针对挠曲变形对主/子惯导在线标定误差方程多方面影响的问题, 提出一种挠曲变形误差综合补偿方法. 首先, 基于极大似然估计和赤池信息量准则(AIC) 定阶的自回归(AR) 模型对挠曲变形进行建模; 然后, 针对挠曲变形引起的动态杆臂效应问题, 利用机理建模方法建立动态杆臂与挠曲变形角之间的关系模型; 在此基础上, 推导出挠曲变形与动态杆臂误差综合补偿方法; 最后, 将该方法应用于主/子惯导标定滤波器设计. 仿真结果表明, 所提出的综合补偿方法是有效的.
相似文献提出一种基于自回归求和移动平均(ARIMA) 与人工神经网络(ANN) 的区间时间序列混合模型, 并用混合模型分别对区间中值序列和区间半径序列建模. 采用Monte Carlo 方法生成模拟区间序列, 分别用ARIMA、ANN和混合模型3 种方法进行建模和预测实验, 并用统计学方法检验模型误差. 最后分别采用3 种方法对H市轨道交通某号线牵引能耗区间序列进行了建模和预测, 实验结果表明混合模型的建模精度和预测性能均优于单一模型.
相似文献针对工业生产过程频繁变更操作条件的需求, 提出一种基于时序模型迁移的方法, 通过从旧过程数据中挖掘并提取相似性信息, 可以快速建立新过程的监测模型. 将该建模方法与时序模型迁移相结合应用于青霉素发酵仿真过程, 实验结果验证了该方法的有效性.
相似文献采用机理与数据相结合的建模方法对永磁同步电动机进行分数阶时域和频域建模. 在分数阶时域建模方法中, 设计伪随机激励信号, 获取实时实验数据并采用输出误差辨识算法来获取分数阶阶次; 在分数阶频域建模方法中, 由实时实验数据绘制出电动机的对数频率特性曲线. 采用分数阶频域建模中经典Levy 辨识算法, 利用加权函数加以改进, 得到永磁同步电动机分数阶模型辨识结果. 最后通过对两种方法得到的结果进行对比表明了所提出模型的可靠性.
相似文献为了实时掌握生产过程运行状态, 提出一种基于Fisher 判别分析(FDA) 的过程运行状态在线评价方法. 提出 离线数据分类与识别算法, 以识别不同稳定运行状态的建模数据及其对应的状态等级; 利用FDA提取各个稳定运行 状态的特征属性, 建立评价模型; 在线评价时, 通过“时间窗口”数据特征与各个状态等级的相似度, 实时评价过程运行状态. 将所提出的方法应用于某湿法冶金过程的仿真结果验证了该方法的有效性.
相似文献针对中期电力负荷预测, 提出基于贪心核主元回归(GKPCR)、贪心核岭回归(GKRR) 的特征提取建模方法. 通过对核矩阵的稀疏逼近, GKPCR和GKRR两种贪心核特征提取方法旨在寻找特征空间中数据的低维表示, 计算需求低, 适用于大数据集的在线学习. 将所提出的方法应用于不同地区的电力负荷中期峰值预测, 并与现有预测方法进行了比较. 实验结果表明, 在同等条件下, 所提出的方法能有效地改进预测精度, 而且性能更好, 显示了其有效性和应用潜力.
相似文献针对软测量模型在实际应用中遇到的问题, 结合AdaBoost 集成学习思想, 提出适用于软测量回归的集成学习算法, 以提高传统软测量模型的精度. 为了克服模型更新技术对软测量实际应用的制约, 将增量学习机制加入软测量集成建模中, 使软测量模型具有在线实时更新的增量学习能力. 对浆纱过程使用新方法建立上浆率软测量模型, 并使用实际生产数据对模型进行检验, 检验结果表明, 该模型具有很好的预测精度, 并能够较好地实现在线更新.
