考虑策略型消费者的高斯过程回归动态定价算法

现有需求不确定下的动态定价算法鲜有考虑消费者策略行为的。将零售商的价格决策过程描述为一个多摇臂(Multi-Armed Bandit,MAB)问题,提出一种非参数贝叶斯算法。将高斯过程回归与汤普森抽样算法相结合,并加入策略型消费者购买决策过程,帮助零售商进行价格决策。仿真结果表明,该算法能有效提高零售商收益,收敛速度更快。此外,策略型消费者的存在可以改善需求学习算法的性能,降低由于需求不确定性导致的零售商收益损失。

基于高斯过程回归的进气压力对船用柴油/甲醇组合燃烧发动机替代率拓宽研究

为使柴油/甲醇组合燃烧(diesel/methanol compound combustion,DMCC)船用发动机满足日益严苛的排放法规,同时获得更高的经济效益,通过调节发动机进气压力,拓宽不同负荷下甲醇替代率,进而实现排放和燃油消耗率的同步下降。利用高斯过程回归模型,结合试验数据和仿真模型,分析了在不同负荷下进气压力对甲醇替代率边界的影响。并绘制了甲醇替代率边界MAP图,进一步分析了拓宽比例。随后建立了发动机有效燃油消耗率和NO_(x)排放的预测模型。将所建模型与非支配排序基因算法-Ⅱ(nondominated sorting genetic algorithm-Ⅱ,NSGA-Ⅱ)相结合,对有效燃油消耗率(brake specific fuel consumption,BSFC)和NO_(x)排放进行优化,获得最优Pareto前沿解集并选取最佳控制参数组合。最后将最优控制参数组合标定至电子控制单元(electronic control unit,ECU)中进行试验验证。结果表明:调节进气压力可使甲醇最大替代率平均拓宽12.7%。相较纯柴油模式,优化后BSFC平均下降5.6%,NO_(x)排放平均下降16.4%。

基于改进高斯过程回归模型的柴油机机油黏度变化趋势预测

针对内燃机车用柴油机机油稀释状态难以评估的问题,提出一种基于布谷鸟搜索算法和贝叶斯正则算法的改进高斯过程回归模型的柴油机机油黏度变化趋势预测方法。首先,采用理化检验手段分析机油黏度数据,将其用于模型验证。其次,基于布谷鸟搜索算法和贝叶斯正则算法集成优化高斯过程回归模型并对不同工况下机油黏度变化规律进行拟合,以协方差函数为优化目标提升模型的评估精度。最后,通过HXN3B型内燃机车柴油机机油黏度数据验证所提模型的有效性和实用性。现场测试验证与检修复核表明,所提模型不仅能够预测一定时间内机油黏度变化的趋势,有效评估机油稀释状态,还能在故障早期提出预测性维护建议并动态优化检修排程,提升了内燃机车的安全运用保障能力,进一步验证了该方法的工程应用价值。

基于高斯过程回归的主动配电网负荷控制优化方法

以需求响应为核心进行配电网负荷控制优化时,节能百分比较低。因此,提出基于高斯过程回归的主动配电网负荷控制优化方法。依托于随机森林算法,判断所有输入变量的重要性,明确主动配电网负荷影响变量。运用高斯过程回归原理,应用负荷预测算法,准确得出主动配电网需求侧未来一段时间内的负荷要求。在此基础上,以直接负荷控制为核心,建立负荷控制协调优化模型,再应用遗传算法求解最优负荷控制优化方案。算例分析结果表明:所提优化方法的节能百分比达到6.23%,说明该方法达到了节能的目的。

