基于WGKSOM-DRCA自适应即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点碳温的准确预测是实现转炉终点控制的关键。针对转炉生产过程数据存在波动性大和非线性特点引起传统即时学习度量的算法学习集质量低,进而削弱模型预测性能的问题,提出了一种基于加权高斯核自组织映射动态相关成分分析(WGKSOM-DRCA)自适应即时学习软测量建模方法用于转炉炼钢终点碳温预测。首先,采用引入标签信息的WGK度量准则构造WGKSOM聚类算法引导聚类方向,提高算法的聚类质量并降低类簇数据波动性对于建模的影响;其次,利用高斯后验概率计算待测样本的隶属度并通过引入动态因子构建DRCA度量策略,从而实现自适应的样本选择,进一步提升待测样本对应的局部算法学习集质量并用于局部模型训练,最终输出终点碳温的预测结果。实验表明,所提算法在转炉炼钢终点碳温预测上相对于其他算法有更好的表现,在±0.02%的预测误差范围,碳含量的预测精度为92%,在±10℃的误差范围,温度的预测精度为93.5%。

基于核极限学习机的下肢关节力矩预测方法

针对极限学习机(extreme learning machine,ELM)预测下肢关节力矩时,随机初始化输入权重和偏置影响模型准确度问题,提出一种基于核极限学习机(kernel based extreme learning machine,KELM)的下肢康复机器人关节力矩预测方法。该方法将高斯核函数与ELM相融合,并采用遗传算法(genetic algorithm,GA)与粒子群优化(particle swarm optimization,PSO)结合的基因粒子群GAPSO对KELM的参数进行优化。首先,采集1位在跑步机上以0.4、0.5、0.6、0.7和0.8 m/s等5个不同速度行走的右下肢偏瘫患者运动数据并对数据进行预处理;其次,通过GAPSO对KELM进行优化,获得最优正则化系数C和核函数宽度参数S,将输出关节力矩与反向生物力学分析计算的关节作比较;最后,利用均方根误差(root mean square error,RMSE)和相关系数P来评价算法优越性。实验结果表明,基于GAPSO优化后的KELM(GAPSO-KELM)算法相对于PSO-KELM算法、KELM算法和ELM算法的平均最大均方根误差分别降低14%、18%、28%,且P除了0.8 m/s右侧踝关节内外翻是0.79外,其余P最小是0.84,GAPSO-KELM算法进一步提高预测精度,使其为康复治疗提供更有效的算法支持。

复Gaussian小波核函数及多参数同步优化策略

对复Gauss-ian小波满足M ercy条件及其在H ilbert空间具有再生性的命题作了证明.用复Gauss-ian小波构建出一种核函数,与主成分分析方法相结合,对非线性非平稳信号进行参数辨识和预测.针对多参数模型优化时间过长,不利于工程应用的问题,提出了一种多参数同步优化策略.仿真实验验证了该方法的可行性和有效性,表明该方法具有较好的实用价值.

联合自然梯度和AdamW算法的RSF图像分割模型

关键零件内部复杂结构的精密测量是高端制造领域攻克的难题。当采用工业CT技术实现对象内部结构精密测量时,面临目标图像灰度不均匀性、边缘模糊、伪影等问题。有鉴于此,本文研究了局部能量最小化模型(RSF)的图像分割方法,引入自然梯度和AdamW算法分别提高了RSF模型的收敛速度和参数自适应性。首先,在统计流形上计算自然梯度,提高梯度下降效率和RSF模型收敛速度;其次,采用AdamW算法实现RSF模型的高斯核函数尺度大小自适应控制。与经典RSF模型相比,改进后的RSF模型迭代次数减少了1353次,迭代次数降低约76.79%,迭代时间减少约43.61%,测针球面半径和航空燃油喷嘴圆柱直径测量误差均较小,既保持了原模型亚像素分割精度,又大幅提高了模型收敛速度和鲁棒性。

