基于SPSRs准则下的分类混合模型预测方法研究

分类混合模型预测(CMMP)方法是近年来小区域估计领域中提出的一种新方法,该方法是在待预测效应识别后的基础上形成的方法,较传统的混合效应预测方法有更高的预测精度,得到许多统计学者的关注。最早的分类混合模型预测方法是基于均方预测误差(MSPE)准则进行分类识别构造最佳预测。MSPE准则虽然是一个具有较好数学性质(对称性和平滑性)的不确定性度量准则,但是其不是一个严格适当的评分准则(SPSRs)。因此,提出了基于SPSRs准则(即对数评分)进行分类识别,构造最佳预测的方法。首先,在最佳预测的基础上构造了SPSRs分类器,并进行识别预测;其次分析了该预测的渐近性质,并通过数值模拟证明了该方法较经典的回归预测方法具有更高的准确度;最后,给出实例进一步论证了我们的理论结果。

基于混合预测模型的交通标志识别方法

随着高级驾驶辅助系统(advanced driver assistance systems,ADAS)和无人驾驶技术快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员实现安全驾驶,减少交通事故的发生,将AdaBoost-SVM和卷积神经网络(convolutional neural network,CNN)相结合,构建一个混合预测模型(mixed forecasting model,MFM),通过该模型识别交通标志。将卷积神经网络作为可训练的特征提取器,AdaBoost-SVM作为识别器。采用卷积层和下采样层构建两组隐层结构,将预处理的图像作为CNN模型的输入,利用反向传播算法(backpropagation,BP)对CNN模型进行训练直至收敛,最后将测试集的高维特征提取出来,采用AdaBoost-SVM分类器进行分类识别。实验结果表明,该MFM对交通标志具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,对提高辅助驾驶和无人驾驶的安全性具有重要意义。

PEMFC剩余使用寿命直接预测的混合方法

针对质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的剩余使用寿命预测问题,该文基于考虑双层电容效应的PEMFC动态半经验模型,提出一种通过直接预测方式结合数据驱动和模型驱动的混合预测方法。对于数据驱动,使用深度卷积网络提取多维老化数据的特征,传递到长短期记忆网络预测老化电压。对于模型驱动,将电压预测值作为自适应扩展卡尔曼滤波框架的观测值。分别基于静态和动态2种工况下的老化数据,利用混合预测方法分别进行短期和长期预测。短期预测结果表明,在动态工况下动态半经验模型能更有效地拟合老化电压数据。长期预测结果表明,基于动态半经验模型的预测误差更小,且混合方法预测的PEMFC剩余使用寿命更接近真实值。

一种混合储能变换器的模型预测整体控制方法

新能源发电渗透率逐渐提高,由新能源本身固有特性向电网引入的功率扰动不容忽视,且在高比例接入情况下对于新能源发电参与电网调节的需求越来越大,这对其系统功率响应性能提出了更高的要求。由蓄电池和超级电容组成的混合储能由于具有互补的能量特性,应用于新能源发电系统中可以帮助提升其整体的能量处理能力。为了充分发挥储能介质的功率特性,针对光伏发电系统中的应用,提出了一种应用于蓄电池-超级电容混合储能变换器的模型预测整体控制方法。根据变换器主电路的数学模型,结合混合储能的控制目标,设计了嵌入功率滤波器的模型预测整体控制策略。仿真结果表明提出的模型预测整体控制方法具有优越的功率响应特性与参数鲁棒性。

基于改进CFD与小波混合神经网络组合的风电场功率预测方法

风的间歇性和时变性制约电力系统能量平衡,准确的风电功率预测有助于电网减小旋转备用、合理制定检修计划。为减小预测误差,提出一种基于多计算流体力学(computational fluid dynamics,CFD)模型的新型风电场组合功率预测方法。首先,利用小波混合神经网络对数值天气预报降尺度;其次,提出了考虑多重尾流的风电场物理CFD模型,并建立了根据测风塔风速外推各台风电机组风速的加速比相关系数;最后,提出了仅考虑自由流场和带有激盘模型的变权重组合流场模型。实际算例仿真证明,所提出的预测方法更准确地反映了风电场实际运行状态,有效提高了预测准确性。

有限混合Wishart模型分类多视极化SAR图像

针对多视极化SAR图像的Wishart分类器存在着先验假设分布问题,提出混合Wishart模型并进行极化SAR图像的分类。结合bootstrap方法给出了混元个数准则,采用EM算法导出了混合模型的参数估计。根据旧金山湾区域的多视极化SAR图像实例进行了分析,并由此进行分类。实验结果显示在大的匀质区域方面上采用混合Wishart模型的分类结果明显优于直接采用Wishart方法的分类结果。

