法建立精确数学模型的非线性动态系统,提出一种基于自适应动态无偏LSSVM的故障在线监测模型.该模型通过改进LSSVM的结构风险形式得到无偏的LSSVM,并能够自适应的选择滑动时间窗的长度.在此基础上根据模型动态变化过程中核函数矩阵的特点设计了基于ChoIesky分解的学习算法提高了模型训练效率,实现了非线性系统的在线监测.通过系统输出预测误差的变化,利用Parzen核密度估计方法判断故障的程度.仿真结果表明该故障监测模型在系统正常工作的情况下,能够跟踪系统的动态变化趋势;在系统出现突变故障的情况下,能够快速检测系统故障;在系统出现缓变故障的前提下,能够对系统的故障进行预报.     

基于GMDH-PSO-LSSVM的国际碳市场价格预测

针对国际碳市场价格预测LSSVM建模输入节点和模型参数难以确定的问题, 建立了基于数据分组处理方法(GMDH)-粒子群算法(PSO)-最小二乘支持向量机(LSSVM)的国际碳市场价格预测模型. 首先利用GMDH算法获得LSSVM建模中的输入变量; 其次应用PSO算法对LSSVM建模中的参数进行优化, 进而使用训练好的LSSVM模型对测试样本进行预测; 最后采用该模型对欧盟排放交易体系(EU ETS)两个不同到期时间的碳期货价格(DEC 10和DEC 12)进行实证分析, 取得了令人满意的效果.     

多温区空间晶体生长炉的解耦预测控制研究

通过传热机理分析,推导出了多温区晶体生长炉的简化线性模型,使用递推最小二乘法辨识了模型参数.研究了解耦预测控制,改进了预测控制性能指标的选取方法,不需要在线调节前馈增益矩阵,提高了控制的实时性.对系统进行控制仿真,结果表明,该控制方法具有良好的控制精度,为该方法的实际应用奠定了基础.     

多变量灰色广义预测控制直接算法及仿真

基于多变量灰色系统模型 ,提出了一种MIMO系统的广义预测控制直接算法。该算法利用两个辨识器分别辨识被控对象和闭环系统的参数 ,从而得到控制器的参数。算法在线辨识参数较少 ,又避免了Diophantine方程和逆矩阵的在线求解 ,进一步减少了计算量 ,提高了实时性。仿真结果表明 ,该算法是有效的     

一种多神经网络混合模型的学习算法研究

针对混合智能模型的多神经网络结构特征，提出一种模型参数的在线辨识算法。该算法在起始阶段利用混沌优化算法寻找初始点，随后采用BFS法完成参数寻优过程。对处于扰动状态下的预分馏塔的仿真结果表明，该算法可以有效地解决一类多神经网络模型的在线参数辩识问题。     

一种基于BLMS的Volterra级数简化辨识方法

针对Volterra级数辨识中的“维数灾难”问题，提出了一种基于分块最小均方（BLMS）滤波器的简化辨识方法．该方法利用影响指数的概念，在保证一定辨识精度的前提下，根据每个Volterra核函数对辨识结果贡献的大小对其进行筛选，然后用筛选出的有效核函数作为对原系统的近似，从而达到降低辨识维数减少计算量的目的。该方法为克服“维数灾难”，实现在线辨识Volterra级数提供了一个有效解决途径。最后，文中用一个工程实例验证了该算法的有效性。     

基于时变PSO-SVM的混沌时间序列连续预报

针对粒子群优化(PSO)算法中适应度函数不可变的问题,提出一种改进时变PSO算法(TVPSO),其适应度函数可变,利用TVPSO对最小二乘支持向量机(LSSVM)的参数进行优化,避免了人为选择参教的盲目性,提高了预测模型的在线预测能力.建立基于TVPSO-LSSVM的连续预报模型,充分利用LSSVM的结构风险最小化与TVPSO粒子群算法全局、时变的特性,对非线性较强的混沌时间序列进行连续预报.仿真结果表明,该法运算速度快,适用于在线预报.     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。     