基于高斯过程回归的永磁同步电机非线性磁链辨识

在新能源汽车发展领域,以碳化硅为代表的新一代半导体功率器件正在逐步取代硅基IGBT,崭新的技术生态对电机控制性能也有了更高的要求。从传统的PI控制、直接转矩控制到模型预测控制、神经网络控制等新算法,电机参数的精准度逐渐成为电控系统进一步提升性能的关键因素。针对永磁同步电机经典线性模型受交叉饱和等非线性因素影响不能适用于复杂多变工况的问题,提出基于高斯过程回归的非线性磁链辨识方法,使用二阶广义积分器获取动态工况中的磁链数据完成系统辨识,通过仿真与实验验证了该方案的有效性及参数辨识的准确性。

基于高斯过程回归的岩体结构面粗糙度系数预测模型

岩体结构面粗糙度系数(JRC)的估算是岩体力学性质评价的重要环节,由于单一统计参数法难以全面表征岩体结构面的复杂粗糙形貌,单一统计参数法建立的JRC计算模型精度较低。选取表征结构面粗糙形态的8种统计参数,结合主成分分析法(PCA)和高斯过程回归(GPR)算法,构建基于多参数融合的JRC预测模型。以公开的112条岩体结构面剖面线数据集(其中95条作为训练样本,17条为验证样本)为例进行分析研究,最后将预测所得JRC与实测值对比并分析预测效果。结果表明:由高斯过程回归构建的JRC预测模型决定系数(R^(2))高达0.972,均方根误差(MSE)为0.517,反映出高斯过程回归方法在小样本条件下构建多统计参数与JRC值隐式关系的适用性,为今后人工智能在JRC指标预测方面实现合理预测提供了思路。

基于高斯过程回归模型的电石渣激发煤矸石地聚合物强度响应预测与分析

地聚合物的抗压强度是评估其能否代替水泥作为新型建筑材料的关键因素之一,但仅依靠大量试验测试强度,既浪费资源又增加成本。为了解决这一问题,通过早期试验收集的电石渣激发煤矸石地聚合物的强度数据,将不同配合比、水胶比、龄期作为输入参数,抗压强度作为输出结果,基于机器学习方法构建强度响应预测模型——高斯过程回归(GPR)模型,并利用模型对不同配合比及龄期的地聚合物强度进行预测,进而建立各组分掺量、水胶比、龄期对强度的影响曲线并探究原因。结果表明:GPR模型经过对样本数据的拟合,可以较好地预测地聚合物的强度,且误差为(-0.001 93~+0.001 83);利用受过训练的模型对未知抗压强度的地聚合物进行强度预测,通过预测结果分析各输入参数(电石渣掺量、煤矸石掺量、水胶比和养护龄期)对强度的影响,发现强度与上述变量均有密切关系,其中电石渣掺量、煤矸石掺量和养护龄期对强度的影响更显著。

基于深度学习和高斯过程回归的玉米冠下视觉导航路径提取方法

面对田间作业过程中大型机器机动性差及复杂场景下导航路径拟合精度差的问题,提出一种基于深度学习和高斯过程回归的玉米冠层下导航路径提取方法。首先,基于四足机器人采集玉米冠下作物行图像,对Mask R-CNN实例分割方法进行改进,在特征融合网络引入简化路径增强特征金字塔网络(Simple path aggregation network,Simple-PAN),通过增加自底向上的路径增强模块和特征融合操作模块,提高图像上下文特征的融合能力。其次,以模型识别的冠下作物行目标为基础构建两侧区域分界线,计算可通行区域两侧下垂叶片的分布情况,优化基于加权平均的导航路径算法。对高斯过程回归(Gaussian process regression,GPR)算法进行改进,添加DotProduct线性核对曲线拟合进行优化,优化GPR方法的直线拟合效果。最后,在验证集上进行导航路径识别,计算不同方法拟合导航路径的平均偏差。试验结果表明,该算法能够适应玉米田中叶片遮挡根茎的情况,优化的Mask R-CNN模型具备更高的冠下目标分割精度,基于改进GPR算法拟合的导航线平均偏差为0.7像素,处理一帧分辨率为1280像素×720像素的图像平均耗时为227 ms,该算法能提供在玉米冠层下具备一定避障能力的导航路径,满足导航实时性和准确性的要求。结果可为田间智能农业装备的导航算法研究提供技术与理论支撑。

