基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法.对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型.各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型.通过实例仿真,结果验证了所提出方法的有效性.     

基于支持向量机的体数据分类算法研究

在由工业CT图像构成的体数据中,低密度材质的灰度与背景及伪影的灰度接近,影响了分类的准确性,进而影响体绘制的结果.针对这一问题,提出了一种基于支持向量机的体数据分类算法.首先以体素的灰度、梯度、局部直方图的熵和矩为样本特征进行训练,得到决策函数,并通过决策函数对体数据进行类别标记,再将具有相同标记的体素的灰度值变换到指定的灰度区间,最后利用阻光度传递函数对体素进行阻光度赋值,完成体数据的分类.实验结果表明,所提出的算法较好的实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸.     

脑-机接口中时变公共空间滤波器的研究

为了提高分类识别率,提出了-种新的公共空间算法一时变空间滤波算法.该算法中,公共空间滤波器的值不再是常数,而将随着时闸而变化,它能够有效提高任务的识别率.首先给出公共空间模型的数学公式,然后进行时变公共空间滤波器的数学求解,试验结果表明时变公共空间滤波器在BCI的实用性,能够达到很好的识别效果.     

考虑尾时间的同类机调度问题可变邻域搜索算法

研究了目标函数是最小化最大完工时间的同类机调度问题,其中作业具有尾时间.此问题等价于最小化最大延迟时间的同类机问题,并被证明是NP-hard问题.为此问题构造了一种启发式算法LPDT,进而以LPDT算法求解结果为初始解构造了问题的可变邻域搜索算法LPDT-VNS.大量的随机数据实验用于验证算法的性能和效率.     

武器装备体系作战能力聚合的类元胞机模型研究

传统以“平台”或“系统”为中心的作战能力线性聚合计算,无法反映武器装备体系的整体涌现性。在元胞自动机的基础上,结合作战能力聚合的应用实际,将元胞的状态拓展到连续的数值空间上,提出了武器装备体系作战能力聚合的类元胞机模型。建立武器装备体系作战能力的空间结构;以单项作战能力为元胞个体,所有作战能力共同构成元胞的空间结构,建立武器装备体系作战能力聚合的类元胞机模型;通过微观的元胞个体演化,凸显出宏观的武器装备体系作战能力的整体效果。通过某数字化部队武器装备体系作战能力聚合的对比实验,实验结果表明了该模型具有一定的有效性。     

基于多信息融合的海洋监视卫星侦察效能分析

基于多探测器数据融合,提出了一种应用于海洋监视卫星截获概率与目标识别分析的研究方法。建立了基于多维信息融合的截获概率理论模型,并开展了基于假定战场场景的数值仿真,仿真结果表明联合成像侦察、雷达侦察和通信侦察,可以提高对目标的截获概率;采取支持向量机方法进行了多维信息融合,融合结果表明联合成像侦察和通信侦察可以实现对目标的识别。     

柔性印刷机虚机实电仿真系统

提出了一种用于装备工业的真实电控装置和计算机模拟的虚拟机械进行联合调试的新思想——虚机实电．虚机实电系统不需要连接到真实的机械设备上，就可以调试其电控装置，能够发现其潜在的错误，因而能够缩短产品的调试时间，节约成本，极大地提高企业的竞争力。作为其一个应用实例，介绍了柔性印刷机虚机实电仿真系统。给出了其系统结构和组成，详细介绍了其五个功能模块。并对系统的实时性问题提出了解决方案．通过试验实现了其真实电控装置对虚拟印刷机的实时控制，验证了上述思想的正确性。     

支持向量机控制与在线学习方法研究的进展

支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控制领域研究的主要成果和存在的问题,以便为进一步的研究提供一定的支持与帮助。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于鲁棒LS-SVM的ARMA时序模型研究

对时序数据建模与辨识技术进行了分析,提出了使用鲁棒LS-SVM算法建立ARMA时序预测模型。该模型是在LS-SVM的约束条件中加入鲁棒特性和时序模型参数,使之在求解的过程中对孤立点与噪声不敏感,并且能准确地辨识时序模型参数。考虑到高炉的热状态的输入输出数据集间存在着复杂非线性时序上的关系,通过用基于鲁棒LS-SVM的ARMA模型预报铁水中硅的含量,从而达到了预测高炉热状态的目的。说明了该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性,为稳定钢铁质量和生产工艺创造了良好条件。