特征结构下基于极点配置的多变量预测控制

本文提出了特征结构下基于极点配置的多变量预测控制方法,该方法通过选择一组可调 参数使各特征子系统的闭环极点达到预定的数值,进而计算出各特征子系统中的控制器参数． 仿真试验证实了本文算法的有效性.     

一种基于多步预测的多变量自校正控制算法

本文提出一种简单的基于多步预测的自校正控制算法.该算法以 CARIMA 模型为基础,采用多步预测、优化,使其具有较强的鲁棒性.本文提出的算法简单、易于实现,只需较少的关于系统的验前知识.     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

基于多变量广义预测的烟气含氧量软测量研究

本文给出了一种基于多变量广义预测的烟气含氧量软测量方法,对预测输出模型系数直接辨识,避免了求解丢番图方程的过程,并采用粒子群优化算法对模型参数进行优化选择,快速选取预测参数的最佳组合,有利于提高模型的预测精度。仿真结果证明了该方法的有效性。     

特征结构下的一种多变量预测控制方法

本文采用优化的方法确定多变量对象的近似特征序列,并在此基础上提出了在特征结构下的多变量预测控制和相应的闭环反馈结构,利用此反馈结构可方便地对所设计的多变量预测控制系统进行稳定性判别,仿真试验证实了本文的算法对不稳定的多变量对象也是适用的.     

基于Tank-Hopfield神经网络的有约束多变量广义预测控制器

通过对系统的信号约束，构成有约束多变量广义预测控制问题，并运用Ｔ－Ｈ优化神经网络来求解这一复杂的优化问题。在求解过程中，有约束广义预测控制的求解被转化为一个Ｔ－Ｈ优化电路网络的稳态解。因此可以通过硬件电路或龙格－库塔数值方法进行求取。在一个工业过程模型上的仿真研究证明这一方法是非常有效的。     

基于VPRS多变量决策树优化算法

噪声数据降低了多变量决策树的生成效率和模型质量,目前主要采用针对叶节点的剪枝策略来消除噪声数据的影响,而对决策树生成过程中的噪声干扰问题却没有给予关注。为改变这种状况,将基本粗糙集（rough set,RS）理论中相对核的概念推广到变精度粗糙集（variable precision roughset,VPRS）理论中,并利用其进行决策树初始变量选择;将两个等价关系相对泛化的概念推广为两个等价关系多数包含情况下的相对泛化,并利用其进行决策树初始属性检验;进而给出一种能够有效消除噪声数据干扰的多变量决策树构造算法。最后,采用实例验证了算法的有效性。     

一种约束输入的多变量广义预测控制新算法

针对多变量有约束过程,将一种约束输入的广义预测控制新算法（CPCLC）推广到任意维输入任意维输出（ADLADO）线性系统中,该算法简单,不必解Diophantine方向,而且在求逆矩陈时,与传统的广义预测控制相比,极大地减少了计算器,仿真结果进一步证实了算法的有效性。     

一种基于自演化预训练的多变量时间序列预测算法

时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预...     

基于多变量灰色模型的人力资源结构预测研究

本文采用一种基于模糊模型的多变量灰色模型,对中国船舶重工集团公司的人力资源结构进行预测。结果表明该公司未来人力资源结构比重相对误差不超过3%,预测精度较高,对公司的经济效益等有一定的导向作用。     

基于XGBoost的微博流行度预测算法

随着全媒体时代的到来和社交网络的发展,流行度预测在舆情监测和数据话语权的争夺上开始发挥重要的作用。现有的流行度预测研究多集中于外文媒体,对以微博为代表的国内主流媒体进行流行度预测是一个新兴且具有挑战的方向。本文针对微博这一国内社交媒体平台进行研究,通过对微博内容及微博用户的特征分析,设计了多种流行度预测方案,同时,提出了一种基于XGBoost的微博流行度预测算法,将流行度预测问题转换为互动值档位分类问题,在分类式框架下将提取融合后的特征用于模型训练,可以较为准确地对有用户信息的微博的流行度情况进行预测。本文的算法在微博流行度预测数据集中得到验证,并且取得了准确率高达85.69%的优越效果。     

基于IRWQS与模糊特征的位置预测算法

针对现有二维位置预测算法难以反映地势因素给预测准确度带来的影响,提出一种基于IRWQS(Incremental Repetition Weighing Queue Strategy)与模糊特征相结合的位置预测方法。首先,将从北斗卫星导航系统获取的三维位置坐标信息进行提取转换后存入数据库,再利用数据库的链式操作进行在线增量式重复加权队列扫描运算;其次,通过模糊特征匹配算法获取最优的位置坐标,并得出较为准确的下一运动位置坐标点以及运动趋势。实验结果表明,相比MMTS算法和UCMBS算法,所提算法的预测准确率分别平均提高约9%和25%。     

基于回声状态网络的多变量预测模型的研究

考虑单变量在混沌时间序列预测中的不足,文章利用多变量模型进行混沌时间序列的预测。针对多变量预测过程中的维数过高问题,文章结合主元分析理论(PCA)和回声状态网络(ESN),构建了基于PCA和ESN的多变量混沌时间序列预测模型,将PCA降维后的时间序列数据输入ESN网络进行预测分析。论文对由Lorenz动态方程生成的三变量混沌时间序列进行了仿真实验,结果表明该模型有效地提高了预测的精度和预测的效率,是一种有效的混沌时间序列预测方法。     

