基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

基于自适应交互式多模型的永磁同步电机无感控制

目的改善包装印刷机器的控制性能,减少包装印刷机器所用传感器数量和电机控制系统成本,减小包装印刷机械装置故障率和电机体积,针对传统扩展卡尔曼滤波算法中模型可能不匹配实际工况的问题,提出一种自适应多模型无感控制策略。方法基于传统扩展卡尔曼滤波,引入多模型,在输入环节依靠状态转移概率矩阵实现多个模型间的交互,并借助隐马尔可夫模型,设计多模型的状态序列和观测序列,将观测得到的矩阵对多模型交互环节的状态转移概率矩阵进行迭代更新,提高模型面对环境扰动时的匹配程度。结果Matlab/Simulink仿真结果表明,改进后的算法使转速的估计精度得到显著提升,同时在面对环境扰动时,其抗扰动能力显著提高。结论与传统扩展卡尔曼滤波算法相比,改进算法提高了系统控制精度,提高了动态性能和鲁棒性,改进后算法更适合应用于包装印刷机械。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于交互式多模型因子图的自适应组合导航算法

针对复杂城市环境下因外部干扰或传感器故障而引起的传统车载导航系统定位精度下降的问题,提出了一种基于因子图的交互式多模型车载导航算法。基于因子图优化算法建立了IMU/GNSS/LIDAR组合导航系统模型,引入了交互式多模型对子系统传感器量测进行建模并构建变量节点,利用模型概率更新来优化传感器权重,并依据因子图非线性优化和增量平滑理论实现车载导航系统的解算与更新。实验结果表明:相比于自适应因子图算法,所提算法在复杂城市环境下的定位精度提高了26.2%。

基于多度量多模型图像投票的织物表面瑕疵检测方法

为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。

一种基于多模型融合的隐蔽隧道和加密恶意流量检测方法

高级持续威胁APT攻击为了躲避检测,攻击者往往采用加密恶意流量和隐蔽隧道等策略隐匿恶意行为,从而增加检测的难度。目前大多数检测DNS隐蔽隧道的方法基于统计、频率、数据包等特征,这种方法不能很好地进行实时检测,从而导致数据泄露,因此,需要根据单个DNS请求进行检测而不是对流量进行统计后再检测,才能够实现实时且可靠的检测,当系统判定单个DNS请求为隧道流量,便可做出响应,进而避免数据泄露。而现有的加密恶意检测方法存在无法完整提取流量特征信息、提取特征手段单一、特征利用少等问题。因此,文章提出了基于多模型融合的隐蔽隧道加密恶意流量检测方法。对于DNS隐蔽隧道,文章提出了MLP、1D-CNN、RNN模型融合的检测方法并根据提出的数学模型计算融合结果,该方法能够对隐蔽隧道实时监测,进一步提高检测的整体准确率。对于加密恶意流量,文章提出了1D-CNN、LSTM模型的并行融合的检测方法,并行融合模型能够更加全面地提取特征信息,反应流量数据的全貌,进而提高模型的检测精度。

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO_(2)浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法(Cross-Validation)对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机(PSO-SVR)、布谷鸟优化极限学习机(CS-ELM)和北方苍鹰优化高斯过程回归(NGO-GPR)算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型(XGBoost)组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.569 7μmol/(m^(2)·s),RMSE为0.721 4μmol/(m^(2)·s)。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator,LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪控制中精确性与鲁棒性之间的两难问题。最后,通过快速原型测试平台对算法进行了进一步的实验验证。结果表明,所提出的多模型自适应算法实时性良好,具有较好的工程应用潜力。