基于神经核网络高斯过程回归的甲板运动预测

甲板运动预测与补偿是舰载机自动着舰的关键技术之一。传统甲板运动预测方法依赖于运动建模的准确性和参数调整,面临复杂海况、不同舰型、航态变化时具有适应性差、预测时长短、结果可靠性低等问题。提出一种基于神经核网络高斯过程回归(NKN-GPR)的甲板运动预测模型,使用神经核网络(NKN)实现高斯过程回归(GPR)模型自动复合核构造,有效改善基于规则库自动核搜索(ACKS)算法依赖人工先验知识的不足。以正弦波组合模型和功率谱模型构造仿真数据,对NKN-GPR模型和基于最小二乘法的自回归(AR)模型进行对比仿真验证,仿真结果表明,NKN-GPR模型在运动预测精度、平滑性、预测时长等方面具有显著优势,证明了所提算法的有效性,可为舰载机自动安全着舰提供理论支撑。

基于多输入高斯过程回归的震级快速估算方法

为充分利用初至地震波中与震级相关的信息,提高震级估算精度,本文提出了一种震级快速估算方法(GPR),该方法将初至地震波在时域、频域和时频域中的10个特征参数输入高斯过程回归模型实现震级估算。利用日本的大量地表强震记录对GPR方法进行训练和测试,并与最大卓越周期τ_(p)^(max)方法和位移幅值P_(d)方法进行了对比。结果表明,GPR方法在有震源距和无震源τ_(p)^(max)距两种情况下,估算震级的准确性均显著好于方法和P_(d)方法。此外,利用智利的地表强震记τ_(p)^(max)录对日本数据训练的GPR进行泛化能力测试的结果显示,GPR方法较方法和P_(d)方法具有更好的泛化能力。利用GPR方法对我国的三次典型震例进行震级估算,验证该方法是合理且可靠的,表明GPR方法不会受到地域差异的影响,可以有效提高地震预警系统估算震级的准确度。

基于高斯过程回归的电动汽车集群灵活性的概率预测

电动汽车(electric vehicle,EV)是重要的新型可调节负荷资源,预测其灵活性是实施优化调控的重要前提。首先,提出基于EV正常充电会话数据推断集群充电可行域的方法,形成关于EV集群调节灵活性的历史数据集。随后,针对充电负荷的高随机性特点,提出基于高斯过程回归的EV集群灵活性的概率预测方法。所得到的概率预测结果可用于建立EV集群运行优化问题的机会约束,并转换为特定置信度下的确定性约束。最后,利用实际充电数据进行仿真验证,结果表明,所提方法能从电量和功率两个方面比较准确的预测EV集群的充电灵活性;通过调整置信度,能够在对EV集群优化调度时权衡经济性和优化结果的可实施性。

基于蚁狮优化高斯过程回归的锂电池剩余使用寿命预测

迅速获取精确的锂电池的剩余使用寿命和健康状态,对于维持锂电池的可靠性至关重要。针对锂电池剩余使用寿命(remaining useful life,RUL)预测精度较低,传统的高斯过程回归(Gaussian process regression,GPR)模型的超参数寻优结果不理想、预测效果差等问题,使用蚁狮优化算法(ant-lion optimization algorithm,ALO)对高斯过程回归的超参数进行寻优,实现锂电池剩余使用寿命的精确预测。首先,根据电池充电过程中电池电压的循环曲线,提取了6个参数作为电池的健康因子,然后采用Pearson相关系数验证健康因子与电池容量的相关关系,最终选出平均放电电压、恒流充电阶段电池存储的充电量、整个充电阶段电池存储的充电量以及时间积分中的放电温度这4个参数作为健康因子。最后,利用支持向量回归(support vector regression,SVR)、GPR和ALO-GPR对锂电池RUL进行预测,对各项指标进行比较分析。并将本工作所提出的模型与其他文献所提出的模型进行了比较。通过NASA锂电池数据集验证了模型的有效性,实验结果表明,所提出ALO-GPR的RUL预测模型误差小,均方根误差控制在1%以内,平均绝对误差控制在0.65%以内,泛化性强,具有良好的应用前景。

