基于PCE方法的无人机轨迹规划与分析

针对无人机轨迹规划过程中不确定因素的特点,提出了一种利用多项式混沌展开(polynomial chaosexpansion,PCE),并获得基于人工势能法的模型最优参数的无人机轨迹规划方法。通过建立PCE代理模型,利用随机配置点法进行快速求解,规避了对已有的最优控制模型直接优化带来的计算资源不足的问题;通过Sobol灵敏度分析,减少不确定性参数在轨迹规划模型中的计算量;通过无人机轨迹规划案例,证明了方法的有效性。仿真结果表明:该方法与经典的人工势能模型相比,增加了不确定性分析,提高了模型计算效率。     

基于预测模型的虚拟试验灵敏度分析

虚拟试验灵敏度分析技术研究虚拟试验输入参数不确定性对输出结果不确定性的影响程度,进而确定某些输入参数需引起重点关注.针对包含运行耗时仿真模型的虚拟试验,以概率分布描述输入参数不确定性,方差作为灵敏度指标,结合试验设计方法与贝叶斯理论建立虚拟试验预测模型,基于预测模型推导灵敏度指数后验均值的分布函数.测试算例表明本文提出的灵敏度分析方法大大减少仿真模型运行次数,效率较高.     

基于T-S模型的非线性系统的迭代学习控制

针对T-s模糊系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法.该方法首先推导了T-S模糊全局系统的等价系统,然后利用正交多项式级数展开技术和其积分运算矩阵,将等价系统的微分方程转化为代数方程.在此基础上,用迭代学习的方式来修正输入量的正交多项式系数.所得算法对于具有任意相对阶的非线性系统,可用输出误差信号本身来构造学习律.仿真实例表明了新算法的有效性.     

检测多项式相位信号的时频综合方法

多项式威格纳分布是一种高精度的多项式相位信号检测方法,但是对噪声敏感,多信号情况下受交叉项困扰。而短时傅里叶变换对噪声不敏感,没有交叉项问题,但时频分辨率较低。首先构造了一组高效6阶多项式威格纳分布,将多项式威格纳分布与短时傅里叶变换的结果按照"与"操作和"滤波"操作相综合,得到高分辨的多项式相位信号时频分布。仿真结果表明,不同时频分析方法综合能够在低信噪比的条件下检测到多项式相位信号。     

基于代数神经网络的分圆多项式判定及学习算法

首先对MP神经元进行推广 ,给出了一元多项式代数神经元、一元多项式代数神经网络 ,设计出一类用于一元多项式二元运算的神经元模型 ,它是单输入单输出的 3层多项式神经网络 ,给出了两种用于判定一多项式为分圆多项式的神经网络模型及学习算法 ,把判定一多项式为分圆多项式转化成线性方程组求解问题 ,通过算例说明了该方法的有效性。     

随机和认知混合不确定系统的全局灵敏度分析方法

为计算具有随机不确定性和认知不确定性的混合不确定系统灵敏度,提出一种基于证据理论和条件概率理论的全局灵敏度分析方法.用证据理论对认知不确定性变量进行表征,并提出两种基于证据理论的随机采样方法,包括一次随机抽样法和二次随机抽样法.运用条件概率理论,提出存在认知不确定性条件下混合不确定系统的Sobol'全局灵敏度指标,经过理论推导给出一阶灵敏度及总灵敏度的计算公式,并设置单循环的拟蒙特卡罗方法实现灵敏度的近似数值计算.开发了灵敏度分析程序,并给出了典型应用实例.实例表明,新方法的分析结果正确,计算工作量可控.     