基于Ghost-SE-Res2Net的多模型融合语音唤醒词检测方法

语音唤醒词检测(WWD)是语音交互中的关键技术,选择合适大小的检测窗对WWD性能的影响很大。提出一种新的多模型融合方法,通过融合小检测窗和大检测窗的检测结果来提高WWD性能。多模型融合方法包含两个分类模型,分别使用小检测窗和大检测窗,均基于轻量化的挤压与激励残差网络(SE-Res2Net)模块,即GhostSE-Res2Net,SE-Res2Net结构的多尺度机制可显著提升WWD的能力。在Ghost-SE-Res2Net中,首先使用Ghost卷积替换SE-Res2Net中的普通卷积以降低模型参数量,然后使用注意力池化层替换SE-Res2Net中的全局平均池化层进一步提升WWD能力。在实际检测时融合连续3个小检测窗模型的检测结果的最大值和1个大检测窗模型的检测结果,来判断唤醒词是否被触发。在训练时引入困难样本挖掘算法,选择性地学习较难检测的唤醒词信息以提高分类模型的检测性能。在包含2个唤醒词的Mobvoi数据集上评估系统性能,实验结果表明,在每小时0.5次错误唤醒的情况下,该系统在2个唤醒词上的错误拒绝率分别为0.46%和0.43%,实现了与先进基线相似的性能,并且系统参数量比基线少31%。

基于序贯滤波的三维多模型跟踪算法

在三维机动目标跟踪领域,单模型跟踪算法已经无法满足高机动目标的跟踪要求,而多模型算法因其能够处理多种不同场景和变化,能够更有效地应对目标机动运动的多样性和不确定性。三维高机动目标跟踪相较于二维机动目标跟踪,因其复杂的空间动态特性,需要更多的模型构成模型集来实现精确跟踪。这种情况导致经典的交互式多模型算法设计非常复杂,计算资源消耗过大。而传统的多模型算法,由于没有考虑模型之间的交互性,其跟踪性能不佳。针对以上问题,借鉴序贯滤波的思想,本文提出了一种新的多模型跟踪架构。这一架构将序贯滤波与多模型算法相结合,将上一时刻多模型的融合结果作为下一时刻每一个模型滤波的输入,这一过程极大地简化了交互式多模型算法中复杂的交互实现过程。同时,针对模型集组合问题,将三维运动解耦为几种二维运动模型和一维运动模型的组合集,形成新的三维空间机动目标跟踪模型集。通过对仿真模拟数据和实测数据的跟踪对比结果表明,相较于传统的多模型算法,本文提出的基于序贯滤波修正的多模型算法在跟踪精度上有显著的提升,且其跟踪精度与交互式多模型算法相当,但在运算时间上则远远优于交互式多模型算法,显著降低了运算资源的需求。

多模型耦合的流域水土流失监测方法研究

濑溪河流域存在严重的水力侵蚀,同时伴随着水土流失分布点多线长面广的特点。而现有模型几乎只考虑了流域尺度上的坡面和河流侵蚀过程,或者是坡面和流域尺度的基本结合,导致对土壤侵蚀全过程的物理模拟产生高度不确定。为此提出不同尺度模型相互耦合的水土流失监测体系,从三级顺序“坡-沟-河”结构,全面反演流域水沙的时空动态迁移过程。基于多模型耦合体系的流域应用表明:①单一模型在濑溪河流域都表现出良好的适用性和准确性。RUSLE模型预测结果与实际侵蚀规律高度吻合,SWAT模型参数率定的纳什效率系数(NSE)和决定性系数(R^(2))均达到0.6以上,模拟预测结果鲁棒性较好。②不同侵蚀模型的特征反演相互关联程度都达到极显著相关水平。WEPP和SWAT模型间R^(2)为0.96,RUSLE和WEPP模型间R^(2)为0.77,RUSLE和SWAT模型间R^(2)为0.58,分析表明坡面、细沟和河道尺度下的侵蚀物理过程是紧密耦合的。③多模型耦合的水土流失全过程风险评价较单一模型更为全面。通过对土壤侵蚀物理过程的空间耦合,实现流域土壤侵蚀、细沟冲刷和河道沉积等相关侵蚀过程的整体性评价,利于从不同尺度全面反演流域水沙输移的时空动态迁移过程和预测侵蚀风险发生规律。