基于核自构建-高斯过程回归的锂离子电池剩余使用寿命预测

高斯过程回归是锂离子电池剩余使用寿命的有效预测方法之一,其中核函数的选择对预测结果有着重要影响。对此,提出了一种自回归核自构建高斯过程回归的锂离子电池剩余寿命预测框架,可结合同型号电池的历史容量退化规律,自动构建出合适的组合核函数。通过与不同的机器学习方法及不同核函数比较,所提方法可在电池退化早期做出长期且准确的电池健康状态退化趋势预测,预测寿命均方根误差小于1%,相对误差小于6%,置信区间也更为集中,证明了所提方法能够有效提高电池剩余使用寿命的长期预测精度。

基于熵权距离的图正则局部线性嵌入算法

针对局部线性嵌入(Locally Linear Embedding,LLE)算法在挖掘数据结构时未考虑特征权重且仅局限于数据的线性拟合关系,导致特征提取效果不佳的问题,提出一种基于熵权距离的图正则局部线性嵌入(Graph Regular Local Linear Embedding Algorithm Based on Entropy Weight Distance,EWD-GLLE)算法。首先,采用信息熵加权的余弦距离划分样本邻域,减小不重要特征对邻域划分的影响,提高了邻域划分的准确性;然后,利用融合热核权重与余弦权重的拉普拉斯图约束低维嵌入,以保留更多的原始数据信息,进而提取到更显著的特征。在两种轴承数据集上的实验结果表明:EWD-GLLE算法的特征提取性能明显优于LLE、LTSA、LDA算法。

面向人机共驾决策的实时驾驶能力评价算法

面向智能辅助驾驶系统人机共驾决策问题对于驾驶人实时驾驶能力评估的需求,考虑现有驾驶评价的单一性问题,提出综合考虑驾驶技能、驾驶状态以及驾驶风格等驾驶人实时驾驶能力评价算法.该算法在提出驾驶能力具有相对性和连续性基础上,首先提出基于高斯核函数的客观熵权驾驶技能相对评价模型、基于时间尺度的驾驶状态相对评价模型以及基于无监督决策分类树的驾驶风格软划分模型;其次,提出具有“惩罚”与“肯定”机制的驾驶能力评价机制及评价模型,实现满足人机共享决策控制需求的实时驾驶能力评价.最后,通过实验比较分析可知,本文提出的评价算法能够满足人机共享系统对于驾驶人驾驶能力评价实时性、客观性、全面性的需求.

改进多尺度卷积结构与高斯核的E-CenterNet算法

针对ResNet和DLA(deep layer aggregation)为主干网络的CenterNet算法特征提取能力不充分、热力图与目标真实边界框吻合度不高、关键点损失函数未充分考虑预测值对难易样本训练比重的影响等不足,提出一种改进多尺度卷积结构与高斯核的E-CenterNet算法。引入轻量型EfficientNetV2-S作为主干网络,并结合基于金字塔分割注意力网络的多尺度卷积结构对其进行改进,提高特征提取能力;对高斯核进行改进,使CenterNet产生的热力图由固定的圆形改进为随边界框宽高变化的椭圆形,增强算法对边界框宽高差异大的目标的检测能力;提出一种基于关键点预测值的关键点损失函数,提高算法对难样本的训练比例。在Pascal VOC数据集上的实验结果表明:E-CenterNet算法的mAP达到83.3%,比原始算法提升了2.6个百分点,检测性能优于CenterNet算法。

基于指数核函数高斯过程回归的短期径流预测研究

径流预测有助于流域水资源综合高效调配和防洪减灾调度,如何精准地开展短期径流预测一直是水文水资源研究领域的重点。高斯过程回归(GPR)凭借其针对复杂非线性回归问题的泛化能力,已在水文过程长中短期预测研究中得到成功应用。而GPR回归分析能力不仅取决于模型参数,还受核函数影响。为此,研究分析了不同核函数作用下GPR预测模型效果,提出了基于指数核函数GPR的流域短期径流预测模型。首先通过多重相关性系数分析筛选相关性系数大且时段最短的预测因子组合,然后分别选用有理二次、径向基、马顿和指数核函数建立不同的GPR短期径流预测模型,同时加入了MLR、RT、SVM、BP等模型方法的预测结果作为对比。以赣江流域吉安水文站短期径流预测(预测步长为6 h,预见期为7 d)为例开展实例分析,相关实验结果表明:①应用不同核函数的GPR模型预测结果表现存在明显差异,不同方法预测表现由好到差分别为指数GPR、有理二次GPR、RT、马顿GPR、径向基GPR、SVM、MLR、BP;②指数GPR预测模型28时段的4项评价指标均表现最佳,DC和QR分别接近1和100%,预报精度达到甲级以上。综上,研究验证了指数核函数GPR短期径流预测模型的有效性和普适性,模型预测精度满足实际工程应用需求,具备实际应用价值。