基于多项式网络的空袭目标类型识别模型

给出了进行目标类型识别的指标集 ,建立了基于多项式前向神经网络识别模型。该模型具有三层结构 ,隐层、输出层分别采用多项式函数和线性函数作为激活函数 ;隐层 输出层的权值用最速下降法学习 ,输入层 隐层的权值用遗传算法进行学习。实例表明该模型是可行的。     

一类基于半自由处置变量的DEA模型

首先基于具有多输入(或输出)的决策单元的实际背景,将输入(或输出)变量区分为自由处置变量、非自由处置变量和半自由处置变量,并建立新DEA模型.新DEA模型既考虑被评决策单元在进行效率评价时,根据自身实际需要对不同输入(或输出)变量进行不同比例的分项控制,又考虑非有效的决策单元在效率改善时,使DEA评价结果形成的建议是切实可行的.最后通过商业银行数据以演示新模型.     

基于多层稀疏先验的回归样条变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量。因此,筛选出对输出有重大影响的输入变量显得至关重要。针对计算机试验的变量选择问题,提出一种基于贝叶斯多层稀疏先验的回归样条变量选择算法。新算法能够同时进行非重要输入变量的自动删除和重要输入变量系数的自适应估计。不同于计算机试验中已有的变量选择算法,新算法不需要调节控制稀疏性的超参数。通过快速算法进行数值求解,试验结果表明：新算法不仅能够更精确地实现变量选取,而且能够大大地降低计算复杂度。     

基于NSTPNT的风电系统可靠性对风电预测误差灵敏度

研究电力系统可靠性对风电预测误差的灵敏度,量化风电预测误差对可靠性的影响,可为风电并网系统的优化调度与备用规划提供参考依据.实际风电预测误差的分布未知,给灵敏度计算带来困难.本文首次提出非标准三阶多项式正态变换方法,推导非标准正态假设下多项式系数的解析表达式,实现将风电预测误差转换为同期望,标准差正态随机变量的多项式形式.将转换后的风电预测误差,代入含备用最优负荷削减模型,评估风电系统可靠性.提出可靠性指标对风电预测误差期望,标准差的灵敏度解析算法.算例验证了非标准三阶多项式正态变换方法与预测误差分布参数可靠性灵敏度算法的准确性.分析备用容量与标准差变化对预测误差可靠性灵敏度的影响.     

光滑支持向量机多项式函数的研究

为了找到多项式光滑支持向量机(polynomial smooth support vector machine,PSSVM)中性能更好的光滑函数,将正号函数变形并展开为多项式级数,得到一类光滑函数。证明了这类函数的性能,它既能满足任意阶光滑的要求,也能达到任意给定的逼近精度。用Newton-Armijo算法求解相应的PSSVM模型,实验结果表明,随着多项式光滑函数阶数的提高,逼近精度和相应PSSVM模型的分类性能也相应提高。     

基于正交试验的元模型输入参数筛选方法

输入参数筛选工作可有效降低元模型的构建维度.针对传统的灵敏度分析方法应用于元模型输入参数筛选时,存在的难以获取原始模型解析模型和难以反映多输入参数综合影响的两个突出问题,为准确筛选出对元模型输出参数影响显著的输入参数,提出了基于正交试验设计的元模型输入参数筛选方法,该方法结合正交表构造方法,综合运用极差分析、方差分析、输出参数变化趋势三种方法综合研究原始模型型输入参数对输出参数的影响程度.最后以螺线管制动器激励电流元模型的构建为案例,介绍了输入参数筛选方法的应用过程.结果表明,该方法可有效减少元模型输入参数的数量.     

多项式模型磁流变减振器半主动悬架滑模控制

为建立既能精确地表达磁流变减振器非线性特性,又便于实施控制的力学模型,利用试验数据拟合了多项式模型,并设计了一个不需测量路面输入信号的模型参考滑模控制器.对磁流变减振器进行了特性试验,采用优化的方法对试验数据进行拟合,利用此模型可在开环控制下获得所需的阻尼力,预测值与试验数据吻合较好.控制器用等速趋近率改善滑模运动段的动态品质,将多项式模型的磁流变减振器结合到控制器的仿真计算中,结果证实了其有效性.     

