基于时间反演的到达时间定位

针对传统算法在室内超宽带(UWB)到达时间(TOA)定位系统里很难准确搜寻出第一条直射路径,从而导致定位精度不高的问题,提出了基于时间反演(TR)的TOA室内UWB定位算法.首先,利用TR处理的空时聚焦特性确定第一条直射路径,从而估计这条路径的TOA;其次,通过加权最小二乘(WLS)定位算法对不同的估计分量赋予相应的权...     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

PLS-LSSVM模型在锌净化中的应用

在锌净化除钴过程中,生产数据存在噪声且变量间具有多重相关性,从而难以准确预测钴离子浓度。为此,采用偏最小二乘方法去除数据中的噪声,降低各参数间的多重相关性。通过为不同时期的样本数据赋予不同的权值,提高了最小二乘支持向量机(LSSVM)模型预测的准确性。利用改进的粒子群优化算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性。仿真结果表明,PLS- LSSVM模型的预测精度高于偏最小二乘回归和LSSVM。     

基于PSO-LSSVM的城市时用水量预测

为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高。     

基于核的最小均方误差改进算法及其应用

传统基于核的最小均方误差(KMSE)算法在进行人脸识别时,需要求解多个方程,计算量较大。为此,提出一种用于多类识别的基于核的多元最小均方误差(KMSEMC)算法,该算法只需一个方程即可。在AR人脸库上的实验及数据分析表明,该算法在时间复杂度和识别率等方面计算量较小,在识别性能和计算时间上都优于同类传统算法。     

基于偏最小二乘回归和SVM的水质预测

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。     

基于核自适应滤波器的时间序列在线预测研究综述

核自适应滤波器(Kernel adaptive filter, KAF)是时间序列在线预测的重点研究领域之一, 本文对核自适应滤波器的最新进展及未来研究方向进行了分析和总结. 基于核自适应滤波器的时间序列在线预测方法, 能较好地解决预测、跟踪问题. 本文首先概述了三类核自适应滤波器的基本模型, 包括核最小均方算法、核递归最小二乘算法和核仿射投影算法(Kernel affine projection algorithm, KAPA). 在此基础上, 从核自适应滤波器在线预测的内容和机理入手, 综述基于核自适应滤波器的时间序列在线预测方法. 最后, 本文将介绍这一领域潜在的研究方向和发展趋势, 并展望未来的挑战.     

时间序列高阶分段表示方法

针对分段线性表示(即一阶线性函数表示)或分段常数表示(即零阶函数表示)在时间序列近似表示中拟合误差较大的问题,提出时间序列高阶函数分段表示方法。通过建立高阶函数候选集模型,利用拟合误差指标选取最优函数,为保证在分段点处连续,引入断点处约束条件;在分段点选取方式上,设定观测值变化阈值及分段区间阈值,保证压缩率的同时,保留重要点信息。实验结果表明,该算法相对于分段线性表示和分段常数表示,能更好地拟合原始序列。     

基于粒子群优化的最小二支持向量机在页岩气井当中的产量预测应用

石油与天然气开发、生产运营期间,在确保质量的前提下,为了尽可能保证企业的利润空间,运营平台的合理管理和规划、页岩气井的生产调度、经济管控、资源分配最优化是提高该指标的重要措施。页岩气井的产量预测是直接影响这一系列措施的重要参考指标之一。基于此背景,将最小二乘支持向量机应用于页岩气产量预测,以期发挥指导页岩气井生产运营的作用。基于此,概述原理性了采用的方法,利用粒子群优化处理实际工程数据,利用MATLAB完成实际数据仿真,并验证预测数据与实际生产数据。结果表明,收敛性好,预测精度和训练速度较高,对实际生产具有一定指导意义。     

一种无参数的微阵列缺失值填补方法

微阵列数据中的缺失值会对随后的数据分析造成影响。因此,正确地估计这些缺失值是很必要的。将一个k值选取算法结合到有序的局部最小二乘填补算法中,提出了一种无参数的缺失值填补方法(SLLSkimpute)。该方法的三个特点是:第一,无需事先确定参数;第二,针对不同的目标基因使用不同数目的邻居基因;第三,有序地估计缺失值,并有选择地将已得到的估计值应用到后续的估计过程中。实验结果证实了该算法的有效性,其估计性能优于其它一些常用的填补方法。     