基于高斯过程回归的Wi-Fi RTT/RSS测距与指纹定位研究

基于往返时间(RTT)测量的智能手机Wi-Fi测距定位受限于室内环境的复杂性,仍面临稳定性差、精度低等问题。利用同步量测的Wi-Fi RTT和信号接收强度(RSS)数据,分别从测距与指纹补偿、测距定位与匹配定位优化等方面开展研究。首先,通过分析RTT测距误差规律,建立了基于高斯过程回归(GPR)的非参数测距误差补偿模型;研究了RSS数据分布,通过拟合Wi-Fi信号路径衰减模型,构建了基于GPR的RSS补偿模型。其次,开发了基于Web端的指纹库生成和指纹定位软件,可支持RSS指纹库、RTT测距指纹库自主建设和RSS/RTT指纹定位。最后,设计了基于GPR补偿的RTT测距定位、RTT指纹定位和Wi-Fi RSS指纹匹配定位算法,并综合分析了3种方法的定位性能。实验结果表明,经过高斯补偿的RTT测距定位、RTT指纹定位和RSS指纹定位的平均精度分别提升了50.81%、52.85%和48.72%,证明了高斯过程回归模型可有效提升Wi-Fi RTT/RSS测距与指纹定位的精度与稳定性。

基于高斯过程回归的岩石抗剪强度参数不确定性估测

为克服以往岩石抗剪强度参数估测方法无法反映并量化其不确定性的问题,提出一种基于高斯过程回归(Gaussian processregression,GPR)的岩石抗剪强度参数不确定性估测方法,实现具有概率意义的不确定性分析。基于岩石强度参数数据集,利用高斯过程理论建立不同核函数下岩石单轴抗压强度(uniaxial compressive strength,UCS)和抗拉强度(uniaxial tensilestrength,UTS)与抗剪强度参数的映射关系。通过最大化对数边缘似然函数优化GPR模型超参数,然后根据预测效果与不确定性程度,确定合适的核函数及其GPR模型。结果表明,在给定UCS和UTS数据下,建议采用Matérn核函数构建黏聚力GPR模型,采用有理二次核函数构建内摩擦角GPR模型。对比传统机器学习方法,GPR方法不仅可准确地预测岩石抗剪强度参数,还给出了预测结果的不确定性程度,具有较强的科学性和可解释性,证明了GPR模型的可行性与有效性。

PNP方程的基于高斯过程回归的新Gummel迭代算法

Poisson-Nernst-Planck(PNP)方程是由Poisson方程和Nernst-Planck方程耦合而成的一类非线性偏微分方程组,其常用的线性化迭代方法-Gummel迭代的效率很大程度上受松弛参数的影响.机器学习中的高斯过程回归(GPR)方法因其训练规模较小,且不需要提供函数关系,在该文中被应用于预测Gummel迭代的较优松弛参数,加速迭代的收敛速度.首先针对PNP方程的Gummel迭代,设计了一种可预测松弛参数的GPR方法.其次利用Box-Cox转换方法,对Gummel迭代的数据进行预处理,提高GPR方法的准确性.最后基于GPR方法及Box-Cox转换算法,提出了PNP方程的一种新的Gummel迭代算法.数值实验表明,新Gummel迭代算法与经典的Gummel迭代算法相比,求解效率更高,且收敛阶相同.

