几种巴斯模型参数估计方法的比较研究

在创新扩散的巴斯模型的基础上,提出了一种新的模型参数估计方法--采用蚁群算法作为巴斯模型参数估计方法.给出了运用蚁群算法思想设计的具体参数估计方法,并以中国移动通信技术的扩散为例,应用巴斯模型对其扩散趋势进行了实证研究,通过对蚁群算法和最小二乘法、遗传算法等传统参数估计方法估计结果的比较分析,得出结论,采用蚁群算法作为巴斯模型的参数估计方法效果更好.最后对中国移动通信技术的扩散趋势进行了预测并提出策略建议.     

振荡序列的分数阶离散GM(1,1)幂模型及其应用

针对GM(1,1)幂模型从离散的参数估计到连续的预测函数所产生的固有误差, 提出一种新的分数阶离散GM(1,1)幂模型, 并针对可能存在的病态性, 利用正则化算法替代最小二乘法估计部分参数以提高参数估计的精度; 为了提高模型的预测精度, 提出新的累加阶数及幂参数的确定方法. 对工业废水排放率及城市用水量两个实例的预测结果表明, 所提出的模型及确定参数的方法对于振荡时间序列有着很好的预测精度.     

基于BA-WPHM的滚动轴承两阶段剩余寿命预测方法

为了提高滚动轴承剩余寿命预测的准确性,根据滚动轴承运行过程的两阶段性特点,提出了一种基于蝙蝠算法(BA)和威布尔比例风险模型(WPHM)的滚动轴承两阶段剩余寿命预测方法。首先,构建基于WPHM的剩余寿命预测模型;其次,提出了两阶段极大似然估计法,建立新的似然函数,并利用BA算法进行求解,以提高参数估计的准确性;最后,建立BA-WPHM模型对滚动轴承进行剩余寿命预测。案例分析表明,相比于Newton-Raphson算法、自组织分层猴群算法(SHMA)和独特的自适应粒子群算法(UAPSO),提出的方法参数估计的准确性更高,剩余寿命的预测精度优于支持向量回归(SVR)方法,验证了所提方法的有效性,为滚动轴承维修决策的可行性提供了依据。     

灰色Verhulst模型参数估计的一种新算法

灰色Vethulst模型主要用来描述数据具有饱和状态的过程,模型中的参数估计一般都采用最小二乘准则,而模型检验采用与最小一乘相关的准则,提出基于最小一乘准则估计模型参数,统一了模型参数估计和精度检验的准则.得到新的预测公式;然后采用新的群体智能算法-粒子群算法来求解此最小一乘的参数.由于算法避开了求解背景值.在非等时距情况下同样适用.数值计算结果表明,用文中方法确定模型参数是精确有效的,提高了模型的预测精度,扩大了模型的适用范围.     

基于利用BP神经网络进行Stacking模型融合算法的电力非节假日负荷预测研究

短期负荷预测尤其是非节假日负荷预测对提升电力系统整体调度、支撑电网运营工作起着十分关键的作用。目前针对非节假日负荷预测的理论、方法和应用层出不穷,但是预测精度和使用范围都受到一定限制,并且经济发展对短期负荷预测的精度提出越来越高的要求,传统的机器学习算法已经难以满足人们的需求。为了提高负荷预测的精度,本文提出了利用BP神经网络进行Stacking模型融合算法,它是基于集成学习的思想,首先挑选五种预测精度较高的单模型,然后利用Stacking模型融合方法将其集成为预测精度更高的综合模型。本文采用此算法预测某省2018年非节假日负荷,结果表明该算法可以有效提高预测精度。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

基于差分进化算法的高斯混合模型参数估计

EM算法用于高斯混合模型参数估计时,具有对初始值敏感、易于陷入局部极小等缺点。将差分进化算法引入高斯混合模型参数估计问题,提出一种基于差分进化算法的高斯混合模型参数估计方法。该方法直接对模型参数进行编码,待优化目标函数简单且物理意义明显,具有算法实现容易、运行效率高及收敛速度快等优点。实验结果表明。新方法具有很强的全局搜索能力,参数估计精度更高、更稳定。     

双输入多率系统辅助模型增广随机梯度算法

针对有色噪声干扰的双输入多率系统,为解决辨识模型信息向量中存在未知变量和不可测噪声项的问题,结合辅助模型思想和递推增广随机梯度算法的优点,用辅助模型的输出代替系统的未知变量,用估计残差代替信息向量中的不可测噪声项,进而提出了双输入多率系统的辅助模型增广随机梯度算法。为了提高辨识算法的收敛速度和改善参数估计精度,在算法中引入遗忘因子,得到相应的辅助模型带遗忘因子增广随机梯度算法。仿真实例说明,引入遗忘因子,能加快算法的收敛性,提高参数估计精度。     

人工蜂群改进算法及其在参数估计中的应用

为提高新安江模型中参数估计的优化精度和算法性能,提出一种改进的人工蜂群(ABC)算法。设计基于最优个体的寻优和保优策略,采用寻优策略提高观察蜂的深度搜索能力,通过保优策略确保侦察蜂不会丢弃当前最优解,从而使算法能够在较短时间内得到收敛。将改进算法应用于新安江模型的参数估计中,并与ABC算法和SCPSO算法的参数估计结果进行对比。实验结果表明,改进算法得到的参数优化精度比ABC算法提高约4%,比SCPSO算法提高约1%,并且具有较快的收敛速度。     

灰狼优化算法在马斯京根模型参数估计中的应用

为了提高马斯京根模型在河道洪水演算过程中的求解精度,提出一种基于改进灰狼优化算法的马斯京根模型参数估计新方法,并将其应用于南运河称沟湾至临清段洪水演算.实验结果表明,改进的灰狼优化算法可以有效地估算出马斯京根模型中的参数,且与现有的马斯京根模型参数估计方法相比,该算法计算精度更高,具有更好的优化性能.     

