基于贝叶斯复合分位数回归的参数估计及应用

针对传统最小二乘估计易受异常点干扰及稳健性较差的问题,建立了基于复合分位数回归估计的数据拟合预测模型。为了克服复合分位数回归在估计参数时忽视了参数的不确定性,致使估算出的参数精度不够高的缺点,将贝叶斯分析法与复合分位数回归相结合,提高了参数的估算精度。实证分析表明贝叶斯复合分位数回归估计优于复合分位数回归估计,而复合分位数回归估计优于传统最小二乘估计,值得工程技术人员借鉴。     

基于主成分分析和朴素贝叶斯判别分析法的矿井通风机故障识别研究

为了正确诊断和识别矿井通风机故障,选取矿井通风机振动信号中的7个频率段能量指标作为故障识别的样本变量。在此基础上,采用主成分分析(PCA)与朴素贝叶斯(NBC)判别分析相结合的方法建立通风机故障判别模型。以采集到的15个样本数据为学习样本,10个为预测样本,对该模型进行检验和应用,并与传统NBC判别分析模型和其它模型的结果进行比较。测试结果表明利用PCA与NBC故障判别模型能够有效地消除样本变量指标间的相互影响,使故障判别结果更加准确。     

基于粗糙集和遗传算法的多元二次非线性回归分析模型及应用

针对煤与瓦斯突出模式识别是一个非线性、高维数据处理问题,建立了多元二次非线性回归分析的模式识别模型。利用粗糙集属性约简算法对样本数据进行降维处理,再利用降维数据和遗传算法估算出模型系数,通过对测试样本的识别检验,表明基于粗糙集和遗传算法的多元二次非线性回归分析模型具有很高的判别能力,取得和支持向量机回归模型一样的识别效果。     

基于龙格-库塔和灰色模型的神经元模糊自整定PID控制

针对工业过程中存在时滞、非线性以及受控对象参数时变等特点,提出了一种基于龙格-库塔和灰色模型的神经元模糊自整定PID控制算法.该算法将被控对象视为灰色系统,并与四阶龙格-库塔结合建立系统的预测模型,以此克服时滞对系统的影响.利用神经元学习功能和模糊控制调节神经元增益克服系统的非线性和时变等问题.仿真结果表明,该控制算法鲁棒性强,响应速度快,具有工业应用价值.     

基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用

软土路基沉降与其影响因素之间存在着非线性关系,因输入自变量较多,用神经网络建模容易出现过拟合现象,导致网络模型预测精度降低。针对这个问题,提出用遗传算法对输入自变量进行压缩降维处理,同时对网络模型的权值和阈值进行优化。实例仿真表明:经降维和权值及阈值优化的BP网络具有较高的精度;预测效果优于GRNN网络模型和单纯BP网络模型;用于软土路基沉降预测是可行的。     

贝叶斯分位数估计的软土路基沉降预测模型

对于波动性较大或含异常点的软土路基沉降时间序列,选择以观测时间为自变量的多项式为该类数据列的预测模型。多项式模型容易线性化,适合用贝叶斯分位数估算模型参数。算例分析表明贝叶斯分位数回归估计优于单一的分位数回归估计,远优于传统最小二乘估计。     

基于粒子群算法的自回归加权马尔可夫链的负荷预测

针对城市居民人均年用电量序列具有波动性、随机性和相依性的特点,建立了基于粒子群优化算法的自回归加权马尔可夫链的负荷预测模型(PSO-AR-W-MC)。首先利用粒子群算法和AIC准则确定出自回归AR模型的系数和阶数,并对负荷变化趋势进行预测。利用平行曲线法划分该模型得到的残差序列,建立马尔可夫链的状态区间,以此求出状态转移概率矩阵,利用归一化后的自相关系数对其进行改进,确定出预测数据所属状态区间。根据状态区间对预测值进行第二次拟合。实例分析表明该算法具有较高的精确度和可靠性,应用前景广阔。     

消解液酸度对石墨炉-原子吸收光谱法测定稻谷中镉元素的影响

研究了采用石墨炉‐原子吸收光谱法测定稻谷中镉元素时,样品消解液的酸度对其吸光度的影响。试验结果表明,在采用石墨炉‐原子吸收光谱法测定稻谷中镉元素时,消解液的酸度与其吸光度成负相关,且酸度与吸光度的拟合度符合方程 y＝0．0608 x2－0．2207 x＋0．2538,相关系数 R为0．995,拟合度良好。该研究结果可为检测一线的技术人员提供参考。     

基于因子分析的极限学习机在煤与瓦斯突出等级识别中的应用

煤与瓦斯突出预测是一个非线性、非正态和高维数据处理问题,为了提高预测的准确性和时效性,采用因子分析法将原有的9个判断指标转化为4个综合性指标,再将转化后的指标作为极限学习机(ELM)的输入,充分发挥极限学习机学习速度快、泛化能力强以及容易获得全局唯一最优解的特点,快速准确地进行诊断识别,和BP神经网络、支持向量机SVM比较,极限学习机的建模时间短,对样本数据预测的准确性高,具有借鉴价值。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。