静电场问题的等几何分析方法

等几何分析方法是一种新型的数值方法,它将几何模型和计算模型统一起来,从而消除了传统方法中二次建模的冗余过程,同时也消除了网格离散过程中几何模型和计算模型的非一致性.将此方法扩展到静电场问题,利用几何等参思想构造域内变量场分布,通过加权余量法将控制微分方程弱化为等几何离散方程,对于强制边界条件,通过分组的方式得以施加.将矩形域内静电场问题的计算结果和传统的有限元方法比较,结果表明此方法具有自由度少、精度高、收敛速度快的优点,可以应用其求解椭圆微带线的特征阻抗.     

LASSO回归和支持向量回归耦合的中长期径流预报

同样预报精度情况下,中长期径流预报提前期越长,对水库调度方案与发电计划的制定辅助决策作用效果更强.中长期径流预报的难点在于径流序列的随机性以及相应预见期的气象难以可靠预报.当前的预报模型大都是基于数据分析的数据驱动模型,其输入因子多为前期径流和大尺度气候因子.而预报因子的选择对于数据驱动模型的精度非常关键.因此,需要有效的因子筛选方法以辅助建模.本文引入lasso回归方法以筛选径流预报因子,其选择结果作为支持向量回归(SVR)模型中的预报因子,形成LASSO回归和支持向量回归耦合(LSVR)模型,并将LSVR模型应用到龙羊峡水库进行预见期为一个月的入库径流预报,并与传统SVR模型预报结果进行对比.结果表明,径流因子的选择对两种模型的预报效果都有较大的影响,过多引入前期径流因子时预报效果较差.两种模型的预报结果对比表明,LSVR模型能够增强有益预报因子的作用,减弱干扰因子的影响,在验证期和测试期的预报结果都好于SVR模型的.在2010年1月到2016年10月的82个月的测试期中,LSVR模型的4项评价指标相比SVR模型都有所提升,其中均方误差(MSE)比SVR模型减小了13.09%.     

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .     

一类幂律图模型

基于混合依顶点度择优和均匀选择顶点两种连边方式,建立了一类随机图演化模型,证明了该混合模型的度分布遵循幂律.注意到均匀选择顶点连边的随机图模型的度分布服从几何分布,文中结果表明,混合模型中择优连接方式对度分布尾部的影响居于主导地位.     

一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

基于TSA-PSO-SVR算法在碳期货价格中的预测研究

针对支持向量回归(SVR)模型参数选择困难以及在碳期货价格预测中模型误差高的问题,提出一种基于改进粒子群算法-支持向量回归(TSA-PSO-SVR)的期货价格预测模型.通过改进粒子群算法惯性权重实现局部搜索和全局搜索能力的平衡,引入被囊群算法(TSA)对粒子群位置更新公式进行优化,利用改进的粒子群算法(TSA-PSO)找出最优参数有效解决支持向量回归参数选择盲目性的问题;将得到的最优参数应用于期货价格预测模型.选取福建碳交易市场的碳交易价格进行预测,与支持向量回归(SVR)、差分自回归移动平均模型(ARIMA)、长短期记忆模型(LSTM)模型作对比,实验结果表明TSA-PSO-SVR模型有效克服了高预测误差和参数选择随机性的问题,并具有较高的泛化能力.     

微滴撞击织物表面沉积过程建模研究

为明确微滴与织物表面的碰触、铺展及渗透机理,基于最小势能原理,得到了纱线的中心线模型,通过研究纤维在纱线截面内的分布规律以及纤维体积分数的计算方法,建立了织物单胞的二维几何模型.在上述建立的织物模型基础上,依据流体体积(volume of fluid,VOF)两相流模型,建立了单颗微滴撞击织物表面后沉积变形的模型.利用所建立的模型,进行微滴与织物基底的碰撞及渗透过程仿真研究,并将模拟过程与试验进行对比.结果表明,所建模型可实现对微滴在织物基底的碰撞及渗透过程的模拟,整个过程与试验结果吻合较好.该研究方法与结果为后续不同工艺参数下微滴在织物表面沉积过程的研究奠定了基础.     

基于运行状态信息的数控珩磨机液压系统可靠性预测方法

针对常规的可靠性预测方法无法实现对数控珩磨机液压系统可靠性进行有效预测的缺点,提出了一种基于运行状态信息及支持向量回归(SVR)的数控珩磨机液压系统可靠性预测方法.该方法主要包括状态特征指标的选取、瞬时可靠度的计算以及SVR预测模型的建立.为实现对SVR预测模型的有效解算,分别采用遗传算法(GA)、粒子群算法(PSO)和混合算法实现对SVR模型的核参数的寻优计算,并比较了3种方法下SVR模型的瞬时可靠度预测精度.实例仿真结果表明,与GA及混合算法相比,采用PSO算法来解算SVR预测模型能够得到更优的数控珩磨机液压系统的可靠性预测精度.     

多孔介质中Sisko非牛顿流体流动特性的分形研究

研究了多孔介质中Sisko非牛顿流体的渗流特性.基于服从分形分布的弯曲毛细管束模型,运用分形几何理论推导出了该流体在多孔介质中的流量和平均流速的分形解析解,从而实现了对Sisko流体在多孔介质中的流动特性与多孔介质的微结构参数相互关系的定量描述,解析表达式中的每一个参数都具有明确的物理意义.研究所得分形模型有助于深刻理解Sisko等非牛顿流体在多孔介质内流动的物理机理.     

