基于LLE和KRR的人体动作重构算法研究

人体动作重构是当前图像处理的热点问题,针对其问题的特点,提出一种全新的LLE与KRR相结合的人体动作重构方法。首先针对图像的颜色和深度信息,提取人体动作骨架,建立动作训练集;再将训练集转变为动作向量库,采用LLE算法计算人体动作的低维流形,并对流形数据作相关分析;最后,将预测的低维衔接动作点逆映射回高维欧氏空间,首次应用KRR算法解决传统降维不可逆映射问题,从而使动作重构得以实现。实验结果表明:通过对流形动作点相互映射得到的重构动作较为理想,针对不同自由度的动作过程,所提出的人体动作重构方法有很好的效果。

一种改进的基于KRR的单帧图像超分辨率重建算法

为解决图像超分辨率重建结果中的图像质量问题,论文提出了一种改进的基于核岭回归(Kernel Ridge Regres-sion,KRR)的单帧图像超分辨率重建算法。该算法利用核岭回归算法估计潜在的高分辨率图像中高频细节信息,然后将核匹配追踪算法与梯度下降算法相结合,得到一种基于稀疏表示的对KRR进行求解的方法,再使用一个通用的图像先验模型对回归结果进行处理,用以消除正则化过程中产生的振铃,进而得到最终的高分辨率重建图像。实验结果证明,该方法在时间复杂度保持中等水平的同时具有良好的重建效果。

基于KRR优化算法的油水系统中CO_(2)溶解度模型

油藏中注入CO_(2)可形成CO_(2)-原油-地层水三相动态平衡,CO_(2)在油水系统中的溶解度将直接影响CO_(2)驱油效果和封存潜力。为了对CO_(2)在油水系统中的溶解度模型进行研究,以吉林油田某油水系统为例,利用高温高压PVT分析仪开展CO_(2)在不同体积比例油水系统中的溶解度实验,明确了CO_(2)在油水系统中的溶解规律,并基于实验数据,分别利用网格搜索法(GS)和贝叶斯优化算法(BOA)对核岭回归算法(KRR)的参数进行优化,建立了CO_(2)在油水系统中的溶解度预测模型。研究结果表明:CO_(2)在油水系统中的溶解度随CO_(2)注入量的增加而增大,也随油水体积比升高而增大;基于KRR算法的优化模型中,GS-KRR模型和BOA-KRR模型平均相对误差分别为6.758%和1.998%,说明BOA-KRR具有更高的预测精度。利用BOA-KRR模型预测并绘制不同温度、不同油水体积比下的CO_(2)在油水系统中的溶解度图版,可为CO_(2)碳捕集、利用与封存(CCUS)技术的应用提供支持。

基于DDQN-KRR动态重构策略的综合能源系统运行优化

在电-气-热互联的综合能源系统优化中考虑配电网动态重构策略是提高系统灵活性和经济性的重要手段。针对考虑配电网动态重构之后模型复杂与求解效率低的问题,提出了基于双层深度Q网络(doubledeepQ network, DDQN)和内核岭回归(kernel ridge regression, KRR)方法获取配电网动态重构策略,并将其纳入综合能源系统运行优化模型中,通过把耗时较多的模型学习过程转移到训练过程中,仅应用训练好的模型,进而快速得到运行优化结果。首先,建立包含综合能源系统状态与静态重构结果的数据库,依据时间序列并考虑开关动作成本,制定出动态重构策略;其次,提出KRR方法,用于预测耦合机组的最优出力;最后,基于DDQN挖掘综合能源系统状态与重构结果之间的映射关系,实现快速动态重构。以IEEE33节点配电网、20节点天然气网和16节点热网组成的E33-G20-H16系统以及E78-G40-H32系统为例,验证了所提模型和方法的有效性。

考虑省份特征变量的火电行业碳达峰预测模型

不同省份碳排放量存在的差异会对碳达峰预测模型的预测精准度产生一定影响。结合Kaya恒等式的内涵并进行扩展,分解出影响火电行业碳排放特征变量并进行相关性分析;同时,考虑到省份差异,利用独热编码,将省份这一非数值型特征变量转化为数值型特征变量加入到模型中。与未考虑省份特征变量的原模型进行对比,结果显示,考虑省份特征变量的火电行业碳排放KRR(Kernel ridge regression)预测模型的均方根误差明显降低,决定系数明显提高。这说明模型的精准度有所提高,且泛化能力更强。用所提模型对2023—2045年火电行业碳排放进行多情景预测,数据结果显示,低碳发展情景下于2030年可以实现碳达峰目标,且峰值最低。

核岭回归方法解释致密砂岩储层孔隙度

致密砂岩储层的孔隙度解释多为非线性问题,常规基于线性变换的测井解释方法很难表征致密砂岩储层真实特征。提出基于原始数据非线性变换的核岭回归算法(KRR)。将基于核函数的核岭回归方法原理,首次应用于致密砂岩孔隙度解释中,通过对样本曲线选取以及核岭回归参数的优选,吉林红岗油田H90区块的预测孔隙度与真实孔隙度均方根误差为1.413 2,将其结果与一元回归、多元回归、BP神经网络、支持向量机等方法的结果进行对比。应用表明,基于核函数的核岭回归算法具有优秀的回归性能,在致密砂岩储层孔隙度解释上具有更高的准确率,值得推广使用。

Soft Sensing Modelling Based on Optimal Selection of Secondary Variables and Its Application

The composition of the distillation column is a very important quality value in refineries, unfortunately, few hardware sensors are available on-line to measure the distillation compositions. In this paper, a novel method using sensitivity matrix analysis and kernel ridge regression （KRR） to implement on-line soft sensing of distillation compositions is proposed. In this approach, the sensitivity matrix analysis is presented to select the most suitable secondary variables to be used as the soft sensor＇s input. The KRR is used to build the composition soft sensor. Application to a simulated distillation column demonstrates the effectiveness of the method.

