异构网络环境中的自适应在线故障检测

通过研究网络流量异常检测，提出一种新的基于自适应自回归(AAR)模型的在线故障检测算法．该算法只利用标准管理信息库，因此检测不依赖于特定产品类别，适用于异构网络环境．验证了流量信号的非平稳特性，并采用模拟获取的网络流量拟合AAR模型．由于不必将整个时间序列进行分片和单独拟合，算法可以直接处理获取的新数据，实现真正意义上的在线故障检测．利用时间平均方法消除了网络噪声的影响．在实验中，故障检测结果与预设的故障场景完全对应，进一步证明了该算法的准确性．     

基于偏最小二乘分析和稀疏表示的目标跟踪算法

经典的基于子空间学习的跟踪方法通过主成分分析(principal component analysis, PCA)建立并更新目标的特征模型,只考虑目标的特征信息而忽视模型中每个样本的类别特征,从而降低了目标的跟踪精度。为此,提出一种基于偏最小二乘分析(partial least squares analysis, PLS)和稀疏表示的目标跟踪算法。通过PLS去分析关于目标与背景中纹理特征和类别信息之间的相关性,建立一个可区分的低维特征空间。将目标模板线性表示为所有目标候选的线性组合,当存在与目标模板相似的候选时,线性表示的系数满足稀疏性约束,通过L1范数最优化求解稀疏表示系数,根据最小的重构误差得到最优的目标位置。在多个视频场景下的实验结果展示了改进的跟踪算法具有较好的跟踪性能。     

(ψ)-混合误差下半参数回归模型小波估计的γ阶矩收敛速度

考虑一类固定设计下的半参数回归模型yi=xiβ+ g(ti)+ei,i=1,2,…,n,对于模型中的未知参数β和未知函数g(t)的小波估计(∧β)n和(∧g)n(t).,在{ei,1≤i≤n)是(ψ)-混合随机误差时,研究了(∧β)n和(∧g)n(t)的γ阶矩一致收敛速度.     

主成分回归的主成分选择准则

结合回归自变量选择的Cp准则及平均残差平方和准则，讨论了利用主成分回归时如何选择主成分可在一定程度上避免人为性，提出了两个准则，以供实际应用时参考。     

对序列紧空间中点集性质的证明

在一维动力系统中,若I为实线段,已经证明了回归点、链回归点通过f的n次迭代,有R(f)=R(fn),CR(f)=CR(fn).把实线段上点集的有关性质推广到序列紧空间中进行证明,得到了R(f)=R(fn),ω(f)=ω(fn)和CR(f)=CR(fn)在序列紧空间成立.     

地理和地形影响下我国区域的气温空间分布

不同于以往基于最小二乘的多元线性回归方法,本文将新型的第二代回归分析方法一偏最小二乘回归分析方法应用到中国区域气温空间分布的建模中．利用区域内394个气象观测站建站到2000年45年（及以上）的逐日气温资料,建立了一个简洁的年、季平均气温和地理、地形因子（包括纬度、经度、地形高程、坡度、坡向和遮蔽度）的关系模型,估算了区域地理、地形影响下气温的空间分布,并分析了这种影响的特征．结果表明,此模型具有88％的平均拟合能力,平均相关系数达到0．94,经交叉有效性检验,模型的回归效果较显著．分析表明,在多元线性回归不适用的情况下,本文基于偏最小二乘法的简单模型能够准确地再现我国实际气温的空间分布,具有一定的使用价值．     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

连续采煤机房柱式工作面生产的计算机模拟

本文用模拟的方法来确定连续采煤机房柱式工作面的生产能力,提供了最优煤房尺寸。可为矿井和采区设计提供依据。     

基于参数优化动态GPR的反应釜出料浓度预测

由于釜式反应器内的反应过程是动态过程,故采用静态非线性映射建立预测模型时存在预测精度低和模型泛化能力差等问题.针对上述问题,提出一种基于参数优化的动态高斯过程回归模型预测连续反应釜出料浓度.根据贝叶斯信息准则确定模型阶次,构建动态输入.采用粒子群优化算法对高斯过程回归协方差参数进行优化,以提高模型的预测精度.实验结果表明,该方法能够有效提高模型的预测准确度和泛化能力.     

支持向量分位数变系数模型的估计及应用

基于不对称“ε-不敏感”损失函数提出变系数模型的参数估计方法,并应用支持向量回归理论和凸二次规划理论给出模型的估计算法.结果显示,所得估计曲线可在不同分位数水平得到一个稀疏解,而数值模拟研究和共享单车实例数据分析结果进一步证实该方法的正确性和实用性.