基于RVM的非线性预测控制及在聚丙烯牌号切换中的应用

针对由被控对象非线性和优化目标函数非凸性带来的建模与实时优化问题求解的困难,提出一种基于相关向量机(RVM)的非线性多步模型预测控制算法.采用RVM建立非线性预测模型,并将差分进化算法引入非线性预测控制中发挥其伞局最优、鲁棒、快速收敛等优点,在线求解多变量、多约束的非线性规划问题.利用实际生产数据进行聚丙烯牌号切换仿真,结果表明,该算法可大幅度减少切换时间,降低过渡料产量,提高经济效益.     

基于支持向量机的记忆功率放大器预失真

提出了一种新的针对记忆非线性功率放大器的支持向量机（SVM）预失真器。通过对其建模中采用径向基核函数和多项式核函数所表现出的性能特点进行分析,为核函数的选取提供了参考。采用以多项式为核函数的SVM对3种典型的记忆非线性功率放大器模型进行线性化仿真,结果表明了该方法的有效性和鲁棒性。     

基于QPSO-RVM的双酚A软测量建模

相关向量机(RVM)预测模型在贝叶斯框架下用最大似然方法对模型权值进行训练,可以有效解决过学习的问题,有较高的模型泛化能力且具有较为稀疏的相关向量和核函数选择上不用满足Mercer条件等优点。RVM的基本思想是使用核方法将自变量从低维空间映射到高维空间,以获得因变量与自变量线性回归的稀疏解。核矩阵作为训练数据信息到回归模型的信息通道,其唯一参数即核函数宽度的选取直接影响RVM模型的回归性能。本文基于量子粒子群优化算法(QPSO)提出了RVM核函数参数值的优化方法,并使用该方法建立双酚A(BPA)生产过程中裂解回收单元的BPA含量软测量模型。实际应用结果表明优化后的RVM模型预测精度有明显的提高,表明了该方法的有效性。     

基于PSO优化混合RVM模型的进出口贸易预测算法

由于进出口贸易额波动较大,影响因素较多,一般预测算法难以得到较为准确的预测结果。针对该问题,提出基于PSO优化混合RVM模型的贸易预测方法。该方法首先找出影响进出口贸易的指标并通过主成分分析方法提取出指标的主因子作为模型的输入数据。然后在多个不同核函数的单一核RVM模型训练的基础上,根据单一核RVM模型预测误差采用多核加权的方法构建混合核RVM模型,最后通过PSO优化混合核模型参数以提高预测准确性。以深圳进出口贸易预测为例验证该方法能够较为准确地预测进出口贸易值。     

基于LE与ICROA-RVM的瓦斯传感器故障诊断

针对瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于拉普拉斯特征映射(LE)和改进化学反应优化算法(ICROA)优化的相关向量机(RVM)进行模式分类与辨识,实现瓦斯传感器故障诊断。首先采用流形学习方法 LE对高维原始数据空间进行非线性降维特征提取,提取故障特征,该方法极大地保留了原始数据中的整体几何信息;然后将故障特征作为RVM模型训练输入,利用ICROA算法对RVM模型的核参数进行全局寻优,将训练好的ICROA-RVM模型对测试样本进行故障诊断。实验结果表明:该诊断方法具有训练速度快,故障辨识精度高的特点,故障诊断正确率在96%以上,能够有效地提高瓦斯传感器故障诊断的速度和准确性。     

改进的RVM在肺结节检测中的研究与应用

在模式识别问题中,相关向量机（RVM）作为一种新的机器学习方法备受关注,近年来,多核RVM方法的提出使得RVM得到更广泛的应用。多核RVM模型中核参数的取值及不同核函数组合权重系数的取值对模型分类性能至关重要,然而在实际应用中其值却多由经验值给定而非定量分析计算得到。为此,对基于粒子群算法（PSO）及基于二阶锥规划（SOCP）的多核RVM参数优化模型进行研究,构造合理的核函数组合,并给出快速求解方法。最后将该方法应用到肺结节检测中,采用公共数据集LIDC中的肺部CT图像,通过图像处理模块,提取候选结节的特征信息,利用改进的多核RVM模型对肺结节进行分类验证。实验结果表明,与基于PSO的多核RVM模型相比,基于PSO与SOCP相结合的多核RVM模型不仅提高了运算效率而且取得了更好的分类性能。     

PSO优化多核RVM的模拟电路故障预测

针对模拟电路健康管理的特点，提出了一种基于PSO优化多核RVM的模拟电路故障预测方法。利用参数分析得到电路的输出频域响应作为特征，计算其与电路无故障标准响应的欧氏距离来表征电路元件健康值，将多个核函数线性组合，并用PSO优化多核RVM参数后的模型实现对各个时间点元件的健康值变化轨迹进行预测。仿真结果表明，该方法在小样本情况下，预测效果优于单一核函数的RVM模型，适用于健康管理中实时预测，具有较好的实用性。     

基于AIC的RVM核参数选择方法及其应用

在采用高斯径向基函数的相关向量机(RVM)回归模型中,核参数与模型性能之间关系复杂,针对如何确定RVM核参数的问题,提出一种基于AIC准则选择RVM的核参数的方法。首先基于Akaike Information Criterion (AIC)思想,得出一种新的统计量Q,同时将Q作为适应度函数;然后利用微分进化算法（Differential Evolution Algorithm,DE）对核参数进行寻优,以此选择确定核参数;最后利用该算法建立RVM回归模型对黄金价格进行短期预测。实验结果表明,该模型较传统方法建立的预测模型具有更高的拟合精度和更好的泛化能力,进一步证明基于AIC准则选择RVM的核参数的方法的可行性和有效性。     

尺度可调的核函数模型在震荡信号表示中的应用

传统固定尺度的核函数模型不适合稀疏地表示震荡信号.为了提高震荡信号表示的稀疏性,提出了一种尺度可调的核函数模型的建立方法.该方法通过正交最小二乘算法进行逐步回归建模,选择每一个回归子时,利用群搜索算法优化残差目标函数,计算相应的核函数的尺度.实验结果表明,可调核函数模型比传统的固定尺度核函数模型具有更强的稀疏性和泛化能力.     