相似文献针对数据中存在的噪声对数据描述建模的影响, 提出一种基于快速聚类分析的支持向量数据描述算法. 该算法通过快速聚类分析算法对所要建模的数据进行预处理, 通过预处理快速剔除数据中存在的影响建模的噪声; 然后再将基于??NN算法计算获得的权重值加权在每一个数据上, 进行支持向量数据描述算法的建模. 在标准数据集上的实验分析表明, 所提出的支持向量数据描述算法较传统的支持向量数据描述算法和密度驱动支持向量数据描述算法在准确度上具有较明显的提升.
相似文献数据降维和特征表示是解决时间序列维灾问题的关键技术和重要方法, 它们在时间序列数据挖掘中起基础性作用. 鉴于此, 提出一种新的时间序列数据降维和特征表示方法, 利用正交多项式回归模型对时间序列实现特征提取, 结合特征序列长度对时间序列的拟合分析结果, 运用奇异值分解方法对特征序列进一步降维处理, 进而得到保存大部分信息且维数更低的特征序列. 数值实验结果表明, 新方法可以在维度较低的特征空间下取得较好的数据挖掘聚类和分类效果.
相似文献针对非均匀多采样率非线性系统辨识问题, 提出一种基于模糊模型的辨识方法. 首先, 分析了非线性系统在输入信号非均匀周期刷新, 输出信号周期采样的情况下, 非线性系统可以通过提升技术, 利用多个局部的线性模型加权组合来描述; 然后, 提出一个基于GK模糊聚类和递推最小二乘的模糊辨识算法; 最后, 针对化工pH 中和过程非线性系统, 采用非均匀采样数据建立其模糊模型, 以验证所提出方法的有效性.
相似文献针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.
相似文献线性判别分析(LDA) 作为一种经典的特征提取方法被广泛地加以研究和运用, 然而LDA作为全局判别准则在一定程度上忽视了样本空间的局部结构和局部信息. 为此, 通过引入局部加权均值(LWM)并结合最大间距判别分析(MMC) 提出了具有一定局部学习能力的有监督的特征提取方法—–基于局部加权均值的最大间距判别分析(LBMMC). 算法结合了QR分解技术, 提高了其执行效率, 并通过在数据集上的测试结果表明了该算法的有效性.
相似文献置信优势关系粗糙集是处理不完备有序信息的重要模型, 上、下近似集的计算是核心内容之一. 在实际应用中, 属性集通常会发生变化. 根据属性集的增加或减少, 首先讨论置信优势类及劣势类变化情况, 随之给出上、下近似集增量式的变化规律, 提出相应的近似集动态更新方法. 通过Matlab 在UCI 数据集上的实验结果表明, 与非增量式方法相比, 所提出的置信优势关系粗糙集下的上、下近似集的增量式更新方法可行、高效.
相似文献针对回归问题中存在的变量选择和网络结构设计问题, 提出一种基于互信息的极端学习机(ELM) 训练算法, 同时实现输入变量的选择和隐含层的结构优化. 该算法将互信息输入变量选择嵌入到ELM网络的学习过程之中, 以网络的学习性能作为衡量输入变量与输出变量相关与否的指标, 并以增量式的方法确定隐含层节点的规模.在Lorenz、Gas Furnace 和10 组标杆数据上的仿真结果表明了所提出算法的有效性. 该算法不仅可以简化网络结构, 还可以提高网络的泛化性能.
相似文献针对核独立成分分析故障检测时忽略各独立成分分量对系统故障贡献度的差异, 提出一种基于加权核独立成分分析的故障检测方法. 使用核独立成分分析提取过程变量的独立成分, 根据核密度估计衡量各独立成分分量对系统故障的贡献度, 对各独立成分分量赋予不同权重, 突出包含有用信息的独立成分分量, 引入局部离群因子在特征空间构造统计量进行故障检测. 基于数值仿真和Tennessee Eastman 数据集的仿真结果表明了所提出方法的优越性.
相似文献