一种基于增量加权平均的在线序贯极限学习机算法

针对在线序贯极限学习机(OS-ELM)对增量数据学习效率低、准确性差的问题, 提出一种基于增量加权平均的在线序贯极限学习机(WOS-ELM)算法.将算法的原始数据训练模型残差与增量数据训练模型残差进行加权作为代价函数,推导出用于均衡原始数据与增量数据的训练模型,利用原始数据来弱化增量数据的波动,使在线极限学习机具有较好的稳定性,从而提高算法的学习效率和准确性. 仿真实验结果表明, 所提出的WOS-ELM算法对增量数据具有较好的预测精度和泛化能力.     

全局收敛的非线性最小二乘在Forstat中的实现

非线性最小二乘问题大多具有实际背景,在林业、生态等领域的模型建立中有着重要的作用。针对其算法通常存在的局部收敛问题,采用信赖域法,并综合考虑迭代过程中溢出问题和用于模型判断的残差图绘制,在Forstat中设计和实现了全局收敛的非线性最小二乘。数值实验表明：算法有极好的精确性和较好的全局收敛性与稳定性。建立非线性模型时,在待求参数没有先验知识的情况下,可以得到较好的结果。     

在线鲁棒最小二乘支持向量机回归建模

鉴于工业过程的时变特性以及现场采集的数据通常具有非线性特性且包含离群点,利用最小二乘支持向量机回归（least squares support vector regression,LSSVR）建模易受离群点的影响.针对这一问题,结合鲁棒学习算法（robust learning algorithm,RLA）,本文提出了一种在线鲁棒最小二乘支持向量机回归建模方法.该方法首先利用LSSVR模型对过程输出进行预测,与真实输出相比较得到预测误差;然后利用RLA方法训练LSSVR模型的权值,建立鲁棒LSSVR模型;最后应用增量学习方法在线更新鲁棒LSSVR模型,从而得到在线鲁棒LSSVR模型.仿真研究验证了所提方法的有效性.     

快速在线主动学习的图像自动分割算法*

提出经前馈神经网络快速在线学习、构建像素分类模型进行图像分割的算法。首先利用谱残差法计算像素显著度,通过对少数高显著度点的分布进行多尺度分析,获得符合人眼视觉特性的显著图和注视区域。然后从注视区域和非注视区域随机抽样构成由正负样本像素组成的训练集,在线训练一个两分类的随机权前馈神经网络模型。最后使用该模型分类全图像素,实现图像分割。实验表明,文中算法在谱残差法基础上提升对图像中显著目标的分割性能,分割结果与人类视觉感知匹配度较好。     

基于C/FD-GMRES方法的UAV在线航迹规划算法

为保证UAV在线航迹规划结果满足执行任务的终端约束条件,提出一种基于C/FD-GMRES的UAV在线航迹规划滚动优化求解算法.将同伦连续方法与前向差分增广最小残差法结合,在每个采样时刻计算一次残差向量线性方程,采用前向差分近似替代雅可比矩阵与向量的乘积,再基于广义最小残差法快速求解大规模线性方程.仿真实验结果表明,该算法能够有效规避空间障碍,并规划出稳定收敛至固定终端状态的运动轨迹,规划时间为百毫秒级,满足在线规划实时性的要求.     

一种基于Cholesky分解的动态无偏LS-SVM学习算法

针对最小二乘支持向量机用于在线建模时存在的计算复杂性问题,提出一种动态无偏最小二乘支持向量回归模型.该模型通过改进标准最小二乘支持向量机结构风险的形式消除了偏置项.得到了无偏的最小二乘支持向量机,简化了回归系数的求解.根据模型动态变化过程中核函数矩阵的特点,设计了基于Cholesky分解的在线学习算法.该算法能充分利用历史训练结果,减少计算复杂性.仿真实验表明了所提出模型的有效性.     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

一种无门限U/V判决和基音检测算法

在实验研究自相关法（ACF）和平均幅度差法（AMDF）基音检测性能的基础上,提出了一种无门限清/浊音判决和基音检测算法。该算法对语音帧分别计算AMDF和LPC残差信号的自相关（LACF）,比较两种方法所得的基音,得出清/浊音判决结果和浊音帧的基音周期。只用一次逻辑判断,无需比较门限;在多种声码器上应用该算法进行语音编/解码仿真实验,表明判决和检测算法具有较高的准确性和较强的噪声鲁棒性。     

ARMA谱的自适应广义最小二乘估计法

本文在说明普通最小二乘自适应算法用于ARMA模型谱估计时存在有偏性的基础上,推广了最小二乘自适立算法的模型,得到了适用于在线ARMA谱估计的广义最小二乘自适应算法,并讨论了加速收敛的方法。与辅助变量(IV)法相比较,本文方法具有保证估计谱正性和能在线识别MA部分参数的优点。文中还用多种数值结果说明了本文方法在实际应用中的有效性。     

基于自适应重叠系数的T-S 模型在线辨识算法及应用

为使T-S模型在线辨识时能够更加合理地划分模糊空间,提出一种根据相邻聚类中心距离确定模糊空间重叠系数的方法.将该方法与一次完成最小二乘法、递推最小二乘法相结合,得到了一种辨识精度较高的T-S模型在线辨识算法.以某型号单晶炉热场的实际运行数据为对象,应用所提出的算法对热场模型进行在线辨识.辨识结果表明,由该辨识算法得到的单晶炉热场模型具有较高的精度.     

