基于ADL-GARCH的电价预测模型及其应用

根据电价序列的特点,首先利用动态计量经济理论构建出一般的自回归分布滞后ADL模型,通过检验统计量修正得到ARMA短期电价预测模型,然后对ARMA模型进行GARCH效应检验,最后根据检验结果构建出ARMA-GARCH的短期电价预测模型.利用新模型对美国加州电力市场的电价进行短期预测,结果表明,新模型能够有效地跟踪实际电价变化的趋势,具有较高的预测精度和良好的适应性.     

考虑响应共变特性的多响应稳健参数设计

针对响应共变特性的稳健参数设计问题,在多任务高斯过程(multi-task Gaussian processes,MTGP)建模框架下,结合质量损失函数和考虑响应不确定性的优化函数构建了一个考虑输出响应不确定性的MTGP(uncertainty of MTGP,UNMTGP)优化模型。首先,利用MTGP模型拟合实验数据,构建考虑响应间共变特性对优化结果影响的多元高斯模型。其次,提出考虑输出响应不确定性的优化目标函数,构建多响应稳健优化模型。最后,结合全局优化方法,获得最优参数设计。此外,结合真实案例,利用质量损失函数的相关评价指标,论证所提方法的有效性。结果表明,所提方法考虑了响应共变特性和输出响应不确定性对优化结果的影响,有效改善了模型的预测质量,提升了输出响应的稳健性。     

非正态响应的部分因子试验设计与仿真分析

讨论了非正态响应试验设计中广泛应用的广义线性模型,针对小样本的部分因子试验设计,运用MCMC方法模拟出广义线性模型各参数后验分布的马尔科夫链,提出了根据各参数大于零或小于零的后验概率识别显著性因子的新方法。通过部分因子试验的仿真数据利用SAS软件对GLM进行贝叶斯分析,结果表明基于MCMC模拟的GLM贝叶斯分析方法能有效地识别出部分因子试验设计中的显著性因子。     

参数未知自相关过程的自适应边界调整策略

针对参数未知的自相关过程的质量控制问题,研究了每次调整成本固定下的自适应调整策略。建立了过程的状态空间方程模型以及未知参数的贝叶斯模糊先验分布,利用序贯蒙特卡洛法估计未知参数值进而得到了过程每个阶段的调整边界线,从而确定使过程总体损失最小的边界调整策略;给出了基于序贯蒙特卡洛法的边界调整策略的算法步骤,并通过算例验证了调整策略的有效性。结果表明,该调整策略具有较好的调整效果。     

基于GLM的双响应曲面法及其稳健设计

针对非正态响应的稳健设计,首先在均值与散度的联合广义线性模型基础上构建了基于广义线性模型(generalized linear model, GLM)的双响应曲面模型。然后,鉴于所构建的双响应曲面模型为高度复杂的非线性函数,运用遗传算法与模式搜索的混合算法对其进行参数优化,获得可控因子的最佳参数设计值。最后,运用所提出方法对某测试晶片电阻率的参数设计进行了分析。研究结果表明,该方法能有效地减少测试晶片电阻率的质量波动,提高了产品质量的稳健性。     

动态多响应系统的稳健参数设计

针对动态多响应之间的相关性及试验设计的信息不确定性, 提出了一种动态多响应系统的稳健参数设计方法. 首先, 利用满意度函数对动态系统的敏感度和波动分别进行了度量, 在此基础上进行了主成分分析; 其次, 采用灰色关联分析得到主成分序列与其理想序列的灰色关联度, 然后通过TOPSIS方法转换得到综合灰色关联度, 并根据综合灰色关联度确定可控因子的最优水平组合; 最后, 通过两个实例说明了该方法的有效性与优越性.     

基于Kriging模型的稳健参数设计

针对复杂工程系统中的稳健参数优化问题,提出了一种新的基于Kriging代理模型的序贯优化设计方法。首先,用Kriging模型预测均值的最小值,代替真实观测的最小响应值来考虑噪声;然后,对该加点准则的预测方差进行修正,使其在足够的样本量下能够收敛;最后,通过经典的低维、高维非线性数值算例和工程算例来验证所提方法的有效性。验证结果表明,与已有的传统加点准则相比,所提方法能以更少的加点次数获得更好的全局解,具有更强的全局寻优能力和稳健性。     

基于高斯过程模型的时空响应稳健参数设计

针对大规模时空数据的稳健参数设计问题,将快速不可分离高斯过程(fast nonseparable Gaussian process, FNSGP)模型与多元质量损失函数相结合,建立一个新的优化方案.首先,在考虑空间与时间相关性的条件下,使用FNSGP模型构建输入因子与质量特性之间的响应曲面,并采用前向滤波和后向平滑的快速、精确算法对模型进行估计和预测;其次,基于信噪比计算时空响应的联合损失权重,构造多元质量损失函数;然后,结合多元质量损失函数建立两阶段参数优化方案;最后,利用非线性优化算法寻找空间与时间因子的联合最优参数设计值.研究结果表明,本文所提方法可以有效地处理大规模时空数据的元建模与稳健参数设计问题,与可分离高斯过程、线性回归、随机森林等替代方法相比能够获得更为稳健的优化结果.     

多响应三水平部分因子试验设计的建模与优化

针对多响应三水平部分因子试验,当筛选试验中候选变量个数大于试验样本数时,本文提出了一种考虑因子效应原则的建模与优化方法.首先,构建三水平对照试验,并结合二元变量指示器构建Bayesian Lasso模型;其次,根据因子效应原则,分三个阶段逐步更新二元变量指示器的先验信息,并利用变量指示器的后验概率来识别显著性变量,确定模型结构;然后,在此基础上结合贝叶斯抽样技术构建多变量过程能力指数函数,并通过最大化该函数获得最佳的参数设计值;最后,实际案例的结果表明:本文所提方法不仅能够有效地筛选出多响应三水平部分因子试验的显著性变量,而且能够获得最佳的参数设计值.     

两阶段的贝叶斯模型选择与筛选试验分析

针对非正态响应的部分因子试验设计,当筛选试验所涉及的因子数目较大时,提出了一种两阶段的贝叶斯模型选择方法.首先,运用蒙特卡洛(MCMC)方法模拟广义线性模型各参数的后验分布,并根据各参数大于零或小于零的后验概率考察各变量的显著性,得到初始的当前模型与候选模型;其次,利用贝叶斯模型评估准则DIC对当前模型与候选模型进行逐步迭代优化,筛选出显著性因子,得到了具有最佳短期预测性能的模型;最后,实际的工业案例说明此方法能够有效处理非正态响应部分因子试验中显著性因子筛选问题.