基于多模型决策融合的苹果产地判别及糖度含量预测

苹果产地溯源与苹果糖度含量预测具有非常重要的现实意义,通过建立模型达到产地判别与糖度预测目的。为了克服单个模型的局限性,通过将多个模型的预测结果综合,提高整体预测性能。采用近红外光谱结合多模型决策融合策略对苹果产地进行溯源鉴别,对苹果糖度值进行预测,验证理论方法的可行性。采用手持式近红外检测仪采集了苹果样本的光谱,使用样本光谱结合随机森林(RF)方法、偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)方法建立了苹果产地判别模型。再对三种判别模型输出的预测结果使用投票制决策融合方法,输出新的判别结果。对所有苹果样本采集了糖度实际值,使用样本光谱与糖度实际值结合随机森林(RF)、偏最小二乘回归(PLSR)与支持向量回归(SVR)方法建立了糖度预测模型。采用三种回归模型输出的结果,通过加权法决策融合策略输出新的糖度预测结果。在不使用投票决策方法时,三种定性建模方法中使用RF方法建立判别模型效果最好,预测准确度达到88.71%。使用SVM方法预测效果最差,预测准确度为77.43%。使用投票决策方法后,对苹果产地鉴别的准确度达到93.42%,其预测的精确度与召回率也达到了双高,均在85%以上。在不使用加权的决策融合方法前提下,三种定量建模方法对苹果糖度的预测均有不错的效果。三种方法预测的决定系数均约0.87,预测均方根误差均约为0.78。使用了加权的决策融合方法,对糖度的预测效果有一定的提升。预测决定系数为0.91,预测均方根误差为0.66。通过在苹果产地的鉴别与苹果糖度的预测中,使用多模型决策融合方法提高了苹果产地判别的正确率,提升了对苹果糖度预测的准确性,证实了所提方法的可行性。同时,手持式近红外检测仪结合多模型决策融合方法也为现场无损检测分析提供了一种新的高精度预测手段。

基于强化学习的多模型融合光伏发电功率预测方法

为进一步提高超短期光伏发电功率预测的精度,提出一种基于强化学习的多模型融合光伏发电功率预测方法。首先,采用局部离群因子算法检测、剔除异常点,并用多层感知机回归算法进行修补,解决数据异常问题;然后,将数据分为训练集、验证集与测试集,在训练集中训练支持向量机回归(SVR)、多元线性回归(MLR)、贝叶斯岭回归(BRR)、卷积-长短期记忆(CNN-LSTM)与基于粒子群算法优化的门控循环单元(PSO-GRU)模型,并在验证集对训练得到的模型进行验证,分别选出最佳的模型作为子模型;最后,在测试集中使用5个子模型进行预测,并将各预测结果用强化学习的方法进行融合,将融合值作为最终的预测结果。实验结果表明,该预测方法的平均绝对误差、均方误差、均方根误差与相对误差相比单模型方法以及其他传统的融合方法均有显著降低,验证了该方法的有效性。

基于多模型耦合的永嘉县滑坡易发性评价

区域性滑坡易发性评价是制定滑坡防灾减灾方案和开展国土资源规划利用的重要依据。以浙江省永嘉县为例,在分析滑坡孕灾条件的基础上,选取高程、坡度、曲率、地形位置指数(TPI)、地形起伏度、坡向、地层岩性、距断层距离、距水系距离、年均降雨量、年均风速、距道路距离、归一化植被指数(NDVI)等13个评价因子,采用逻辑回归-信息量(LR-I)耦合模型和逻辑回归-证据权(LR-WOE)耦合模型进行滑坡易发性评价。结果表明:坡向、距断层距离、距水系距离、曲率、坡度、距道路距离和地形位置指数(TPI)等7个因子对滑坡易发性评价的影响较大;利用LR-I模型得到的高易发区和极高易发区中,滑坡数量占比86.67%,滑坡面积占比36.96%,利用LR-WOE模型得到的高易发区和极高易发区中,滑坡数量占比86.19%,滑坡面积占比36.13%;两个耦合模型的准确率均在0.8以上,显示出较高的准确度和良好的预测性能。研究结果对该区域的滑坡防灾减灾具有一定的参考价值。

基于多模型级联的VSV调节机构装配智能检错方法

在航空发动机可调静子叶片(Variable stator vane,VSV)调节机构的装配过程中,目前仍需要人工检测其连杆防松钢丝的装配正确性,效率低且易出错。为替代人工检错,提出了一种基于多模型级联的智能检错方法。该方法是多个卷积神经网络级联的模型集成,其中包含检测模块、分类模块以及后处理比对检错3个部分。首先在检测模块上提出混合不同尺寸卷积核的深度可分离卷积与轻量化解耦头来对YOLOv5s进行改进,改进的YOLOv5s在测试集上的平均精度达到97.9%,相较于YOLOv5s、YOLOv8s分别提升了3.4%、1.5%。其次在分类模块上使用7×7深度卷积替代全局平均池化以改进ConvNeXt分类头,改进后性能得到提升,在连杆数据集和螺纹数据集上的准确率分别达到97.5%和95.4%。最后在后处理模块对两个分类模型的结果进行匹配,得出装配检测结果。利用现场装配车间采集的图片数据集对该智能检错方法进行验证,结果显示该方法平均精度达到92.7%,进一步验证了智能装配检错方法的可靠性。

