基于杂交粒子群算法的多元线性回归参数估计及预测区间研究

为了提高多元线性回归分析模型预测混凝土28 d抗压强度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数,依据正态分布和t分布求出预测点置信度为95%的预测区间。实验结果表明:此模型的预测精度优于传统基于最小二乘估算的回归分析模型,且预测结果可以是相关量的取值范围,扩大了相关量的适用范围,提高了预测的可靠性。     

基于Haar小波的一类模糊控制器的优化及应用

用Haar小波基函数生成三角形及梯形隶属函数,建立基于小波分析的模糊控制器,利用小波在时域和频域同时具有良好的局部化特性,根据系统输出误差在线调整隶属函数的形状,使模糊控制器得到优化并具有强大的自适应能力.仿真结果表明这种控制器比常规的PID或PD控制器具有更优的动、静态性能和抗干扰能力,而且有很强的跟踪能力.     

灰色人工神经网络模型在路基沉降预测中的应用

利用灰色GM(1,1)模型得出的高速公路工后运营期路基沉降预测量呈快速增长趋势,这与后期沉降趋缓的实际情况不相符。针对这个问题,提出先用弱化缓冲算子对原始监测数据进行弱化处理,再利用弱化缓冲序列建立灰色GM(1,1)模型,提高了模型的预测精度。采用BP网络对沉降预测值修正,使修正后的预测值更加接近实际值。工程实例表明在弱化监测数据的基础上建立的灰色与人工神经网络结合模型具有很高的预测精度,可用以公路路基沉降预测分析。     

基于模拟退火的粒子群算法优化的二次回归在混凝土抗压强度预测中的应用

混凝土抗压强度与其影响因素之间存在着很强的非线性关系,精确预测混凝土抗压强度对提高工程质量和施工进度等具有重要意义。为了提高预测值的精确度,建立了二次回归预测模型,利用基于模拟退火的粒子群算法对模型系数进行了优化和求解。实例仿真表明这种经智能算法优化后的二次回归预测模型优于传统神经网络预测模型,预测精度得到了较大提高。     

基于模拟退火的粒子群算法优化的二次回归在矿井通风机故障诊断中的应用

针对矿井通风机故障诊断过程中样本数据有限的特点,提出了一种经模拟退火的粒子群算法优化的二次回归诊断方法。将样本数据分为建模数据和测试数据,测试结果表明该方法具有适用性强、操作简单、精准度高,且无需太多样本数据等特点,值得推广。     

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。     

基于级别变量特征值的矿井瓦斯涌出量预测建模方法

针对矿井瓦斯涌出量预测中出现的高维非线性数据处理问题,采用模糊聚类、模糊识别及优化理论等方法得出了预测因子的最优模糊划分矩阵,结合瓦斯涌出量等级值计算出样本数据的级别变量特征值,在此基础上利用MATLAB曲线拟合工具箱建立了单输入单输出瓦斯涌出量预测模型。实证分析表明利用该建模方法得出的预测模型具有较高的预测精度,预测效果优于已有的一些预测模型。