一种基于物理核函数高斯过程回归的月径流预报模型及其应用

鉴于传统的单一径流预报模型很难描述径流未来变化规律,将自适应变分模态分解(AVMD)与基于组合物理核函数的高斯过程回归(GPR-CK)相结合,构建了AVMD-GPR-CK预报模型,该模型采用AVMD将实测径流分解为多个子序列,对子序列依据其自身特点分别建模,子序列预报结果叠加重构即为最终预报结果。模型应用于金沙江流域向家坝站未来1~12个月的径流预报的结果表明,所有预见期AVMD-GPR-CK模型的确定性系数均大于0.94,平均绝对百分比误差(M_(MAPE))在±17%以内,预见期在10个月以内时,M_(MAPE)在±10%以内;预报精度明显优于常见的BP、GRNN、RBF、RELM模型。

基于主成分分析与ILM-DGRBF网络的SOH估算

针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法-双高斯核RBF(ILM-DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM-DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM-DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM-DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在1.5%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。

基于优化核函数带宽SVDD的机械振动预警模型

基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算量大、不收敛、不适用于小数值数据等问题,提出了一种不需要专家经验知识和负类样本训练SVDD超球体的优化核函数带宽计算方法,构建了基于优化SVDD核函数带宽的机械振动故障预警模型。首先,根据空间矩阵复杂度的信息熵,量化表征核函数带宽的取值对SVDD超球体的影响;然后,采用粒子群优化(PSO)算法寻找空间矩阵复杂度最大时对应的核函数带宽σ取值,实现了目标函数的快速收敛目的;综合考虑惩罚参数对SVDD超球体描述边界的影响,引入惩罚参数对寻优结果进行了修正,完成了对历史正常运行状态数据驱动的机械振动故障预警模型的构建任务;最后,应用辛辛那提大学智能维护中心轴承试验数据集等6项公开实验室数据和4项工程案例数据,对上述方法的实用性和可靠性进行了验证,并将其结果与采用常规方法所得结果进行了对比验证。研究结果表明:与常规方法相比,采用优化核函数带宽计算方法训练出的机械振动故障预警模型的合格率为100%,超球体描述边界拟合良好,并且不存在不收敛的问题。

基于迁移学习的辐射源个体识别分类方法

在辐射源个体识别应用中,受时间、空间、应用环境等因素的影响,辐射源个体特征会不断变化,不同时期得到的数据很难服从相同分布,而传统机器学习则要求数据服从相同分布。为了解决这一问题,提出一种基于迁移学习的辐射源个体识别分类方法。该方法通过聚类分析和重采样从数据集中选择新训练样本用于目标域学习,使用模糊近邻密度聚类提高对参数选择的鲁棒性及不同分布数据的适应性,并使用高斯核函数度量数据间的相似性以提高新训练样本选择的可靠性。实验结果表明,该方法能更有效、稳定地提高学习性能。

基于支持向量机和压力传感器的水果分类系统

目的:提高水果分类准确率并兼顾低计算成本和低传感器成本。方法:提出一种基于电容式压力传感器的水果分类系统,通过采用高斯核函数的支持向量机算法(高斯支持向量机算法)对水果进行分类。所采用的电容式压力传感器由薄铜片和一层乙酸乙烯酯制成,压力传感器被固定在模拟机械手的聚酰胺氨纶手套的拇指和食指上。获得的电容值以数字电平的形式表示,通过数据处理软件进行数据提取,采用核函数的支持向量机算法对电容数据进行处理,以确定水果的类别。结果:对11种水果的分类结果表明,采用高斯—支持向量机算法的智能手套能够实现水果的高准确率分类,且可根据实际需要在分类准确率、计算成本和低传感器成本之间权衡。结论:该系统可用于开发水果分类的电子系统,提升分类机械手的水果分类性能。

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型(QPSO-KELM).通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明:QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.