基于辅助特征的Web服务QoS预测

随着互联网以及Web服务技术的快速发展,相同功能的Web服务数量越来越多.在构建面向服务的应用时,服务质量（QoS）作为Web服务的非功能特性开始被越来越多的用户所重视.为了向用户推荐高质量的服务,首先我们需要对服务质量进行预测.现今有很多关于Web服务QoS预测的工作,这些研究大都关注在建模方法的优化上,忽视了辅助特征对于QoS预测的影响.着重分析辅助特征对于QoS预测的影响,例如服务类别和用户地理位置.为了实现此目标,基于因子分解机（Factorization Machines）设计并构建了一个统一的QoS预测架构,该架构可以灵活、方便地考虑进多个辅助特征.结合服务类别和用户地理位置这两类辅助特征,提出了一种QoS预测方法,并通过在真实数据上的实验证明了我们的方法的优越性.     

噪声环境下话者识别系统的特征提取

重点研究在噪声环境下,话者识别中语音信号的特征提取。将能减化信号,消除较小分量而保留信号的基本特征的数学形态滤波器良好的滤波性应用在一维语音信号的处理中。并在噪声环境下,应用线性预测的MFCC特征提取方法提高鲁棒性。提取几种重要的语音特征参数,包括线性预测倒谱系数、MEL倒谱系数、语音动态参数、激励源特征等,对这些参数进行分析和比较．以达到话者识别的目的。     

噪声环境下话者识别系统的特征提取

重点研究在噪声环境下,话者识别中语音信号的特征提取。将能减化信号,消除较小分量而保留信号的基本特征的数学形态滤波器良好的滤波性应用在一维语音信号的处理中。并在噪声环境下,应用线性预测的MFCC特征提取方法提高鲁棒性。提取几种重要的语音特征参数,包括线性预测倒谱系数、MEL倒谱系数、语音动态参数、激励源特征等,对这些参数进行分析和比较,以达到话者识别的目的。     

基于阅读认知诊断的学生表现预测

面向学生的表现预测（试题得分）是在线教育领域重要的研究课题。但传统认知诊断的预测准确性较低,协同过滤方法难以保证预测结果的可解释性。此外,由于目前方法预测时大多利用了学生的试题作答记录,因而不能预测无作答记录的学生在试题上的表现。学生作答试题之前,通常会阅读一些辅助性文本类学习材料。阅读认知诊断即学生阅读学习材料的内容往往可以反映出学生的知识状态（知识点掌握情况）,从而有助于预测学生表现。为此,提出一种基于阅读认知诊断的知识状态建模方法。利用学生阅读学习材料的内容,量化其对学习材料的潜在认知程度。结合教育学假设,量化学习材料的难度。利用上述两个量化结果,根据项目反应理论,计算出学生对学习材料的实际掌握程度,据此建模学生的知识状态并预测其在试题上的表现。在实际数据集上进行实验,实验结果表明所提方法可以保证预测结果的准确性与可解释性,也可以预测出无作答记录的学生表现。     

融合形态特征的最大熵蒙古文词性标注模型

最大熵模型以其能够较好地包容各种约束信息及与自然语言模型相适应等优点在词性标注研究中取得了良好的效果.因此,将其作为基本框架,提出了一种融合语言特征的最大熵蒙古文词性标注模型.首先,根据蒙古文构词特点及统计分析结果,定义并选取特征模板,利用训练语料提取了大量的候选特征集合,针对错误或者无效的特征通过设置一些规则筛选特征.然后,训练最大熵概率模型参数.实验结果表明,融合蒙古文形态特征的最大熵模型可以较好地标注蒙古文.     

基于形态分解运算的地形图要素自动提取与识别

针对地形图识别中的要素自动分割问题，提出了基于形态分解运算的提取算法．本算法根据形态特征的不同将地图要素进行结构分解，然后运用腐蚀、膨胀、改进的RLS变换等算子对相同特征的结构进行分类综合，最后依据要素特征组合的整体分析实现了地图上各要素的提取．同以往的算法相比，本算法运算简单，且能更好的解决地图要素的重叠及粘连问题．此算法已编程实现，实验证明效果比较理想。     

基于域内特征间相似性的点击率预估优化

基于深度学习的点击率预估模型多数通过建模各个域的特征之间的交互关系提升预估准确率。特征嵌入向量对模型效果具有重要影响,而现有的CTR模型中不同特征的嵌入向量学习过程相互独立,且由于特征长尾分布导致大部分低频特征不能学习到较好的向量表示,严重影响模型的预测效果。基于域内特征间存在隐含的相似性,提出两种分别基于特征间共现概率和游走概率的相似度定义和对应的相似性图构建方法,并给出结合剪枝策略的广度优先遍历算法实现相似特征的高效计算。在此基础上,基于域内特征相似性图,设计一种嵌入生成器,对于低频特征,在域内特征相似性图上通过图神经网络聚合与其相似的特征信息,生成新的特征嵌入,作为预处理过程对特征嵌入向量进行数据增强,提升嵌入向量的表示学习质量。在公开数据集Criteo、Avazu上的实验结果表明,该方法明显提升点击率预估模型的预测准确率,其中对代表性点击率预估模型xDeepFM和AutoInt,AUC指标分别提升了0.007和0.008,LogLoss则下降了0.009和0.006,证明了嵌入生成模型的有效性。