求解矩阵方程AX=B几种算法的比较

探究了求解矩阵方程AX=B的广义共轭残量法（GCR）、正交极小化法（ORTHOMIN）、重开始的广义共轭残量法（GCR（k））、重开始的正交极小化法（ORTHOMIN（k））等四种算法的迭代思想,讨论了算法的收敛性和收敛速度;用数值实验比较四种算法的性能,得出了重开始的广义共轭残量法能更好地求解大规模矩阵方程的结论。     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

基于局部最小熵的小波系数预测编码方法

提出了一种基于局部最小熵的预测模型构造方法,能够更好地区分待编码位的不同概率分布,从而实现对小波系数的高效压缩。首先,根据小波系数间的相关性选择预测系数,并构造相关性预测函数来综合多个系数的预测效果;以熵值的最小化作为准则,采用逐步筛选法对预测函数划分的多个分类进行选择合并,建立了一种局部最优的预测分类模型;结合熵编码实现对小波系数的高效压缩。实验结果表明,与图像压缩标准JPEG2000相比,所提方法的恢复图像主客观质量均有改善,客观质量平均提高0.4 dB。     

基于数据填补和连续属性的朴素贝叶斯算法

朴素贝叶斯算法（NB）在处理分类问题时通常假设训练样本的数值型连续属性满足正态分布,其分类精度也受到训练数据完整性的影响,而实际采样数据很难满足上述要求。针对数据缺失问题,基于期望最大值算法（EM）,将朴素贝叶斯分类器利用已有的不完整数据进行参数学习;针对样本数值型连续属性非正态分布的情况,基于核密度估计,利用其分布密度（Distribution Density）和新的分析计算方法来求最大后验分布,同时用标准数据集的分类实验验证了改进的有效性。将改良的算法EM-DNB应用在生物工程蛋白质纯化工艺预测中,实验结果表明,预测精度有所提高。     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

三支残差修正的燃气负荷预测

燃气负荷的准确预测对于燃气调度、规划燃气使用有着重要的意义。单一的预测模型在燃气负荷预测中不能取得很好的预测效果,故基于燃气负荷数据的特点设计了一种三支残差修正的燃气负荷组合预测模型。首先基于燃气负荷数据特点,采用鲁棒局部加权回归对负荷序列进行了分解,针对分解后的趋势项、周期项、余项设计了ARIMA(autoregressive integrated moving average)和LightGBM(light gradient boosting machine)的组合预测模型,然后结合三支决策理论设计了三支残差修正法对LightGBM的预测结果进行修正。实验结果表明该组合模型的表现良好,预测效果优于常见单一模型。     

一种新型灰色预测模型在陀螺漂移预测中的应用研究

针对某型导弹的陀螺漂移趋势预测问题,提出1种基于经验模态分解（EMD）的新型灰色支持向量回归预测模型。该模型通过运用经验模态分解算法将陀螺漂移数据趋势项和随机项进行分离,然后分别运用灰色GM（1,1）和支持向量回归算法对这2种数据进行预测,最后将预测结果进行重构得出最终的预测值。给出了这种算法的具体步骤并将其应用到某型导弹陀螺漂移的预测中,仿真试验结果表明这种预测模型的有效性和可行性。     

柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型

针对在最小二乘支持向量机（LSSVM）的核函数参数和正则化参数优化中回溯搜索优化算法（BSA）易早熟、局部开采能力弱等问题,提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解,然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力,最后运用改进后的柯西自适应回溯搜索算法（CABSA）优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验,结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优,且与标准BSA、粒子群优化（PSO）算法、人工蜂群（ABC）算法、灰狼优化（GWO）算法优化的LSSVM相比,该模型的决定系数提升了1.21%~15.28%,预测误差降低了6.36%~29.00%,运行时间降低了5.88%~94.16%,可见该模型具有较高的预测精度和较快的计算速度。     

基于改进极限学习机算法的股票价格在线预测

为了对股票价格进行准确、快速的在线预测,提出一种基于改进极限学习机算法（IELM）的股票价格在线预测模型。在极限学习机（ELM）中引入Cholesky分解方法,使网络权值随新样本的逐次加入递推更新,提高模型的泛化能力,加快网络学习效率,然后对交通银行股票（601328）的收盘价进行仿真实验。结果表明,相对于对比模型,IELM不仅提高了计算效率,而且提高了股票价格预测精度,可以实现股票价格快速、准确在线预测。