基于变因子加权学习与邻代维度交叉策略的改进CSA算法

针对乌鸦搜索算法(CSA)优化高维问题时存在寻优精度低、局部极值逃逸能力弱等问题,提出一种耦合多个体变因子加权学习机制与最优个体邻代维度交叉策略的改进乌鸦搜索算法(ICSA).该算法随迭代进程动态修正模型控制参数(感知概率和飞行长度),利用多个体的变因子加权学习机制保证子代个体同时继承跟随乌鸦与上代最优个体的位置信息以避免单个体继承的过快种群同化并减小陷入局部极值的风险;同时构建历史最优个体的邻代维度交叉策略,并按维度绝对差异大的优先替换原则更新最优个体位置,以保留历代最优维度信息并提高算法的局部极值逃逸能力.数值实验结果分别验证了模型参数对CSA算法性能的一定影响,加权学习因子不同递变形式对ICSA算法性能改善的有效性与差异性以及改进算法的优越寻优性能.

基于全局最优局部加权学习算法的船舶操纵运动辨识

运用一种基于全局最优的局部加权学习(Locally Weighted Learning,LWL)算法进行船舶操纵运动辨识建模。该方法是一种基于计算机存储的离线学习的黑箱建模方法,直接考虑船舶运动状态输入与输出之间的映射关系,可克服传统机理建模及参数辨识模型中存在的参数漂移问题和未建模动态问题。对样本点进行重新排列并提高输入空间的维度,解决船舶运动状态一对多映射和不可分问题。通过学习"Mariner"轮的三自由度数学模型,并进行旋回试验、Z形试验及逆螺旋试验,验证算法的有效性。

基于OpenMP的船舶操纵运动局部加权学习辨识建模

针对局部加权学习算法预测船舶运动状态耗时过多和训练距离测度时间长的问题,结合OpenMP并行算法开发的特点和LWL算法数据分布的特性,对LWL算法的加权函数、距离函数、最小二乘求解进行了OpenMP并行化设计。以Mariner轮整体型数学模型为研究对象进行仿真研究,仿真结果表明,并行算法与串行精度一致,并行的加速效果与处理算法紧密相关,即便在并发线程不超过计算机核心数的情况下,也并非并发线程越多越好。当选取线程数量为2、4、8时并行算法与全局最优LWL算法相比训练时间缩短了33.0%,OpenMP并行算法具有较好的并行效率。

一种基于局部加权学习的自适应交通流预测机制

结合交通流的特征,提出了一种自适应的交通流预测机制。首先根据训练数据特点,按三相交通流理论对交通状态进行分类,从每个分类对应的训练数据集内提取相应的最佳邻域。在基于局部线性回归模型的预测中,根据邻域中数据点所处状态分别选择相应局部模型进行预测,最终预测结果为各局部模型预测值的加权平均。根据各模型误差确定当前数据所处状态,增量加入训练数据集。基于真实交通数据的实验证实该方法能够有效提高预测的准确率。

动态受限机械臂的局部加权学习控制

针对带有状态和输入约束的机械臂不确定系统模型,提出了基于障碍李雅普诺夫函数的局部加权学习控制方法。将系统控制输入看作扩展状态,从而将该控制问题转化为带有扩展状态约束的不确定非线性系统控制问题。将障碍李雅普诺夫函数引入到反步法,设计局部加权学习控制,保证障碍李雅普诺夫函数指数收敛到零点一个小邻域,进而保证了系统状态、输入约束的满足和跟踪误差的收敛。通过理论分析和仿真实验验证了所设计控制器的可行性和有效性。

基于增量局部加权学习的查询模板自适应基数估计

基数估计是基于代价查询优化的关键步骤,已经被研究了近40年.传统方法如基于直方图的方法在一些假设如属性相互独立、相交的表满足包含原则等成立时能基本满足准确性要求.然而,在真实运行环境中这些假设往往不再成立,可能导致基数估计严重错误进而造成查询延迟.近年来,随着数据的增多和新硬件的发展,使用机器学习方法来提高基数估计的质量成为了可能.由于基于代价的查询优化主要根据查询中子执行计划的估计代价来选择最优的查询执行计划,因此,有一些最近的工作针对一些关键的子执行计划模板建立相应的局部学习模型,取得了不错的进展.但是,这些局部模型主要用于查询(查询空间)分布和数据(数据库数据)分布不变的场景,而在真实运行环境中,它们往往不断地发生变化,限制了这些估计技术的有效性.在本文中,我们针对子执行计划模板在查询分布和数据分布不断变化的环境下提出了一种使用增量的局部加权学习进行自适应基数估计的方法.具体地说,首先抽取子执行计划的语义和统计特征使之能代表当前查询和数据的特性,然后使用增量的局部加权学习模型根据查询分布和数据分布的变化进行自适应的学习,实现基数估计.最后,通过对比实验验证了本文方法的有效性.

