基于PI迟滞模型的压电驱动器自适应辨识与逆控制

压电陶瓷驱动器的迟滞非线性特性严重影响了其跟踪定位精度,甚至引起闭环系统失稳.本文采用经典PI模型描述压电驱动器的迟滞非线性,利用自适应投影算法对PI模型的权向量进行在线辨识,并与传统的最小二乘辨识方法进行比较.迟滞PI模型的优点是模型存在解析逆,因此本文对压电驱动器采用自适应逆跟踪控制,利用驱动器的输出位移与参考位移之差使用自适应投影算法在线辨识PI模型的权向量,并计算PI逆模型的权向量和阈值,最终得到要输入的电压值.最后实验结果表明自适应逆跟踪控制比传统的逆模型跟踪控制精度提高了49.8%.     

基于WLS-SVM的加速度计动态模型参数辩识

提高加速度计动态模型参数辨识精度,对研究和改善加速度计动态特性有重要作用。针对加速度计的非线性影响其动态模型参数辨识精度的问题,提出了一种基于加权最小二乘(WLS)和支持向量机(SVM)的加速度计动态模型参数辩识方法,该方法针对包含线性部分和非线性项的加速度计二阶非线性动态模型,利用WLS辩识加速度计动态模型的线性部分参数,并采用SVM估计加速度计动态模型的非线性特性,通过迭代和最小化所构建的误差准则函数,实现加速度计动态模型参数最优辨识。仿真实验和加速度计绝对法冲击激励校准实验表明,该方法能够减小加速度计非线性对动态模型参数辩识精度的影响,所得加速度计动态模型参数辨识结果具有较高的精度。     

基于改进LSSVM的动态测量误差实时预测方法

误差修正是提高动态测量精度的有效途径,其中误差的建模是关键.在分析现有动态测量误差预测技术不足的基础上,提出基于改进的最小二乘支持向量机的动态测量误差回归建模和预测方法.在最小二乘支持向量机的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,减少了待定参数的个数,很大程度地缩短了支持向量机的训练时间;同时针对最小二乘支持向量机稀疏性丢失这一缺陷,采用剪枝算法改进其性能,使其具有更好的稀疏性.通过实例验证及与其他建模方法的对比,表明该方法具有优良的预测效果和动态性能,为动态测量误差预测提供了一种新的可行方法.     

基于三段PI模型的压电驱动器迟滞补偿方法

迟滞非线性降低了压电陶瓷驱动器对期望位移的跟踪精度,为解决该问题,本文通过二次规划寻优算法,基于最小均方误差准则,以压电陶瓷驱动器的运动速度规律为依据,对压电陶瓷运动速度规律不同的迟滞段分别进行PI建模.建模结果表明,相较于传统PI模型,本文提出的三段PI模型能精确地描述压电陶瓷迟滞曲线的非奇对称性.在对压电陶瓷三段PI建模的基础上,计算出压电陶瓷三段PI逆模型的阈值向量与权系数向量.通过建立的三段PI逆模型对压电陶瓷进行迟滞补偿控制,实验结果表明,与传统PI逆模型迟滞补偿控制相比,三段PI逆模型迟滞补偿控制方法将压电陶瓷对期望位移的跟踪精度提高了81.3%.     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机（least squares support vector machine,LSSVM）参数难以确定的问题,提出一种改进人工蜂群（improved artificial bee colony,IABC）算法优化的最小二乘支持向量机。首先,在标准人工蜂群（artificial bee colony, ABC）算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ²进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法——粒子群优化（particle swarm optimization,PSO）算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。     

基于最小二乘支持向量机的扫描仪特征化

目的基于最小二乘支持向量机回归(LSSVR),研究扫描仪图像输入设备的特征化方法。方法以ColorChecker SG标准色卡为目标,通过最小二乘支持向量机建立RGB三通道值到CIE Lab色度值的非线性映射模型,采用基于交叉验证的网格搜索确定模型最优参数,优化LSSVR模型,实现彩色扫描仪的色度特征化。结果所建模型的训练集R-squared为0.996,验证集R-squared为0.998,训练集与验证集的CIEDE2000平均色差分别为1.1463,1.2754。结论 LSSVR模型能够较好地实现彩色扫描仪色度特征化,泛化能力较强,此模型可有效地提高彩色扫描仪特征化的精度且计算处理速度更快。     

最小二乘支持向量机在热舒适性PMV指标预测中的应用研究

介绍了一种新型的机器学习算法一最小二乘支持向量机的原理，并针对预测PMV指标建立了最小二乘支持向量机预测模型。该模型的预测结果表明，最小二乘支持向量机预测准确度高，计算过程速度快，可以满足以PMV指标作为被控参数的空调系统控制的要求。     

非线性系统载荷识别的最小二乘支持向量机法

为解除载荷识别问题对原系统先验知识的依赖，本文提出采用最小二乘支持向量机（Least squares support vector machine，LS-SVM）对非线性系统进行逆模型辨识，随后在该逆模型基础上利用工作状态的响应数据识别时域载荷。通过对某一非线性系统的稳态和非稳态激励的仿真计算，验证了该方法的有效性。仿真结果表明LS-SVM能够辨识出可靠的非线性系统的逆模型，进而反演出较精确的时域载荷。该方法不需要了解系统的数学模型及参数，只需少量训练样本即可，因此该方法能够应用于工程实践中。     

基于遗传算法和最小二乘支持向量机的织物剪切性能预测

提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.     