基于小批量梯度下降法的高斯核参数优化

核函数是核方法的重要组成部分,设计得好坏直接影响模型的分类效果,高斯核函数以其优良的特性被广泛应用,但高斯核参数的优化十分困难.针对此问题,使用核目标度量准则制定目标函数,将问题转化为求极小值的最优化问题,利用小批量梯度下降法求解目标函数.在十六组机器学习领域常用的数据集上进行测试,实验结果表明,该方法均具有最短的训练时间和较高的分类准确率.

基于法矢量修正和参数修正的点云双边滤波改进算法

针对现有点云滤波算法在实现过程中存在的目标特征保留能力差和时间复杂度高的问题,提出了基于法矢量修正和参数修正的点云双边滤波改进算法。介绍了点云双边滤波算法原理,在该算法的基础之上分别修正了法矢量、距离权重因子和特征保持因子,提出了一种改进的点云双边滤波算法,并通过仿真分析进行了算法验证。与传统的点云半径滤波算法和点云双边滤波算法相比,所提算法能够在时间复杂度较低的情况下保留更多的目标细节特征,提高滤波算法实时性。

不同核函数高斯过程回归算法与不同因子输入情况下对长江流域蒸散发量应用研究

为探明不同核函数高斯过程回归算法在不同使用条件下对参考作物腾发量(ET 0)模拟精度,在长江流域内选择10个代表性气象站点,以PM公式的计算结果作为参考值,以最高气温、最低气温、平均气温、相对湿度、平均本站大气压、日照时数和风速作为主要气象因子,使用灰色关联分析得到因子输入组合,使用二次有理、平方指数、Matern 5/2等3种不同核函数的高斯过程回归算法对ET 0进行模拟,并与Priestley-Taylor、Hargreaves-Samani、Irmak-Allen等3种经典算法计算结果进行对比。结果显示:①在同一站点同一参考公式计算结果下,3种不同核函数高斯过程回归算法和3种经典算法的模拟精度大小排序为:Matern 5/2>二次有理>平方指数>PT>IA>HS,其中Matern 5/2的模拟效果最好,其R 2范围为0.970~0.988。表明在相同气象参数输入条件下,机器学习模型精度普遍优于经验模型。②针对灰色关联分析得到的结果,日最高温度对参考作物腾发量影响较大,其平均关联度为0.8969;日照时数对参考作物腾发量影响较小,其平均关联度为0.8105;其余气象因子对参考作物腾发量的影响适中。③针对不同因子组合输入下同种核函数的高斯过程回归算法,3种不同核函数高斯过程回归算法的模拟ET 0表现效果均为:六因子>五因子>四因子,其中六因子输入的模拟效果最好,其R 2范围为0.908~0.977。

基于K-近邻点云去噪算法的研究与改进

针对三维扫描获取的带噪声和离群点的点云数据,提出了改进的去噪算法。通过K-近邻搜索建立散乱点云之间的拓扑关系,进而采用高斯影响函数作为核函数来估计当前测点对周围邻近点的影响力,从而限制噪声并剔除离群点。重点讨论了密度熵的概念以及如何优化高斯核函数的参数,解决了窗宽尺寸在使用中不易确定的问题。仿真实验证明,该算法能够很容易地检测出离群点,同时也避免了将模型上的点误判为离群点的问题。

径向高斯核函数时频分布及在故障诊断中的应用

对一种可调核函数的时频分布——径向高斯核函数时频分布 (RGKD)进行了研究 ,并将径向高斯核函数时频分布引入机械故障诊断。这种时频分布根据被分析信号不同特性 ,采用优化方法自适应对模糊函数进行整形 ,尽可能保留集中在原点的信号模糊函数的自分量 ,抑制远离原点的交叉分量。与固定核函数的时频分布对比结果表明 ,径向高斯核函数时频分布极大地去除了交叉分量 ,提高了分辨率 ,并且对噪声不敏感 ,在分析实际低信噪比的信号时 ,仍能保持较高的分辨率 ,杂散分量很少 ,该方法具有对信号的广泛自适应性。试验证明径向高斯核函数时频分布在故障诊断中有较强的特征提取作用。