利用相关熵估计ARMA模型的参数

本文提出估计ARMA模型参数的一种线性方法。根据信息熵的概念,利用相关熵作为衡量残差序列与白噪声序列逼近程度的一个定量指标,借助于相关熵的变化规律来确定拟合观测序列的AR模型的阶次。估计出ARMA模型参数的初值,并运用简单的线性方法实现ARMA模型参数的精估计,数字仿真结果说明此方法优于其他类似的线性估计方法。     

灰色关联模型关联序结果的稳定性检验方法及应用

针对目前灰色关联理论中模型结果检验方法的不足,提出一种对相近性灰色关联模型关联序结果稳定性检验的方法.首先,以序列间对应观测点的数值差异作为构造序列间量级大小变化的最简单元,用以表征和定义序列间的相近性灰色关联度;其次,引入信息熵的基本思想,基于序列间量级大小变化的最简单元构建信息灰熵作为相近性视角下序列间关系稳定程度的度量标准;然后,通过将研究对象的行为序列平均划分为不同阶段来计算在不同阶段变化下序列间相近性灰色关联度的变动值,以动态关联数值与信息灰熵共同构造相近性灰色关联模型的稳定性检验系数,通过比较检验系数大小最终确定模型间结果的稳定程度;最后,选取几种常见的相近性灰色关联模型对2016年～2021年南京市主要大气污染物进行影响因素分析,根据计算得到的检验系数对各模型的分析结果进行验证和筛选.     

双通道自适应Lattice滤波器及其在故障检测中的应用

推导出一种双通道自适应Ｌａｔｔｉｃｅ滤波器算法，并将它用于动态系统的故障检测。这种故障检测方案不需要建立准确的数学模型，只要根据系统的输入输出数据，利用Ｌａｔｔｉｃｅ滤波器算法生成故障残差序列，再对故障残差序列进行统计检验，可实现动态系统的故障检测。该方法用于一个仿真的直流伺服系统的故障检测，实验效果是满意的。     

基于灰色理论的电力变压器故障预测

文章提出了一种基于综合灰色模型的电力变压器油中溶解气体浓度预测的方法,进而预测电力变压器的故障.首先对非等间隔时间序列进行等间隔处理,然后对序列进行级比检验,对于级比检验不合格的序列进行弱化处理,使用GM(1,1)得到预测序列,检验预测序列精度,对精度未满足要求的序列使用残差 GM(1,1)进行残差修正,通过预测某超高...     

用于动态序列合成的运动纹理模型

提出了一种新的用于动态序列合成的分层统计模型——运动纹理模型．该模型使用统计方法自动分析动态序列，可以合成与原始样本数据统计特性相同的新的动态序列．运动纹理模型是一个两层模型．其中包含的两层分别为基元层和基元分布层．模型中用线性动态系统来表示单个基元．而对基元的统计分布则由相关转移矩阵来描述．该文详细地讨论了如何通过最大似然准则来学习运动纹理模型的方法，并描述了如何用运动纹理模型自动合成动态序列的过程．该文通过使用运动纹理模型合成舞蹈动作和视频序列的一些实验验证了该模型的有效性．     

现代谱估计方法在仿真可信性研究中的应用

仿真可信性研究是仿真研究的重要组成部分,其主要工作包括模型的验证、确认和认定（ＶＶ＆Ａ）。谱分析方法是研究仿真可信性的定量方法,适合于对系统动态性能进行分析,是一种统计检验方法,且可信度较高。特别是现代谱估计方法,既有高分辨率,又可以分析非平稳时间序列,具有广泛的应用。该文分别分析了傅立叶谱估计、最大熵谱估计、交叉谱估计、瞬时谱估计、演变谱估计等的统计特性、应用特点和适用范围。     

低氧环境下血氧序列的多尺度熵分析

文章运用多尺度熵的方法,对低氧环境下血氧序列进行分析。研究发现,与传统的均值分析法相比,多尺度熵分析能反映机体适应低氧的动态过程;而与只在最小尺度上估计序列长度m与m+1之间不同的样本熵相比,多尺度熵计算时间序列在多个尺度上的样本熵值,体现了时间序列在尺度上的无规则度,可以更全面的提取血氧信号的有效信息。研究结果表明,多尺度熵的血氧序列分析能对人的低氧耐力进行辨识,是一种研究机体低氧调节过程的可靠分析方法。研究还发现,多次的低氧刺激会对人体产生习服作用,机体表现出对低氧环境的记忆性。     

改进的时序概率比检验在飞行控制系统故障检测中的应用

用基于模型的方法获取故障状态下的系统残差,并用一种改进的时序概率比检验进行残差判决,缩短了残差判决的时间.仿真结果表明该方法可以提高故障检测的实时性.     