用于离散变量因果分析的贝叶斯网络学习

针对现有基于贝叶斯网络离散变量因果分析方法具有低效率和局限性等问题.使用依赖分析方法建立贝叶斯网络骨架,结合碰撞识别方法、变量之间的预测能力和描述长度极小准则确定边的因果方向,进行具有多项式复杂度的离散变量因果贝叶斯网络学习来避免这些问题,并给出了因果贝叶斯网络中定量因果信息传递计算方法.同时,针对小样本情况建立了因果最大似然树学习方法.     

基于范数的基本输入变量重要度排序的计算策略

针对Borgonovo基本输入变量重要度中概率密度函数积分不易求解的缺陷,基于重要度定义将范数的概念引入灵敏度分析中的重要度排序分析领域,提出一种新的基本输入变量重要度排序的计算策略,并为该计算策略选择了若干等价范数,从而避免求解积分的困难.该方法将所求积分用其等价范数进行替代,同时采用适用性更加广泛的一种正则化基本输入变量重要度的计算方法.从理论上讲,该计算策略能够为重要度排序计算提供多种等价范数形式.从所提计算策略与Borgonovo方法、Liu方法的比较可以看出:所提方法是三种方法中最简单有效的.最后,给出两个算例来说明所提方法的可行性.     

基于EMD-WA模型的BDI指数波动周期特征研究

运用结合EMD分解和小波分析构建的EMD-WA模型,分析了国际干散货市场BDI指数的波动周期特征.通过EMD方法对BDI指数序列进行分解,针对分解出的本征模函数的均值、方差比和周期三个方面的特点,将不同频率的IMF进行分类重构,最后通过小波分析方法得到重构序列的主周期情况,并对结果做进一步分析.研究结果表明:一是BDI序列可以分解为随机波动项、周期波动项和趋势项三部分:二是季节性波动周期长度约为1年(0.88年),短周期长度约为4年(3.70年),中周期长度约为10年(9.96年);三是BDI序列周期特别是短周期呈明显4年到2年的缩短趋势;四是突出分析了重大事件与中、长周期紧密联系.     

输入和输出DEA模型中弱DEA有效与弱Pareto之间的等价性

使用带有三个双变量 0 -1参数的综合 DEA模型 ,讨论了弱 Pareto和输入 DEA模型 (包括 C2 R输入模型、BC2 输入模型、FG输入模型、ST输入模型 )、输出 DEA模型 (包括 C2 R输出模型、BC2 输出模型、FG输出模型、ST输出模型 )之下的弱 DEA有效之间的等价性 .这些结果对于理解和解释输入 DEA模型和输出 DEA模型之下的弱 DEA有效性的概念是很重要的 .     

基于Jeffreys非信息超先验的贝叶斯变量选择算法

在计算机试验中,复杂现象的仿真拥有数目庞大的输入变量,因此,筛选出对输出影响重要的输入变量是至关重要的。我们通过Jeffreys非信息超先验,提出了一种新的贝叶斯变量选择算法。不同于计算机试验中存在的变量选择算法,我们的方法不需要调节控制稀疏性的超参数。新的变量选择方法通过EM（expectation-maximization）算法求解,试验结果表明,我们的方法不仅取得了理想的效果,而且大大地减少了计算的负担。     

基于空间约束加权条件稀疏表示高光谱图像分类

为了充分利用稀疏表示分类信息和高光谱图像的空间信息,提出结合马尔可夫随机场的加权条件稀疏表示高光谱图像分类算法。该算法对稀疏表示分解后的残差向量建立条件稀疏表示模型,在计算残差向量的类别归属时引入频段方差信息;利用光谱信息散度从信息熵的角度挖掘重构光谱中的类别鉴定信息;在期望最大化算法模型中,将条件稀疏模型与光谱信息散度模型相结合,使算法具备迭代自更新的能力;将马尔可夫随机场引入加权条件稀疏表示算法,在算法时间复杂度不变的情况下,对高光谱图像的空间信息予以提取。仿真结果表明,该算法能够有效地提高分类精度,且在不同试验数据下具备良好的稳定性。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。