基于二次互信息的特征选择算法

将二次互信息(mutual information)用作模式分类问题中特征选择的准则,分析了该准则在再生核希尔伯特空间中的几何意义.在二次互信息准则基础上,提出了基于Parzen窗密度估计和后向删除策略的特征选择算法PW-QMI,同时针对大规模数据集的情况给出了基于高斯混合模型的算法GMM-QMI,以减小算法的计算复杂度.通过与相关度算法和SVM-RFE算法的实验比较,证明了该算法在特征选择问题上具有更为稳定的性能.     

基于优化SVR模型的大跨度样本疲劳寿命预测

针对传统方法在大跨度、小样本情况下的疲劳寿命预测准确率不高的问题,研究基于优化SVR模型的寿命预测方法.根据大跨度样本的特点,提出有效的预处理方法、SVR模型的训练方法及参数优化准则.以LY12CZ(2A12)铝合金疲劳寿命预测为实例,分析了高斯核函数、多项式核函数及多层感知核函数对SVR模型训练误差的影响.结果表明高斯核函数更适用于SVR模型的训练,并通过细菌觅食算法对核参数γ及惩罚因子C进行优化选取,LY12CZ(2A12)铝合金疲劳寿命预测结果验证了该方法的有效性.     

双向极值收敛法研究空间任意交角下RSSR机构的曲柄存在条件

应用双向极值收敛法，研究在空间任意交角情况下，ＲＳＳＲ机构的曲柄存在条件和运动范围，并以几何方法求解双向极值，也可以编成程序作精确计算．     

一种软计算混合策略在多相催化剂建模与预测中的应用

为了减少发现新的碳一多相催化剂的时间、降低消耗,加速二甲醚合成工业化进程,提出一种新的软计算混合策略并应用于碳一多相催化剂建模与预测研究。支持向量回归机(Support Vector Regression,SVR)作为一种新的机器学习算法,能较好地解决小样本、高维、非线性和局部极小点等实际问题,在混合策略中被用于多相催化剂组分模型的开发。SVR模型的超参数选择采用启发式全局优化搜索算法——自适应混沌粒子群算法来提高SVR模型的预测精度和泛化能力。新策略的主要优势是在反应机理未知或难以获取的情况下,建模完全由历史进程的少量样本空间完成,避免了传统催化剂研发过程中"试错实验"的盲目性和偶然性。通过对两种不同建模方法、三种不同SVR超参数优化策略在Cu-Zn-Al-Zr合成二甲醚催化剂组分模型中的对比研究得出,新策略在多相催化剂建模与预测上是一个有前途的发展方向。     

独立成分分析-支持向量机回归模型及其在近红外光谱分析中的应用

首先采用独立成分分析(ICA)提取近红外光谱数据矩阵的独立成分和相应的混合矩阵,然后用支持向量机回归(SVR)对混合矩阵和实测浓度矩阵进行建模,建立了独立成分分析-支持向量机回归(ICA SVR)的近红外分析建模方法.结果表明,ICA SVR模型的预测结果明显优于SVR和偏最小二乘法(PLS)方法,方法用于肉样品中水分、脂肪和蛋白质的同时测定,获得了满意的结果.     

GMD V-BLAST系统天线选择

基于最大容量和最小差错率准则,研究了在GMD V-BLAST系统中的天线选择问题.选用以信道矩阵非零奇异值的几何均值最大化为目标函数,可以避免容量与差错率性能之间的矛盾.在所有可用天线中进行选择的全搜索算法虽有最佳性能,但复杂度太高.基于贪婪算法,对发射天线采用快速的逐增选择策略.对接收天线采用快速的逐减选择策略,可以显著降低计算的复杂性.计算机仿真结果表明,所采用的快速天线选择算法可以较低的复杂度获得接近全搜索法的容量和分集增益.     

应用子空间信息准则选择模型参数

指出子空间信息准则是模型选择的一种新准则,它在一些假设条件下,给出推广误差的一种无偏估计.研究再生核Hilbert空间中,应用子空间信息准则于模型参数选择问题,证明子空间信息准则是推广误差的一种无偏估计,同时说明学习算法有较好的推广能力.     

金融市场中的交互信息

在金融市场应用方面强调了在构造状态空间时选择最佳时间延滞的重要性,选择时间延滞的单值系统方法具有局限性,分析金融时间序列需要一个测量相关性更一般的方法,运用交互信息准则测量相关性,提出了基于金融时间序列的交互信息准则的新方法,当金融时间序列为高斯分布,选择时间延滞的两种方法具有相同的结果。     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

一种基于支持向量回归的发动机振动监控方法

基于某型飞机FDR记录的飞行数据,采用支持向量回归(SVR)方法,建立了航空发动机振动的初始状态辨识模型。通过监控模型输出值与实际值之间偏差的大小,确定发动机是否发生异常振动。根据实际的振动故障样本给出了故障监控的偏差参考门限。现有的振动故障样本验证了本方法的有效性。