基于改进的自注意力长短期记忆网络的传感器故障预检测方法

针对传感器故障检测方法对早期微弱故障信息不敏感以及抗异常值干扰能力差的问题,提出了一种基于因果卷积改进的自注意力长短期记忆网络(CCALSTM)模型和Shapiro-Wilk检验与阈值比较法相结合的故障预检测方法.首先在长短期记忆网络(LSTM)模型中引入基于因果卷积的自注意力机制,以提取局部信息特征,减少异常值对预测精度的影响;然后将预测结果与测量值进行残差计算,并利用滑动窗口选取合适长度的残差序列;最后将残差序列通过Shapiro-Wilk检验和阈值比较法相结合的故障检测方法进行故障预检测.通过传感器原始数据进行仿真实验,并与支持向量机(SVM)、误差反向传播网络(BP)、双向长短期记忆网络(Bi-LSTM)等常见预测模型进行对比,结果表明CCALSTM模型取得了更高的预测精度结果,且具有更高的鲁棒性;同时,所提出的故障预检测方法表现出对传感器早期微弱故障敏感,能够在故障潜伏期及时检测出故障.     

用于非高斯系统降维的最小残差熵主元网络

基于最小均方误差的主元分析和主元神经网络是有效的多变量降维统计技术,它们所提取的主元含有系统最大方差.非高斯随机系统的近似模型应当含有系统最大信息熵,但包含最大方差并不一定包含最大信息熵.该文提出一种以最小残差熵为通用指标的非线性主元神经网络模型,并给出了一种基于Parzen窗口密度函数估计的熵近似计算方法和网络学习算法.然后从信息论角度分析了,在高斯随机系统中基于最小残差熵和最小均方差为指标的主元网络学习结果具有一致性.最后以仿真验证该方法的有效性,并与基于最小均方误差的主元分析和主元神经网络方法的计算结果进行对比性分析.     

Some results on generalized residual entropy

Shannon’s entropy plays an important role in the context of information theory. Since this entropy is not applicable to a system which has survived for some units of time, the concept of residual entropy has been developed in the literature. Here we generalize the residual entropy by choosing a convex function ? with ?(1) = 0. In this paper, some orderings and aging properties have been defined in terms of the generalized residual entropy function and their properties have been studied. Quite a few results available in the literature have been generalized and some distributions (viz. uniform, exponential, Pareto, power series, finite range) have been characterized through the generalized residual entropy.     

Towards online monitoring of concrete dam displacement subject to time-varying environments: An improved sequential learning approach

Data-based models are widely applied in concrete dam health monitoring. However, most existing models are restricted to offline modeling, which cannot continuously track the displacement behavior with dynamic evolution patterns, especially in time-varying environments. In this paper, sequential learning is introduced to establish an online monitoring model for dam displacement behavior. This approach starts by considering the timeliness difference between old and new data using the forgetting mechanism, and a novel adaptive forgetting extreme learning machine (AF-ELM) is presented. A primary predictor based on AF-ELM is then formulated, which aims to sequentially learn the complex nonlinear relationship between dam displacement and main environmental factors. Considering the chaotic characteristics contained in the residual sequence of the primary predictor, a multi-scale residual-error correction (REC) strategy is devised based on divide-and-conquer scheme. Specifically, time-varying filter-based empirical mode decomposition is adopted to decompose the raw chaotic residual-error series into a set of subseries with more stationarity, which are further aggregated and reconstructed by fuzzy entropy theory and suitable approximation criterion. Finally, the corrected residual sequence is superimposed with the preliminary predictions from AF-ELM to generate the required modeling results. The effectiveness of the proposed model is verified and assessed by taking a real concrete dam as an example and comparing prediction performance with state-of-the-art models. The results show that AF-ELM performs better in displacement prediction compared with benchmark models, and the multi-scale REC can effectively identify the valuable information within the residual sequence. The proposed online monitoring model can more closely track the dynamic variations of displacement data, which provides a fire-new solution for dam behavior prediction and analysis.     