基于混合SVM方法的蛋白质二级结构预测算法

预测蛋白质二级结构,是当今生物信息学中一个难以解决的问题。由于预测蛋白质二级结构的精度在蛋白质结构研究中起到非常重要的作用,因此在基于KDTICM理论基础上,提出一种基于混合SVM方法的蛋白质二级结构预测算法。该算法有效地利用蛋白质的物化属性和PSI-SEARCH生成的位置特异性打分矩阵作为双层SVM的输入,从而大大地提高了蛋白质二级结构预测的精度。实验比较分析表明,新算法的预测精度和普适性明显优于目前其他典型的预测方法。

基于GRU神经网络多标签多分类的焦炭质量预测模型

通过关联配合煤中硫、灰分、挥发分的质量分数等主要的煤质指标,利用基于Adma算法为优化器的GRU神经网络模型,不断对模型参数进行调整后,通过sigmoid激活函数判断模型准确率的多标签多分类方法,建立了焦炭质量预测模型。结果表明:当三层GRU网络的隐层神经元数量为(64,64,64);学习率为0.01;样本批次大小为64;样本训练次数为50;丢弃率为0.3时,得到了模型的最优参数,此时模型预测准确率达到97%。采用GRU神经网络多标签多分类焦炭预测模型不仅具有高精度、低损失函数等特点,而且针对小样本配煤数据预测焦炭质量可以达到很好的效果,对实际的配煤炼焦具有一定的参考意义。

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951-2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。

时间序列混合预测模型的应用

时间序列模型是分析与预测复杂系统的常用方法。与多维分析和系统分析不同，时间序列模型仅考虑单一指标，不考虑系统内各种相互作用的因素，将系统看作一种按照某种规律演化，沿着一定趋势运动的惯性系统。通常的方法包括：AR（q）自回归模型，线性模型，指数曲线模型，S增长模型。

数量性状基因定位的混合线性模型分析方法

数量性状基因定位的混合线性模型分析方法①朱军（浙江农业大学生物数学研究中心，杭州３１００２９）作物产量、品质和抗逆等重要的农艺性状大多为数量性状基因所控制。近十年来，随着分子标记检测技术的发展，有关数量性状基因座位（ＱｕａｎｔｉｔａｔｉｖｅＴｒａｉｔ...

基于多因素混合模型的运营期群桩轴力预测

结合桥梁深水群桩基础在运营期间的受力特征,研究了深水群桩基础基桩轴力混合模型的一般原理.提出了基于多种环境因素影响下群桩基础监测数据的运营期混合模型,利用有限元模拟与PSO-SVM统计方法在苏通大桥群桩基础中实现了混合模型的构建.为了方便比较,建立了径向基函数(RBF)人工神经网络模型,对比了混合模型与RBF模型的预测结果.研究表明,混合模型预测精度较高,在受力情况不同的3根基桩上都有较为稳健的预测能力,具有较强的泛化能力,混合模型可适用于深水群桩基础运营期轴力的预测.

面向多因素影响的混合预测模型

为解决在城市道路短时交通流量预测中,由于对复杂外部因素和突发事件的影响考虑不足导致预测误差增大的问题,构建一个多因素混合预测模型。基于ARIMA时序预测模型,通过结合CART模型树引入居民出行习惯、节假日、天气、突发事故等其它外部影响因素,提高预测模型在复杂因素影响下的预测准确度和适应性。实验结果表明,该混合模型在面对节假日和突发事件时,能够得到更准确的预测结果。

基于改进混合核极限学习机的坝基注浆量预测代理模型研究

注浆量是反映灌浆施工质量的重要指标之一。目前基于机器学习的注浆量预测方法缺乏对裂隙倾向、倾角等参数的全面考虑。裂隙灌浆模拟具有能够综合考虑地质、设计、施工等因素影响的优势,然而面临裂隙参数小样本、计算效率低下的不足。针对上述问题,提出基于改进混合核极限学习机(ICSO-MKELM)的注浆量预测代理模型。主要包括:(1)提出基于改进bootstrap方法的三维随机裂隙网络模型建模方法,解决裂隙数据小样本问题,并结合离散元方法开展灌浆数值模拟研究;(2)建立基于改进混合核极限学习机的注浆量预测代理模型,采用改进的鸡群算法优化混合核极限学习机的参数选择,克服混合核极限学习机参数选择效率不高、且难以有效选择全局最优参数的不足。通过将建立的代理模型应用于某工程坝基帷幕灌浆的注浆量预测,并与基于RBF-KELM单核极限学习机模型、Poly-KELM单核极限学习机模型、BP神经网络模型的注浆量预测结果对比,验证了本文所提方法的优越性。

