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.     

基于改进RBF神经网络的动态测量误差预测方法

该文针对传统的RBF神经网络预测方法的局限性，引入次胜者受惩（RPCL）算法和递归正交最小二乘算法（ROLS），进行了动态测量误差实时预测算法的研究。理论分析和预测实例表明，该方法预测精度明显高于传统的方法，具有很强的学习与泛化能力，在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很高的应用价值。     

非标准环境测试仪器误差校准研究

本文分析了测试仪器误差存在的原因,介绍了非标准环境测试仪器误差校准中常用的几种方法,描述了它们的基本特点,总结了各自的优缺点,并在此基础上指出了非标准环境测试仪器误差校准技术发展的方向.     

动态随机误差实时预测方法研究

由于数学算法上的困难,在研究动态误差预测时,一般仅对系统误差加以研究,然而,在很多测量装置中随机误差成分有时含量更大.该文针对测量中出现的动态随机误差,首先分析了其预测的可行性,然后介绍了几种常用的动态误差预测模型,并以随机误差预测能力较强的时序AR模型、贝叶斯理论、RBF神经网络和支持向量机回归四种建模方法进行研究,最后指出了各种建模方法的优缺点和适用范围.     

遗传算法研究

遗传算法以编码空间代替问题的参数空间，以适应度函数为评价依据，以编码群体为进化基础，以对群体中个体位串的遗传操作实现选择和遗传机制，建立一个迭代过程。通过随机重组编码位串中重要的基因，使新一代的位串集合优于老一代的位串集合，群体个体不断进化，逐渐接近最优解，最终达到求解。