基于PSO-KELM的发动机特征参数预测

针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。     

基于2维偏最小二乘法的图像局部特征提取及其在面部表情识别中的应用

为了更有效地提取图像的局部特征,提出了一种基于2维偏最小二乘法(two-dimensional partial leastsquare,2DPLS)的图像局部特征提取方法,并将其应用于面部表情识别中。该方法首先利用局部二元模式(localbinary pattern,LBP)算子提取一幅图像中所有子块的纹理特征,并将其组合成局部纹理特征矩阵。由于样本图像被转化为局部纹理特征矩阵,因此可将传统PLS方法推广为2DPLS方法,用来提取其中的判别信息。2DPLS方法通过对类成员关系矩阵的构造进行相应的修改,使其适应样本的矩阵形式,并能体现出人脸局部信息重要性的差异。同时,对于类成员关系协方差矩阵的奇异性问题,也推导出了其广义逆的解析解。基于JAFFE人脸表情库的实验结果表明,该方法不但可以有效地提取图像局部特征,并能取得良好的表情识别效果。     

基于核偏最小二乘回归分析的线损率预测

研究了线损率预测问题。由于影响线损率的因素间存在着复杂的非线性和强相关性,一般方法难以得到较高精度的预测结果。针对线损率的特点,为了提高预测精度,本文首次将核偏最小二乘回归算法应用于线损率预测。先以历年来的线损率及其相关数据为样本建立预测模型,然后对预测年线损率进行预测。以某电网为实例进行仿真,并将仿真结果与其他方法所得到的仿真结果进行比较。结果表明基于核偏最小二乘回归分析的线损率预测具有较高精度,能较好地克服变量相关性和非线性因素对预测模型的不利影响,为电力企业制订科学合理的线损率计划提供理论依据。     

基于粒子群的全空间瞬变电磁二维反演方法研究

针对煤矿实际采掘情况的复杂性,为了提高探测精度,为钻探提供有效靶点,为矿井水害防治提供可靠的地质资料,研究了基于粒子群的全空间瞬变电磁二维反演方法。通过建立Q型地电模型,开展基于时域有限差分的二维正演模拟,得到不同时刻各网格节点处的磁场强度值;抽取正演模拟得到的磁场强度值与实测资料中的磁场强度值进行最小二乘法反演,采用粒子群算法对电阻率和地层厚度参数进行寻优,使反演结果拟合误差满足精度要求;按测点号依次对最小二乘法反演后的磁场强度值进行全空间瞬变电磁二维反演计算,分析二维反演后得到的瞬变电磁场响应规律和反演精度。实际应用结果表明,基于粒子群的全空间瞬变电磁二维反演方法是可行的,反演结果中的低阻异常体具有成层特性及一定的连通性,更能反映层状地层以砂泥岩为主的岩性结构特征及含水特性,提高了探测精度和分辨率。     

基于改进PSO-LSSVM的电采暖短期负荷预测研究

为了提高电采暖短期功率负荷预测的精度、准确性和速度,提出一种改进PSO-LSSVM算法对电采暖的短期负荷功率预测。利用PSO算法对LSSVM进行参数的优化,将得到的最优参数值作为LSSVM参数从而建立改进PSO-LSSVM算法模型。考虑电采暖地区的天气、温度的因素,将新疆某地电采暖负荷历史数据以天气变化、温度差为参考指标经过分解、组合,得到归类组合数据样本,利用改进PSO-LSSVM算法与传统BP、LSSVM预测结果的精度、准确性和速度进行对比。仿真结果表明,改进PSO-LSSVM预测方法的精度和准确性最高、速度相对较快,验证了所提方法的有效性和准确性。改进方法对含高比例电采暖设备的地区电采暖实际短期负荷预测和“煤改电”“气改电”的电采暖工程应用中有借鉴意义。     