Distributed dynamic partial order reduction

While stateless model checking avoids the memory blow-up problem by not recording the search history, runtime becomes a major limiting factor. In this paper, we present distributed dynamic partial order reduction (DDPOR) which can speed up stateless model checking using computer clusters, and get the benefit of dynamic partial order reduction (DPOR). The experiments show that DDPOR can give out nearly linear (with respect to the number of CPUs) speedup on realistic multithreaded programs, comparing with sequential stateless model checking that uses DPOR.     

基于构图覆盖的软件需求检测方法

以需求描述模型RTRSM为基础，通过建立抽象的、能将控制流和数据流等有机地结合到一起的实时软件的动态执行模型，提出了构图覆盖的动态检测方法，并给出了其具体算法．该方法能检测嵌入式实时软件系统动态执行步中各并行成分及其相互间的执行情况，而且也可为分析员提供一些有用的检测信息以提高分析和检测软件需求的效率．     

嵌入式实时系统的软件需求检测

以需求描述模型HRFSM(hierarchical finite state machines based on rules)为基础,提出了一个嵌入式实时系统软件的动态执行模型(dynamic execution model,简称DEM)和基于该模型的检测方法.由于DEM能将控制流、数据流和时间有效地集成为一体,故提出的检测方法能检测嵌入式实时系统的软件需求的一致性和完全性.该检测方法由3种侧重点不同的检测形式组成,并能在检测过程中提供一些重要的检测信息.分析员可以利用基于该检测方法的工具灵活地对嵌入式实时系统的软件需求进行检测,以提高分析和检测软件需求的效率.     

Fault diagnosis and fault-tolerant control for non-Gaussian nonlinear stochastic systems via entropy optimisation

ABSTRACT

In this paper, the fault diagnosis (FD) and fault tolerant control (FTC) problems are studied for non-linear stochastic systems with non-Gaussian disturbance and fault. Unlike classical FD algorithms, the minimum entropy FD is adopted to minimise the residual entropy and control the shape of the probability density function (PDF) of the residual signal. The observation error system can be proved to be locally and ultimately bounded in the mean square sense. Since entropy can be used to characteriSe the uncertainty of the tracking error for non-Gaussian stochastic systems, the FTC controller is obtained by minimising the performance function with regard to the entropy of the tracking error in this paper. The PDF of the output tracking error is approximated by the B-spline model. An illustrative example is utilised to demonstrate the effectiveness of the FD and FTC algorithm, and satisfactory results have been obtained.     

基于PCNN和遗传算法相结合的新型混凝土桥梁裂缝检测方法

针对混凝土桥梁裂缝对比度低、裂缝图像噪声干扰强等难题,提出了基于脉冲耦合神经网络(PCNN)和遗传算法相结合的混凝土桥梁裂缝检测新算法(GA-PCNN)。该算法首先利用遗传算法优化裂缝PCNN模型参数,然后通过改进的最小对数误差适应度函数区分裂缝与背景,当适应度值大小几乎无变化时,停止分割图像,最后通过连通域去噪算法滤除残余噪声,实现裂缝的自动检测。比较GA-PCNN、PCNN和基于熵和动态阈值算法对裂缝图像的分割效果,并绘制PR曲线和ROC曲线评价分割质量,经计算GA-PCNN算法的PR和ROC曲线下面积为90.6%和91.6%,分别高于PCNN算法10.1%和6.8%、基于熵和动态阈值6.5%和6.7%。试验的结果表明：GA-PCNN新算法分割效果好且去噪能力强,该算法能准确地提取混凝土桥梁裂缝特征。     

基于残差连接长短期记忆网络的时间序列修复模型

传统的时间序列缺失修复方法通常假设数据由线性动态系统产生,然而时间序列更多地表现为非线性。为此,提出了基于残差连接长短期记忆（LSTM）网络的时间序列修复模型,称为RSI-LSTM,用来有效捕获时间序列的非线性动态特性,并且挖掘缺失数据和最近的非缺失数据之间的潜在关联。具体来说,就是采用LSTM网络对时间序列的非线性动态特性进行建模,同时引入残差连接来挖掘历史值与缺失值的联系,从而提升模型的修复能力。首先使用RSI-LSTM对单变量日供电量数据集的缺失数据进行修复,然后在第九届电工数学建模竞赛A题的电力负荷数据集上,引入气象因素作为RSI-LSTM的多变量输入,以提升模型对时间序列缺失值的修复效果。此外,使用了两个通用的多变量时间序列数据集以验证模型的缺失修复能力。实验结果表明,在单变量和多变量数据集上,RSI-LSTM的缺失值修复效果均优于LSTM,得到的均方误差（MSE）总体下降了10%。