用于不确定性分析的高斯过程响应面模型设计点选择方法

为推动高斯过程响应面模型在复杂耗时数值模拟不确定性分析中的应用,提出一种可自动实现位置优化的高效设计点选择方法,即先在标准超立方体上生成拉丁超立方设计点,然后利用输入变量的已知概率分布将其映射回原始设计空间.将该方法与基于假设均匀分布的传统拉丁超立方设计方法进行比较,探讨它们对所建立的高斯过程响应面模型和不确定性分析结...     

电动Stewart平台分散子系统不确定性加权函数选择

以降低电动Stewart平台两输入两输出子系统不确定性描述的保守性为目的, 提出一种不确定性加权函数选择方法. 首先通过机理分析, 确定以反馈形式来描述平台子系统中低频的结构不确定性, 并得到具有3个待定参数的加权函数. 然后给出标称模型输出与实验数据相匹配的条件, 由此利用实验数据优化加权函数中的待定参数.最后为方便控制器设计, 将系统不确定性描述化为统一的表达形式. 所提方法在描述系统不确定性时, 尽可能将模型中的已知部分分离出来, 并通过实验数据优化加权函数中的待定参数, 从而使得不确定性描述的保守     

基于稀疏贝叶斯学习的图像重建方法

结合稀疏贝叶斯学习(SBL)和可压缩传感理论(CS),给出一种在噪声测量条件下重建可压缩图像的方法.该方法将CS理论中图像重建过程看作一个线性回归问题,而待重建的图像是该回归模型中的未知权值参数;利用SBL方法对权值赋予确定的先验条件概率分布用以限制模型的复杂度,并引入超参数;最大化超参数的边缘对数似然函数求得权值参数的最优估计即待重建图像.该方法同时还给出了权值估计的后验概率密度和误差条,从而获得权值最优值的不确定性测量.实验结果表明,SBL方法可以获得精确重建,并且在相同相对重建误差的条件下,比基追踪(BP)方法需要更少的重建时间,比正交匹配追踪(OMP)需要更少的测量次数.     

白车身耐疲劳结构6σ稳健优化参数的估算仿真

为提高车辆耐疲劳结构性能,降低零部件失效概率,提出白车身耐疲劳结构6σ稳健优化参数估算方法.首先分析白车身耐疲劳结构组成部分及稳健优化,利用运动微方程描述其在线性条件下的相关向量,完成耐疲劳结构平均损耗的表达方程,将6σ稳健优化参数计算分解成4个基本步骤,以降低计算过程中不确定因素的敏感性;其次,以耐疲劳可用时间安全性要求为宗旨,计算出稳健优化参数的最大波动范围,利用2阶响应面模型计算均值及方差,完成估算模型的构建,使用遗传算法寻取最优结果;最终,与传统稳健优化参数方法的仿真结果对比证明,6σ稳健优化参数估算方法稳健性更高、抗干扰能力强,能有效提高车辆耐疲劳结构性能,改善零部件失效情况.     

基于Taguchi-BPNN-SEDEA的精密产品多元质量非参数稳健优化

针对设计参数不确定性和模型结构未知情形下精密产品多元质量波动问题,同时兼顾主体结构对轻量化设计要求,提出一种基于Taguchi-BPNN-SEDEA的多元质量非参数稳健优化方法.首先,通过正交试验设计和有限元分析获取多元质量数值,运用Taguchi方法将多元质量数值转化为信噪比来衡量精密产品稳健性;其次,运用BPNN非参数模型构建多元质量信噪比预测模型,以避免由参数模型设定导致的误差;在此基础上,提出改进的DEA基本模型,采用SEDEA非参数稳健优化方法,将设计参数不确定性下BPNN非参数模型求解问题转化为不确定性条件下复杂多属性决策问题;最后,通过实例表明,所提出的方法能够有效处理设计参数不确定性和模型结构未知并存情况下的多元质量稳健优化问题,从而验证该方法的可行性.     

基于强化学习的四旋翼高度控制器设计

针对四旋翼飞行器高度控制通道易受干扰的问题,在先验飞行数据基础上,利用局部加权线性回归算法建立了四旋翼飞行器的非参数模型,该模型考虑了实际飞行中干扰因素对高度控制的影响.以此非参数模型为基础,运用强化学习算法构建了四旋翼飞行器高度控制算法,并以离线方式优化了控制算法的结构参数.最后通过实际的飞行实验验证了控制算法的合理性.     

基于GE的多响应参数稳健设计优化方法

提出了一种基于遗传进化的多响应参数稳健设计优化方法。对多响应参数稳建设计问题进行了数学描述,建立了以试验样本多响应输出参数的加权平均质量损失最小化为目标的数学优化模型;提出了多响应参数稳健设计的遗传进化优化方法：以密集抽样取代离散化处理,以个体取代试验方案,以变化的种群取代固定的内表,通过遗传进化得到最优设计方案;提出并设计了多响应参数稳健设计的遗传优化算法。通过案例分析验证了该方法的有效性。     

基于最大交叉熵估计高斯混合模型参数的方法

传统的基于最大似然估计高斯混合模型参数的方法是一种无导师的学习方法.该方法的主要缺点是学习算法在估计一类模式模型中的参数时只利用了该类模式中的训练样本,而未考虑其他类训练样本分布的影响,因此,这种方法的识别效果往往不够理想.该文提出了利用最大交叉熵估计高斯混合模型参数的方法,这种方法考虑了不同类之间的样本区分性.同时,为了提高获得全局最优解的可能性,文章给出一种利用进化规划求解最优参数的算法,并将这种方法用于非限定文本的话者识别.实验表明,该方法比传统的参数估计方法识别效果要好.     

带结构风险最小化的最优区间回归模型辨识

针对来自模型结构、参数以及测量数据的不确定性等因素,传统的辨识方法获取的是确定性数学模型的点输出,其鲁棒性差,易受外界干扰.因此,采用区间输出比点输出更易于实际问题的研究.基于复杂系统的不确定性测量数据以及系统参数的不确定性,提出了最优区间回归模型辨识的一种新方法,该方法将逼近误差的L∞范数思想与结构风险最小化理论相结合,建立求解区间模型的最优化问题,应用线性规划独立求解区间模型的上界和下界模型.该方法在保证模型辨识精度的同时,其泛化性能得到进一步提高.实验分析表明,提出的方法对来自噪声以及参数不确定性的数据,可以从区间模型的辨识精度和泛化性能之间取其平衡.     

基于强化学习的部分线性离散时间系统的最优输出调节

针对同时具有线性外部干扰与非线性不确定性下的离散时间部分线性系统的最优输出调节问题, 提出了仅利用在线数据的基于强化学习的数据驱动控制方法. 首先, 该问题可拆分为一个受约束的静态优化问题和一个动态规划问题, 第一个问题可以解出调节器方程的解. 第二个问题可以确定出控制器的最优反馈增益. 然后, 运用小增益定理证明了存在非线性不确定性离散时间部分线性系统的最优输出调节问题的稳定性. 针对传统的控制方法需要准确的系统模型参数用来解决这两个优化问题, 提出了一种数据驱动离线策略更新算法, 该算法仅使用在线数据找到动态规划问题的解. 然后, 基于动态规划问题的解, 利用在线数据为静态优化问题提供了最优解. 最后, 仿真结果验证了该方法的有效性.