基于最小二乘支持向量机的耕地面积预测研究*

针对耕地面积数据的小样本、复杂非线性特点,提出一种基于最小二乘支持向量机的耕地面积预测方法。采用相关系数法选择耕地面积的影响因子,通过粒子群优化算法对最小二乘支持向量机参数进行优化,最后建立耕地面积与影响因子之间复杂的非线性关系模型。采用湖南省耕地面积数据对模型性能进行验证,结果表明,相对于参比模型,最小二乘支持向量机提高了耕地面积的预测精度,是一种有效的耕地面积预测方法。     

基于分层空间的Rao-Blackwellised化粒子滤波算法

针对于粒子滤波在目标跟踪里面粒子使用率低且单一等问题,提出一种基于分层空间的Rao-Blackwellised化粒子滤波算法。该算法通过Rao-Blackwell定理将线性变量边缘化从而减少状态空间维数,提高估计精度。在满足同等精度要求时,可大大减少所需粒子数目,因而大大降低计算负荷;分层理论可以把粒子空间分成多重空间,利用权重实现合理分配粒子,可以提高相关估计的准确性。实验结果表明,所提算法的均方根误差相比传统算法降低了50%,精确度在每个仿真时间内都有提高。     

混合PSO在最小均方误差调节器中的应用

利用最小均方误差调节器来改善有限拍系统是一种常用的方法,而调节器参数的选择是非常重要的。本文在确定最小均方误差调节器的过程中设计基于模拟退火的粒子群算法对参数进行了优化,并对一具体系统进行了仿真。结果表明,混合粒子群算法比单独使用粒子群算法和模拟退火算法的效果要好,同相关文献确定参数方法相比,系统的超调量和调节时间都得到了明显的改善,验证了所提算法的有效性。     

基于变尺度混沌QPSO-LSSVM的水质溶氧预测建模

在水产养殖业中,水质对水中生物体的生长具有重要的影响,影响水质的因素主要包括:养殖水体的温度、pH值、氨氮含量、水中的溶解氧含量等等。根据统计资料显示,直接或者间接的遭受缺氧致死的鱼类,大约占到养殖鱼类死亡总数的60%,因此对水质溶氧含量进行预测对水产养殖业具有很大的意义。在预测方面,传统神经网络容易陷入局部最优,模型的推广能力不够强,支持向量机模型能够克服神经网络的这个缺点,具有很好的推广能力。本文运用变尺度混沌量子粒子群优化算法优化最小二乘支持向量机,选取国家罗非鱼产业技术研发中心无锡养殖基地的实际测量数据作为训练和测试样本数据,对水质溶氧情况进行预测。针对粒子群优化算法和量子粒子群优化算法容易陷入早熟的缺点,提出变尺度混沌量子粒子群优化算法来对最小二乘支持向量机进行参数寻优,并将这种建模方法运用于水质溶氧预测中。将传统神经网络模型以及基于量子粒子群优化算法优化的最小二乘支持向量机模型的预测结果与本文所建立的模型的预测结果相比较,证明了本文算法具有优越性,同时该模型较好的预测了水质溶氧趋势,为渔业的养殖提供了良好的参考价值。     

基于PSO-KELM的发动机特征参数预测北大核心CSCD

针对发动机特征参数预测中的参数选择及预测模型建立的问题,提出一种基于粒子群优化核极限学习机(PSO-KELM)的发动机特征参数预测方法。根据能够反映发动机性能及技术状况变化趋势、不解体检测和抗干扰的原侧,选择排气温度作为表征发动机运行状况的特征参数,以发动机水温、油温、尺杆位移和转速作为关联特征量。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的惩罚系数和核参数进行优化,以减少人为因素的影响。车辆在怠速和行驶工况下的特征参数预测结果表明,与基于粒子群优化的最小二乘支持向量机预测模型(PSO-LS-SVM)和基于网格搜索优化的核极限学习机预测模型(NS-KELM)相比,PSO-KELM的预测精度更高,为发动机特征参数预测提供了一条有效途径。