基于充电电压片段和核岭回归的锂离子电池SOH估计

电池健康状况的在线估计对于电池管理系统一直是一个非常重要的问题。近年来,由于其具有灵活性和无模型优势,基于数据驱动的方法在在线健康状态(state of health,SOH)估计领域展现出极大的潜力。文中针对现有的大部分基于数据驱动的SOH估计方法存在计算量大以及较难在BMS微控制器中实现等问题,提出一种采用片段充电曲线和核岭回归(kernel ridge regression,KRR)的锂离子电池SOH估计方法。KRR是一种基于核方法的非线性回归算法,通过将核技巧与岭回归结合,能够建立充电电压片段和SOH之间的非线性映射关系。在2个公开锂离子电池老化数据集上的实验表明,该方法只需采用实际电池使用工况中容易获得的充电电压片段,就能够实现快速准确的SOH估计,并且应用到现有的BMS微控制器中。

基于Multi-kernel和KRR的数据还原算法

由于数据被核化后不能还原,使核方法的应用受到局限.对此,提出一种基于Multi-kernel和KRR的数据还原算法.首先,通过同类数据中已知数据进行多次核化迭代,使已知数据在超高维欧氏空间中呈线性;然后,利用已知数据对同类未知数据进行线性表示,并以Kernel ridge regression(KRR)算法进行未知数据的回归;最后实现数据还原.选取Iris flower和JAFFE两类数据集进行还原实验,实验结果表明,所提出的算法可以有效地还原未知数据,而且在其他领域的应用也有较好的效果.

高温天气下配电网综合韧性评估方法

随着极端天气导致的自然灾害频发,针对配电网的综合韧性评估难以采用传统可靠性评估方法,提出一种高温天气下配电网综合韧性评估方法。首先,利用核岭回归(kernel ridge regression, KRR)方法,提出基于高温天气片段的配电网节点负荷率估计方法。其次,针对高温天气对配电网产生的影响,建立了高温引起潮流变化导致配电网故障的概率模型,同时考虑了高温对配电网元件的影响,利用脆弱性曲线方法建立了配电网高温天气下元件故障概率模型,进而提出高温天气导致的配电网综合故障概率模型。再次,从捕捉配电网韧性功能曲线特征角度出发,提出配电网综合评估指标模型,并利用泊松分布方法获取配电网韧性场景。最后,在北京某地区双环网配电网系统算例中验证了所提方法和指标的有效性,通过与传统韧性评估指标对比表明了所提配电网综合韧性评估的优越性。

利用Sentinel-2影像超分辨率重建的红树林冠层氮含量反演

氮素是植被整个生命周期的必要元素,红树林冠层氮素含量(CNC)遥感估算对红树林健康监测具有重要意义。以广东湛江高桥红树林保护区为研究区,本文旨在基于Sentinel-2影像超分辨率重建技术进行红树林CNC估算和空间制图。研究首先基于三次卷积重采样、Sen2Res和SupReMe算法实现Sentinel-2影像从20 m分辨率到10 m的重建;然后以重建后的影像和原始20 m影像为数据源构建40个相关植被指数,采用递归特征消除法(SVM-RFE)确定CNC估算的最优变量组合,进而构建CNC反演的核岭回归(KRR)模型;最后选取最优模型实现CNC制图。研究结果表明:基于Sen2Res和SupReMe超分辨率算法的重建影像不仅与原始影像具有很高的光谱一致性,且明显提高了影像的清晰度和空间细节。红树林CNC反演波段主要集中在红(B4)、红边(B5)、近红外波段(B8a)以及短波红外波段(B11和B12),与“红边波段”相关的植被指数(RSSI和TCARIre1/OSAVI)也是红树林CNC反演的有效变量。基于3种方法重建后10 m的影像构建的模型反演精度(R^(2)val>0.579)均优于原始20 m的影像(R^(2)val=0.504);基于Sen2Res算法重建影像构建的反演模型拟合精度(R^(2)val=0.630,RMSE_val=5.133,RE_val=0.179)与基于三次卷积重采样重建影像的模型拟合精度(R^(2)val=0.640,RMSE_val=5.064,RE_val=0.179)基本相当,前者模型验证精度(R^(2)cv=0.497,RMSE_cv=5.985,RE_cv=0.214)较高且模型变量选择数量最为合理。综合重建影像光谱细节及模型精度,基于Sen2Res算法重建的Sentinel-2影像在红树林CNC估算中具有良好的应用潜力,能为区域尺度红树林冠层健康状况的精细监测提供有效的方法借鉴和数据支撑。