基于高斯过程回归模型对一回路泄漏率的预测

工况的剧烈变化可能导致一回路系统中法兰连接部位、泵的密封面等处发生泄漏。针对准确的泄漏物理模型很难建立的实际情况,在对不可测的温度应力参数进行正态随机游走的基础上,以高斯过程回归模型为替代模型对一回路泄露率进行预测,并对替代模型的不确定性进行定量分析。结果表明,高斯过程回归模型能够方便地实现对替代模型的不确定性评估,并且在小样本容量的情况下,能够实现对一回路泄漏率较准确的预测。

卡尔曼滤波优化的高斯过程回归模型

为解决单个高斯过程回归无法对来自多个信息源的数据进行整体建模的问题,提出了卡尔曼滤波优化的高斯过程回归模型(Gaussian process regression model based on Kalman filtering,KF-GPR).该模型首先根据多个传感器获取的离散样本数据分别进行高斯过程回归,预测关键参数的均值和方差,并将其视作软传感器输出的测量值和噪声.然后利用卡尔曼滤波算法对软传感器的输出进行融合,在最小均方误差准则下,实现对多个高斯过程回归结果的融合优化,获得优化后模型的输出结果.仿真实验将KF-GPR与平均值融合方法进行对比,结果表明KFGPR能够获得拟合精度更高的预测曲线,验证了模型的有效性.最后,将KF-GPR应用于温度随纬度变化的实例分析中,分季节给出了纬度−温度预测曲线.

基于强度折减采样与高斯过程回归的空间变异土坡自适应可靠度分析

土体参数空间变异性对土坡稳定性的影响已受到岩土工程界的广泛关注,繁冗的计算量是空间变异土坡可靠度分析面临的瓶颈问题。基于强度折减采样(SRS)和高斯过程回归(GPR)模型,提出一种适用于高维空间的空间变异土坡自适应可靠度分析方法(SRS-GPR)。首先采用Karhunen-Loève展开法将空间变异土体强度参数离散为高维随机变量,随后根据SRS生成土坡临界样本点,接着通过GPR构建土体参数随机场与边坡安全系数之间的高维非线性函数关系,并基于主动学习策略自动搜寻最优训练样本点,迭代更新GPR模型。在此基础上,结合GPR模型和蒙特卡洛模拟进行边坡可靠度分析。最后,通过两个典型算例验证所提方法的准确性、高效性、鲁棒性和适用性。结果表明:所提方法可有效识别靠近极限状态面附近的最优样本点,使得迭代更新的GPR模型在该区域的预测精度逐渐提高。此外,所提方法不受随机变量维度的影响,可直接在高维参数空间应用,且对边坡稳定性模型的调用次数较少,在计算效率方面具有显著优势。

基于刚度模型和高斯过程回归模型的重载工业机器人分步标定方法

针对串联工业机器人由于关节柔性导致的重载下绝对定位精度较低的问题,提出了一种机器人定位误差分步标定方法。采用局部指数积模型对机器人进行几何误差标定。提出了一种基于建模和机器学习的非几何误差标定方法。在该部分中,首先建立了机器人的刚度模型对非几何误差中最主要的变形误差进行标定,然后采用数据驱动的高斯过程回归(GPR)模型对残余误差进行标定。实验结果表明,该方法可以有效提高机器人带载下的绝对定位精度,并且具有位置精度不随载荷变化而产生明显波动的优点。

基于高斯过程回归的压电陶瓷作动器内模控制

压电陶瓷作动器的非线性迟滞特性严重影响其输入、输出结果。提出了基于高斯过程回归的内模控制方法。首先使用高斯过程回归方法建立压电陶瓷作动器的迟滞模型,然后推导出高斯过程回归的系统逆模型,引入滤波器参数,设计了一种内模控制器对压电陶瓷作动器进行实时有效的跟踪。最后,搭建了压电陶瓷作动器的实验平台,验证了高斯过程回归模型和内模控制方法的可行性。跟踪控制实验结果表明,对于10、60、80 Hz单一频率信号的跟踪相对误差均在10%以下,证明了内模控制方法的有效性。