含过程噪声的Hammerstein-Wiener神经模糊模型多信号源辨识

提出一种在过程噪声干扰下基于偏差补偿递推最小二乘法的Hammerstein-Wiener神经模糊模型多信号源辨识方法.通过三阶段组合式多源信号,实现了过程噪声干扰下HammersteinWiener模型中输入静态非线性环节、动态线性环节以及输出静态非线性环节的分离,提高了各串联环节模型参数的分离精度,避免了传统迭代分离方法中模型参数的收敛问题.在此基础上,利用补偿原理,提出基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型参数辨识方法,通过在递推最小二乘算法中引入修正项来补偿过程噪声引起的估计偏差,实现了模型参数的无偏估计.理论分析与仿真实验的结果表明,所提出的方法具有较好的有效性.     

增删数据场合最小二乘估计算法的比较研究

给出了增删数据场合多元线性回归模型参数最小二乘估计的两种算法-递推算法和Givens变换法,二者都利用已有的结果,减少计算量.递推算法给出预测误差的关系式,可直接比较预测误差大小;Givens变换法不能直接导出预测误差的关系式,但更容易算出残差平方和,可通过比较残差平方和大小比较增删数据前后参数估计的好坏.     

多变量CAR模型的递推辨识

将加权最小二乘法和限定记忆两种参数估计方法相综合，给出了多变量系统带控制输入的自回归模型未知参数的递推估计算法，该估计算法是前两种估计方法在多输入多输出MIMO系统的推广。     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

带有线性测量误差的半参数EV模型的估计

研究一类带有线性测量误差的半参数EV模型的估计问题.通过综合利用核光滑方法、修正最小二乘法和广义最小二乘法给出未知参数和未知函数的估计.在一般条件下,证明了未知参数估计的渐近正态性并给出了未知函数估计的收敛速度.     

解决非线性最小二乘问题的两种方法

给出非线性最小二乘问题的两种计算方法，利用非线性最小二乘法处理化学过程产量问题，得到非线性估计参数。结果表明：非线性最小二乘法收敛性较好，残差平方和较小。     

几类非线性回归模型的LS估计与非线性度量

研究了一类推广的非线性回归模型的最小二乘估计,证明了其收敛性,并推广到不满足高斯–马尔可夫条件的情形。研讨了几类特殊的部分非线性回归模型的参数估计及非线性程度度量,探讨了参数最小二乘估计求法中迭代初值的选取,提出了改进方向。     

广义对角岭型估计类

提出了具有岭型形式的一类回归系数的参数估计--广义对角岭型估计类.在线性模型的典则形式下此估计类仍是最小二乘估计的一个线性变换,具有有偏性和压缩性.同时还讨论了它的均方误差的形式,证明了在均方误差意义下,在某个椭球范围内它优于最小二乘估计,得到了该估计类的残差平方和的一个简单形式.最后指出该估计类其实是具有岭型形式估计类的统一形式.     

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.     

增广最小二乘限定记忆参数估计算法与仿真

最小二乘法可用于动态系统、静态系统、线性系统和非线性系统的参数估计,可用于离线估计,也可用于在线估计;文章在增广最小二乘递推算法的基础上引入限定记忆方式,获得了增广最小二乘限定记忆参数估计递推算法(RFMELS),解决了增广最小二乘递推算法的数据饱和问题,仿真结果表明了RFMELS算法的有效性.     

具有未知输入非线性系统的自适应观测器设计

针对具有未知输入和传感器噪声的的非线性系统,讨论了基于T-S(Takagi-Sugeno)模型的未知输入观测器设计方法.首先,给出了基于非线性系统构造T-S模型系数矩阵的计算方法.然后,以T-S模型作为设计模型,通过扩展传感器噪声为辅助状态向量的方式,将系统扩展为增维系统.继而,针对T-S模型,设计模糊自适应观测器以达到对非线性系统状态,未知输入和传感器噪声同时估计之目的.为此,基于线性矩阵不等式,给出了观测器存在的充分性条件.最后,通过实例仿真验证了此方法的有效性.     

基于小波分解和支持向量机的ENSO预测试验

为了改善ENSO的预测效果,基于Nino综合区的海温距平时间序列,采用小波分解和最小二乘支持向量机结合的方法,引入多步递阶预测的思想,建立ENSO的预测模型.试验结果表明:基于小波分解和最小二乘支持向量机结合的多步预测方法,可以有效提高ENSO的预报精度.同时,该模型具有同时得到不同时效的预测结果,建模方便,计算效率高...     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

针对逃逸目标的多机协同围捕策略研究

针对多无人机对入侵飞行器的协同追踪围捕控制问题,将自然界中生物群落在捕捉猎物时展现的逃逸-围捕策略引入到多无人机协同作战研究中,设计了一种多无人机协同围捕逃逸目标策略。该策略由2个阶段组成,第1阶段使用基于动态反馈线性化的控制方法准确跟踪逃逸目标,第2阶段使用李雅普诺夫矢量场方法。该方法可以保障多无人机在围捕飞行中躲避敌方防空力量、雷达探测等危险区域。仿真结果验证了所设计的策略在多无人机围捕和阻止目标逃逸场景中的可行性与有效性。     

一种基于多分类器协同训练的网络异常检测方法

基于机器学习的网络异常检测方法是入侵检测领域的重要研究内容.传统的机器学习方法需要大量的已标记样本对分类器进行训练,然而已标记样本通常较难获取,导致分类器训练困难;此外单分类器训练面临难以消除的分类偏向性和检测孔洞.针对上述问题,本文提出了一种基于多分类器协同训练的异常检测方法MCAD,该方法利用少量的已标记样本和大量的未标记样本对多个分类器进行协同训练,以减少分类的偏向性和检测孔洞.对比实验采用经典的网络异常检测数据集KDD CUP99对MCAD的异常检测性能进行验证。实验结果表明,MCAD有效地降低了检测器训练代价,提高了网络异常检测性能.     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

一种基于陀螺仪优化参数的视频校准方法

对卷帘快门相机拍摄的视频序列中运动目标产生的图形畸变进行校正,校正参数由时间来限制与补偿,并考虑了相机与陀螺仪的相对位置以及陀螺仪偏差等因素。采用非线性最小二乘优化来估计参数,使用对称传输函数作为成本函数。初始化了相对位置与时间补偿,并提出一个稳定的误差范数来剔除异常值。将模型应用于搭载陀螺仪的卷帘快门相机所拍摄的视频,通过参数的初始化校准,得到的稳定参数可以有效地校正视频。实验表明,该方法适用于不同的运动模式以及残差矢量,并且误差范数的选择对结果的精确性有较大的影响。     

线性模型中几个有偏估计的改进

对线性模型中回归系数的Stein型估计,双h类估计和双l类估计作了改进,使得它们在设计阵的任何情形下都能一致优于最小二乘估计。     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

一类非线性弱奇异积分不等式组中未知函数的估计

研究了一类二维非线性弱奇异积分不等式组.该不等式组积分号外有不同的非常数函数因子,不能用向量形式的Gronwall-Bellman型积分不等式进行估计.利用H?lder积分不等式、 Gamma函数和Beta函数把弱奇异非线性积分问题转化成没有奇异的非线性积分问题,利用Bernoulli不等式把非线性问题转化成线性问题,利用变量替换技巧和放大技巧研究只含有一个未知函数的积分不等式,接着给出不等式组中两个未知函数的估计.该结果可用于研究积分、微分动力系统解的估计.