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法.相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法.并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优.利用矿井无线传感器网络检测到的各项历史数据试验.结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持.     

单核和多核相关向量机的比较研究

针对相关向量机中的核函数选择问题进行研究,对高斯核函数进行改进,提出修正的高斯核函数方法,并比较改进的高斯核函数与普通高斯核函数的特性,证明提出的核函数的优良特性。在对单一核函数改进的基础上,进行多核相关向量机核函数的研究,结合局部性高斯核函数和全局性多项式核函数形成混合核函数,并运用于相关向量机。在不同大小的数据集上对几种核函数进行对比实验,验证修正的高斯核函数及混合核函数的性能。     

A new approach to fuzzy modeling of nonlinear dynamic systems with noise: relevance vector learning mechanism

This paper presents a new fuzzy inference system for modeling of nonlinear dynamic systems based on input and output data with measurement noise. The proposed fuzzy system has a number of fuzzy rules and parameter values of membership functions which are automatically generated using the extended relevance vector machine (RVM). The RVM has a probabilistic Bayesian learning framework and has good generalization capability. The RVM consists of the sum of product of weight and kernel function which projects input space into high dimensional feature space. The structure of proposed fuzzy system is same as that of the Takagi-Sugeno fuzzy model. However, in the proposed method, the number of fuzzy rules can be reduced under the process of optimizing a marginal likelihood by adjusting parameter values of kernel functions using the gradient ascent method. After a fuzzy system is determined, coefficients in consequent part are found by the least square method. Examples illustrate effectiveness of the proposed new fuzzy inference system.     

组合核函数SVM在特定领域文本分类中的应用

面向特定领域文本分类的实际应用,存在大量样本相互掺杂的现象,使其无法线性表述,在SVM中引入核函数可以有效地解决非线性分类的问题,而选择不同的核函数可以构造不同的SVM,其识别性能也不同,因此,选择合适的核函数及其参数优化成为SVM的关键.本文基于单核核函数的性质,对多项式核函数与径向基核函数进行线性加权,构建具有良好的泛化能力与良好的学习能力的组合核函数.仿真实验结果表明,在选择正确参数的情况下,组合核函数SVM的宏平均准确率、宏平均召回率及宏平均综合分类率都明显优于线性核、多项式核与径向基核,而且能够兼顾准确率与召回率.     

基于相关向量回归的非线性时间序列预测方法

针对非线性时间序列预测建模的复杂性和不确定性,提出一种基于相关向量回归的非线性时间序列预测方法。该方法在传统的核函数基础上,融入Bayesian推理框架,得到具有概率特性的预报结果,无须对误差/边界参数进行预估计,具有学习算法简单、易实现的特点。仿真计算表明,该方法能反映非线性时间序列的内在特性,预测结果较好。     

Nonlinear model predictive control with relevance vector regression and particle swarm optimization

In this paper, a nonlinear model predictive control strategy which utilizes a probabilistic sparse kernel learning technique called relevance vector regression （RVR） and particle swarm optimization with controllable random exploration velocity （PSO-CREV） is applied to a catalytic continuous stirred tank reactor （CSTR） process. An accurate reliable nonlinear model is first identified by RVR with a radial basis function （RBF） kernel and then the optimization of control sequence is speeded up by PSO-CREV. Additional stochastic behavior in PSO-CREV is omitted for faster convergence of nonlinear optimization. An improved system performance is guaranteed by an accurate sparse predictive model and an efficient and fast optimization algorithm. To compare the performance, model predictive control （MPC） using a deterministic sparse kernel learning technique called Least squares support vector machines （LS-SVM） regression is done on a CSTR. Relevance vector regression shows improved tracking performance with very less computation time which is much essential for real time control.     

组合核支持向量机的模式分析新方法

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和多项式核函数进行有效的线性组合,给出一种新的支持向量机的组合核函数,提出一种基于再生核的组合核函数支持向量机的模式分析方法,该方法兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低。仿真实验结果表明：支持向量机的核函数采用基于再生核的组合核函数是可行的,且此核函数不仅具有核函数的非线性映射特征,而且也继承了核函数对非线性逐级精细逼近的特征,模式分析的效果比单核函数可以更加细腻。     

组合核函数SVM在说话人识别中的应用

针对说话人识别实际应用中训练数据不足的问题,选取GMM-UBM作为基准系统模型,用EigenVoice对其作自适应,应用泛化能力较强的多项式核函数和学习能力较强的径向基核函数进行线性加权组合后的组合核函数进行模型参数优化,并用多重网格搜索法确定核函数的最优参数,采用DAG方法实现SVM核函数的多元分类.在仿真实验中评估了线性核、多项式核、径向基核以及组合核函数,实验结果表明,在采用正确的参数前提下,在不同的多分类策略、自适应时间、信噪比和不同的说话人数量的情况下,组合核函数的识别性能明显都优于其它三个单核函数.     

一种基于最小二乘支持向量机的预测控制算法

针对工业过程中普遍存在的非线性被控对象，提出一种基于最小二乘支持向量机建模的预测控制算法．首先，用具有RBF核函数的LS-SVM离线建立被控对象的非线性模型；然后，在系统运行过程中，将离线模型在每一个采样周期关于当前采样点进行线性化，并用广义预测算法实现对被控系统的预测控制．仿真结果表明了该算法的有效性和优越性．