基于KPCA与LSSVM的网络控制系统时延预测方法

针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析（kernel principal component analysis, KPCA）与最小二乘支持向量机（least squares support vector machine, LSSVM）结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。     

氨糖发酵过程建模与工艺参数优化研究

针对目前生物传感器价格昂贵且检测精度低使得在氨糖发酵过程中难以获得准确实时的生物参数的现状,建立了最小二乘支持向量机模型以实现菌体浓度、产物浓度、底物浓度的预测。为了提高预测模型的精度,采用基于Levy飞行的改进多元宇宙算法对最小二乘支持向量机模型的若干参数进行优化。在此模型的基础上,以发酵完成时刻产物浓度最大为目标,通过改进的多元宇宙优化算法对发酵工艺参数进行了优化。仿真实验表明该方法取得了较高建模精度,提高了发酵最终产物浓度。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

Adaptive SPC monitoring scheme for DOE-based APC

Automatic process control （APC） based on design of experiment （DOE） is a cost-efficient approach for variation reduction. The process changes both in mean and variance owing to online parameter adjustment make it hard to apply traditional SPC charts in such DOE-based APC applied process. An adaptive SPC scheme is developed, which can better track the process transitions and achieve the possible SPC run cost reduction when the process is stable. The control law of SPC parameters is designed by fully utilizing the estimation properties of the process model instead of traditionally using the data collected from the production line. An example is provided to illustrate the proposed adaptive SPC design approach.     

联机核模糊C均值聚类方法

基于核模糊C均值(kernel fuzzy C-means, KFCM)提出了一种针对较大规模数据的联机核模糊C均值 (online kernel fuzzy C-means, OKFCM) 算法,同时考虑到核参数的选择困境,借鉴多核学习思想,进一步衍生出了联机多核模糊C均值 (online multiple kernel fuzzy C-means, OMKFCM) 算法。由此,在有效缓和核参数选择难题的同时,新算法不仅继承了KFCM优越的聚类特性且适合聚类数据流。最后,在人工和真实数据集上验证了新提出的核联机算法比现有基于划分的大规模数据处理算法具有更好的性能。     

#br# 基于自组合核的增量分类方法

在线极端学习机(online sequential extreme learning machine,OSELM)模型在解决动态数据实时分类问题时,无需批量计算,仅保留前一时刻训练模型,根据当前时刻样本调整原有模型即可。然而,该增量方法在离线训练阶段随机指定隐层神经元使模型鲁棒性差,且求解过程难以拓展于核方法,降低了分类效果。针对上述问题,提出一种基于自组合核的在线极端学习机(self compounding kernel online sequential extreme learning machine,SCK OSELM)模型。首先,提出一种新的自组合核(self compounding kernel,SCK)方法,构建样本不同核空间的非线性特征组合,该方法可被应用于其他监督核方法中。其次,以稀疏贝叶斯为理论基础将训练数据的先验分布作为模型权值引入,并利用超参调整权值后验分布,从而达到对当前时间点参数稀疏的目的。最后,将稀疏得到的参数并入下一时刻运算。对动态数据的实时分类实验表明,该方法是一种有效的增量学习算法。相比于OSELM,该方法在解决动态数据实时分类问题时获得更稳定、准确的分类效果。     

一种基于核独立元分析的非线性过程监控方法

独立元分析(ICA)在线性过程监控中得到了成功的应用,但是实际工业过程大部分是非线性的.在利用核ICA(KICA)建立过程非线性模型的基础上,根据核技巧,给出了一种高维空间分离矩阵的排序和独立元个数的选择方法,并将监控指标扩展到高雏空间,从而提出-种基于KICA的非线性过程监控方法,解决了ICA对非线性过程监控效果不理想的缺点.以田纳西一伊斯曼过程(TE过程)为例,对比了KICA与ICA的监控效果,结果证明了该方法的优越性.     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。