助训练策略下的多模型软测量建模

由于复杂工业过程中存在强非线性、多阶段耦合以及有标签样本数量偏少的情况,传统的全局软测量模型难以精确描述整个过程。为此,提出一种助训练策略下的多模型软测量建模方法。该方法采用模糊C均值聚类算法挖掘样本集中的相似性样本并建立若干子模型;通过引入助训练策略,形成基于主、辅学习器的协同训练框架,并设计置信度评估机制淘汰误差样本的同时扩充子模型的建模空间;进而将模糊隶属度作为D-S证据理论的概率分配函数计算出子模型权重,对子模型的输出进行融合以得到最终的模型预测结果。通过对脱丁烷塔工业过程的实际数据进行建模仿真,结果表明此模型具有良好的预测性能。

高超声速滑翔飞行器多模型鲁棒跟踪方法

针对高超声速滑翔飞行器(HGV)具有机动能力强、机动样式多变、机动时机不确定等特点,提出了一种基于有向图变结构多模型的鲁棒跟踪(CHF-DSVSMM)方法。考虑到高超声速滑翔飞行器的跳跃滑翔运动特性,建立了包括自适应非零均值衰减震荡(ANMDO)模型、“当前”统计模型(CSM)等机动模型的模型集。针对固定结构多模型算法存在模型相互竞争、运算时间长的缺点,设计了基于有向图结构的切换准则自适应地改变模型集构成,提高模型匹配性。对于地基雷达探测中存在闪烁噪声的问题,采用容积Huber-based滤波方法进行状态估计。仿真结果表明,所提算法与现有方法相比具有更高的跟踪精度,并对闪烁噪声具有良好的鲁棒性。

高超目标强跟踪CKF自适应交互多模型跟踪算法

高超目标运动状态复杂且具有高机动性,传统的交互多模型(IMM)跟踪精度低、收敛速度慢,基于此,提出了一种基于多重渐消因子的强跟踪容积卡尔曼滤波(CKF)自适应交互多模型(AIMM)跟踪算法。以IMM-CKF算法为基础,通过对CKF算法的结构进行分析,在时间更新和量测更新的协方差矩阵中引入强跟踪算法的渐消因子,在线实时调整滤波增益,减小模型不匹配导致的滤波精度下降;在IMM的模型集中选择Singer模型、“当前”统计模型和Jerk模型,并针对模型扩维导致CKF算法中无法Cholesky分解的问题引入奇异值分解(SVD)算法;对IMM算法中马尔可夫矩阵提出自适应算法,通过模型似然函数值对转移概率进行自适应修正,增强匹配模型所占比例。仿真结果表明:所提算法跟踪收敛速度提高了约37.5%,跟踪精度提高了16.51%。

机动目标跟踪的交互多模型泊松多伯努利混合滤波

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。

交互式多模型算法改进视觉惯性定位技术

针对目前使用优化方法构建的视觉惯性数据融合模型尚未充分考虑实际复杂性,导致无法准确模拟复杂的实际状态的问题,提出一种交互式多模型(IMM)算法改进视觉惯性定位技术:指出相较于传统滤波方法,优化的视觉惯性融合定位技术具有更高的估计精度,并且在计算效率上能够与滤波方法媲美,这得益于雅可比矩阵和海塞矩阵的稀疏性特征;然后给出将交互式多模型算法与优化算法相结合的方法,利用IMM能够有效模拟单个目标在多种情景下的状态的特点,通过模型概率实时分配惯性数据和视觉数据的置信度,改进优化算法,从而提高位姿估计精度。实验结果表明,相比基于旋转不变特征点的实时定位构图系统第三代(ORB-SLAM 3)算法,该方法对定位精度的均方根(RMS)误差性能可提升17%。