基于免疫克隆选择算法的马斯京根模型参数估计

针对马斯京根河道洪水演算模型参数估计中所存在的线性化、求解复杂、精度差等问题,提出了一种基于免疫克隆选择算法（ICSA）的马斯京根模型参数估计新方法。实验和应用结果表明,基于免疫克隆选择的马斯京根模型参数估计算法具有求解速度快,计算精度高,算法控制参数设置简便、通用性强等特点,与现有的马斯京根模型参数估计方法相比,该算法显示出更好的优化性能,能够很好地解决马斯京根模型的参数最优估计问题,从而为马斯京根模型参数的估计提供了一种新的更为有效的方法。该算法也可广泛应用于其他洪水预报模型的优化问题。     

基于辅助模型的多新息广义增广随机梯度算法

将辅助模型辨识思想与多新息辨识理论相结合,利用系统可测信忠建立一个辅助模型.分别用辅助模型输出和噪声估计值代替辨识模型信忠向量中未知真实输出变量和不可测噪声项,并引入新忠长度扩展标量新息为新息向量,提出了Box-lenkins模型的辅助模型多新忠广义增广随机梯度辨识方法.所提出方法重复使用系统数据,能够改善参数估计精度,加快算法的收敛速度.     

非线性时变系统的一种即时局部模型及参数估计算法

针对包含未知和不可测量的确定性扰动的非线性时变系统的辨识和预测,提出了一种简便实用的线性化即时局部模型,给出并证明了这种即时模型的存在性定理。为了跟踪快速变化的模型参数,利用最新的多个线性局部模型进行外推,提出了一种滚动多模型加权平均参数估计算法。仿真结果表明了这种即时局部模型和参数估计算法的可行性。     

非线性回归机器人运动参数估计方法

针对机器人运动参数估计精度、实时性等问题,提出一种非线性回归的机器人运动参数估计方法。建立了机器人的非线性回归运动参数模型,并利用微分方法对运动参数方程进行转化,通过递推最小二乘算法与卡尔曼滤波器估计出机器人运动参数与消除误差。讨论了机器人沿墙壁、向墙壁、原地圆周运动三种特殊情况的运动参数估计。实验验证了本文方法的可行性与有效性,并与迭代最近点(ICP)算法进行了对比分析。     

基于最小二乘支持向量机的函数型数据回归分析

部分函数线性模型是用于处理输入变量包含函数型和数值型两种数据类型而输出变量为数值的一类回归机.为提高该模型的预测精度,基于函数系数在再生核Hilbert空间上的表示,得到模型的结构化表示,将函数系数的估计转化为参数向量的估计问题,并运用最小二乘支持向量机方法得到参数估计形式.实验表明,文中算法对数值型数据的向量系数的估计与其他参数估计方法性能相近,但对函数型数据的函数系数的估计更加准确稳健,有助于确保学习机的预测精度.     

一种高效的随机块模型学习算法

由于随机块模型能够有效处理不具有先验知识的网络,对其研究成为了机器学习、网络数据挖掘和社会网络分析等领域的研究热点.如何设计出具有模型选择能力的快速随机块模型学习算法,是目前随机块模型研究面临的一个主要挑战.提出一种精细随机块模型及其快速学习算法.该学习方法基于提出的模型与最小消息长度推导出一个新成本函数,利用期望最大化参数估计方法,实现了边评价模型边估计参数的并行学习策略,以此方式显著降低随机块模型学习的时间复杂性.分别采用人工网络与真实网络,从学习时间和学习精度两方面对提出的学习算法进行了验证,并与现有的代表性随机块模型学习方法进行了对比.实验结果表明：提出的算法能够在保持学习精度的情况下显著降低时间复杂性,在学习精度和时间之间取得很好的折衷;在无任何先验知识的情况下,可处理的网络规模从几百节点提高至几万节点.另外,通过网络链接预测的实验,其结果也表明了提出的模型及学习算法相比现有随机块模型和学习方法具有更好的泛化能力.     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

误差修正Stacking算法在港口吞吐量预测中的应用

吞吐量的准确预测对于港口的发展具有重要意义,传统的单一模型在预测的精度或稳定性上都存在局限性.为提高吞吐量预测精度,引入Stacking算法的思想建立组合模型,并在此基础上提出了利用PCA-BP模型修正Stacking算法误差的误差修正模型;同时以1998-2017年深圳港集装箱吞吐量为实证研究对象,进行了基于BP神经...     

有色噪声干扰输出误差系统的偏差补偿递推最小二乘辨识方法

借助于偏差补偿原理和预滤波思想, 推导了有色噪声干扰输出误差系统参数估计的偏差补偿递推最小二乘 (Bias compensation recursive least squares, BCRLS) 辨识方法. 该方法降低了辨识对输入信号平稳性的要求, 实现了偏差补偿方法参数估计的递推计算, 可以用于在线辨识. 提出的递推 BCRLS 辨识方法优于非递推偏差补偿最小二乘算法, 提高了参数估计精度. 仿真试验证实了算法的有效性.     

AR模型在人口增长预测中的应用

采用AIC信息准则来确定AR模型的阶.模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法.理论分析和仿真结果均表明,AR模型能够较好地解决人口增长预测这一非线性问题,并取得一定的预测精度.