基于机器学习方法的母猪高低产分类模型研究

为帮助猪场管理者更好地对母猪进行繁殖管理、预测母猪的高低产、及时淘汰低产母猪,收集和整理包含出生场地、分娩栏位、品种和不同胎次、初生窝重信息的3个母猪群体的生产数据集,制定母猪高低产的分类标准,使用R软件中的Boruta包筛选出影响母猪高低产的重要特征,使用4种不同的机器学习方法——逻辑回归(logistic regression,LOG)、决策树(decision tree,DT)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)构建母猪高低产的分类模型,并进行决策树视图分析探究影响母猪最高产的相关因素。结果显示:4种机器学习方法构建母猪高产分类模型的分类准确率均在71%左右,最高可达84%,并且发现SVM作为最佳建模方法在所有数据集和不同分类标准下出现的频率最高,其次是LOG和DT。决策树视图显示出生场地、品种和初生窝重是划分最高产母猪的重要叶节点,利用这些特征预测最高产母猪准确率可达73%~82%。以上结果表明在未来的养猪生产中,利用机器学习方法实现母猪高低产的早期预测将会是一个不错的选择。

基于混合神经网络的铁路材料消耗的预测方法研究

为精确地预测铁路材料的消耗,采用了混合神经网络的方法进行建模。根据ABC分类法对所有物资进行分类,明确了材料消耗中的重点,在综合分析以往材料消耗数据的基础上,确定了混合神经网络的结构,最终建立了一个用于材料消耗预测的混合神经网络模型。

基于背景差分法的篮球投篮轨迹预测模型构建

为实现动态复杂环境下篮球投篮轨迹的预测,为篮球训练提供指导依据,构建基于背景差分法的篮球投篮轨迹预测模型。该模型基于混合高斯背景差分方法,构建复杂动态环境背景建模,为保证建模效果,引入自适应学习率进行模型优化,并删除背景模型中冗余高斯分量,获取图像中的前景目标图像;基于最大类间方差的阈值分割方法,二值化处理前景目标图像后,采用区域线性增长方法和篮球运动员投篮运动轨迹图形融合模型,提取前景目标图像中的投篮运动特征,实现篮球投篮轨迹预测。实验表明:该模型具有良好的篮球投篮运动图像处理效果,篮球投篮轨迹预测的可决系数指标结果均在0.947以上,预测结果与实际轨迹结果之间吻合程度较好,满足应用需求。

基于数据分类重建的风电机组故障预警方法

为预警风电机组潜在故障、增强机组出力安全性,基于监控和数据采集(SCADA)系统,提出一种异常数据重建的风电机组故障预警方法。首先,充分利用同风场风机SCADA数据,分别重建输入类与输出类目标机组数据,克服了部分数据信息丢失、数据异常问题;其次,使用提取的代表性数据建立故障预警模型,所得预警模型更贴近机组运行动态特性;最后,采用改进的衰退指标预警潜在故障,直观展示机组阶段性衰退程度。案例研究中使用某风电场SCADA故障数据,并使用3种标准确定所提策略参数设定值,结果表明可至少提前3周预警风电机组齿轮箱潜在故障,验证了所提故障预警方法的时效性。

基于复合材料的橡胶颗粒沥青混合料弹性模量预测

为对橡胶颗粒沥青混合料弹性模量进行预估,分别建立单夹杂复合材料两层嵌入式模型和多步骤多相细观力学模型,得到橡胶颗粒沥青混合料弹性模量预测方法,对橡胶颗粒沥青混合料弹性模量进行预测;将弹性模量预测结果与实测结果进行对比分析,研究橡胶颗粒沥青混合料弹性模量影响因素,并对低温条件下弹性衰减进行分析。研究结果表明:该细观力学模型方法是有效的和可靠的,可用于预先评估橡胶颗粒沥青路面在低温下的力学性能和除冰能力;沥青胶浆的弹性模量对橡胶颗粒沥青混合料弹性模量的影响较大,且随沥青胶浆弹性模量的增大而增大;橡胶颗粒用量变化对混合料弹性模量的影响比较大,随着橡胶颗粒用量的增加,混合料弹性模量逐渐减小;在低温下,混合料的弹性模量显著增大,橡胶颗粒沥青路面的除冰效果将大大减弱。