自回归分布滞后模型在数控机床热误差建模中的应用

对多元线性回归模型、回归与残差AR叠合模型和自回归分布滞后模型3种热误差建模方法进行了介绍与比对分析。多元线性回归模型方法简单快捷,但因热误差呈非线性且具有互交作用,较难获得精确热误差数学模型。后两个模型均属时间序列分析方法,其优点是能够比较精确地建立热误差数学模型,两者的区别是叠合模型把参数估计分成两部分,而自回归分布滞后模型是统一估计参数,因此叠合模型的精度要低于自回归分布滞后模型精度,并通过实例验证,自回归分布滞后模型在精密数控机床热误差建模中具有较好的建模精度。     

基于多最小二乘支持向量机的桥梁温度挠度效应的分离

根据桥梁挠度的各成分的特性,建立温度和温度挠度效应的非线性关系。为了提高温度挠度效应的拟合能力,提出多最小二乘支持向量机(M-LS-SVM)拟合模型。通过减聚类方法将输入空间划分为一些小的局部空间,在每个局部空间中用LS-SVM建立子模型。为解决子模型相互之间的严重相关问题,提高模型的精度和鲁棒性,各个子模型的预测输出通过主元递归(PCR)方法连接。实验和分析结果表明：该方法能分离挠度监测信号中的温度效应,为从长期监测信号中进行损伤识别提供基础数据。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

星敏感器参数标定及误差补偿

针对CCD星敏感器光学系统存在焦距不准确、CCD平面倾斜和旋转及光学镜头畸变等误差因素,在理想针孔模型的基础上,用几何方法建立了星敏感器模型。利用地面实验数据,以最小二乘法解算该数学模型,求出焦距、CCD平面倾斜和旋转因子及畸变因子等待标定参数。将标定出的参数代回数学模型,便可由星象点测量坐标直接计算并修正入射光方向矢量,从而对光学系统的误差进行了补偿。计算结果表明:星对角距统计偏差由标定前41″降到了17″,提高了计算精度。     

基于非线性辨识理论印刷墨区控制探讨

基于非线性辨识理论,建立闭环的数学模型,寻求印刷流程中数字版面网点面积率与墨键开度之间的关系.通过实验证明:基于非线性辨识理论模型的建立,可以有效的弥补印刷生产中的扰动因素所带来的误差;由评价参数可知,该模型精度高、稳定性好,若将该理论应用于实践,可缩短印刷开机时间,提高印刷实效性.     

An adaptive finite element approach for the free surface seepage problem

A posteriori error estimates and adaptive mesh refinements are now on a rigorous mathematical foundation for linear, elliptic boundary-value problems of second order. Yet, for non-linear problems only a few results have been obtained till now. In this paper we consider as a non-linear model problem the two-dimensional fluid flow with free surface and show how results from linear a posteriori theory can be used to control the non-linear iteration and to refine the mesh adaptively. A numerical example shows that, similar to linear problems, considerable improvement of the accuracy is obtained by an adaptive mesh refinement and that the influence of singularities on the order of convergence disappears.     

广义回归神经网络在显示器颜色空间转换中的应用

目的 研究广义回归神经网络对显示器色彩空间转换预测准确性的方法。方法 通过编程, 借助MeasureTool软件自动测量, 获取建模和测试数据, 通过反复测试选择建模合适的参数, 并用广义回归神经网络模型进行仿真实验, 以获取较好的RGB-Lab色空间转换模型。结果 经广义回归神经网络模型测试, 得到色块平均色差达到2.5275, 最大色差达到19.3620。结论 该方法建模简单方便, 网络训练速度快, 转换精度高, 对显示器颜色空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于FMEA和LS–SVM的卷烟卷接过程质量监测与诊断

目的 针对烟支卷接过程质量监测精度低和效率差的问题,提出一种基于最小二乘支持向量机的卷接过程质量监控潜在失效模式及影响分析方法。方法 首先采用FMEA技术对卷接过程潜在失效模式进行识别和措施优先级判定。其次,通过关联度分析法得到关键失效模式的特征信号。最后,利用LS–SVM分类模型构建过程质量监测与诊断模型。通过实际生产数据对所提方法的性能进行验证。结果 对7种不同失效模式的识别,文中所提方法的总体平均识别精度达到93.53%,在识别准确性和识别效率上显著优于BPNN和SVM诊断方法,为卷烟制造过程诊断提供了新的思路。     

On-line estimation of key process variables based on kernel partial least squares in an industrial cokes wastewater treatment plant

A kernel-based algorithm is potentially very efficient for predicting key quality variables of nonlinear chemical and biological processes by mapping an original input space into a high-dimensional feature space. Nonlinear data structure in the original space is most likely to be linear at the high-dimensional feature space. In this work, kernel partial least squares (PLS) was applied to predict inferentially key process variables in an industrial cokes wastewater treatment plant. The primary motive was to give operators and process engineers a reliable and accurate estimation of key process variables such as chemical oxygen demand, total nitrogen, and cyanides concentrations in real time. This would allow them to arrive at the optimum operational strategy in an early stage and minimize damage to the operating units as shock loadings of toxic compounds in the influent often cause process instability. The proposed kernel-based algorithm could effectively capture the nonlinear relationship in the process variables and show far better performance in prediction of the quality variables compared to the conventional linear PLS and other nonlinear PLS method.