哈默斯坦非线性时变系统的加权学习辨识方法

针对有限区间哈默斯坦(Hammerstein)非线性时变系统,该文提出一种加权迭代学习算法用以估计系统时变参数。首先将Hammerstein系统输入非线性部分进行多项式展开,采用迭代学习最小二乘算法辨识系统的时变参数。为了防止数据饱和,采用带遗忘因子的迭代学习最小二乘算法,进而引入权矩阵,采用加权迭代学习最小二乘算法改进系统跟踪误差,以提高辨识精度。该文分别给出3种算法的推导过程并进行仿真验证。结果表明,与迭代学习最小二乘算法和带遗忘因子迭代学习最小二乘算法相比,加权迭代学习最小二乘算法具有辨识精度高、跟踪误差小以及迭代次数少等优点。

遮挡情况下水尺图像特征加权学习识别算法

考虑实际应用中水尺图像受遮挡较多,自动识别水位困难的问题,提出了一种遮挡情况下的水尺图像特征加权学习识别算法。针对现有稀疏表示算法通常对图像整体进行操作如字典训练等,致使图像中的特征信息无法突出的情况,提出在稀疏表示过程中对回归系数设置不同权值并在迭代过程中对权值更新学习。首先通过对特征权值的迭代学习以增加有效信息的权重,排除遮挡信息的干扰;其次,通过对图像分类残余值进行不同模型下的回归表示,提出采用更能表现出残余值重尾分布实际情况的逻辑分布模型。实验过程采用实际水尺图像,先通过边缘检测等预处理方式得到当前水位的刻度图像,进一步对该图像附加遮挡进行分类识别以验证实验结果,所附加遮挡用以模拟水尺刻度被水面遮挡等情况。实验结果表明,与常用的稀疏回归表示算法相比,该算法在多遮挡情况下的性能较优。图10幅。

基于拉普拉斯特征映射与加权极限学习机的电动潜油离心泵故障诊断方法

电动潜油离心泵(简称“潜油电泵”)采油技术在非自喷高产井和高含水井中应用广泛,但其在运作过程中易发生设备故障,后续维护会触发长时间停机,可能造成无法估量的经济损失。目前对潜油电泵故障的诊断主要依赖现场技术人员的经验,无法快速及时地自动诊断分析。为此,文章提出了一种结合拉普拉斯特征映射与加权极限学习机的潜油电泵故障诊断模型。针对潜油电泵采集的数据存在严重不平衡性问题,其首先通过加权极限学习机建立故障诊断模型;然后,为解决算法学习不充分、加权策略会带来计算成本高和应用于高纬度特征空间的效果差等问题,其引入拉普拉斯特征映射方法对模型进一步优化;最后,在TE化工过程数据集上验证了所提方法的有效性,并在潜油电泵实时故障数据集上对该算法的实用性进行实验验证。结果显示,本文算法的分类平均准确率、最大准确率及G-mean相比支持向量机、决策树、BP算法、极限学习机以及加权极限学习机的平均提升了10%以上,验证了本文方法的有效性。

基于加权宽度学习的异常用电辨识研究

针对异常用电与正常用电样本类别不平衡关系及现有模型训练耗时、缺乏可扩展性的问题,提出一种基于加权宽度学习(weighted broad learning system,WBLS)的异常用电辨识模型。首先,考虑到样本间类别不平衡关系,在目标函数中使用样本权重约束每个类对模型的贡献,样本权重根据样本分布情况个性化赋予,并通过岭回归广义逆高效地建立WBLS辨识模型。其次,基于新增加的用电样本数据,通过增量学习算法对模型进行更新和重构。实验结果表明该模型提高了对异常用电样本的辨识精度,并在增加用电样本的情况下,可以快速地对旧模型进行更新和扩展。

基于联邦加权学习算法的三维激光隧道裂缝探测研究

为解决采用三维激光扫描仪探测隧道裂缝的识别精度低、抗干扰能力差的问题,提出基于联邦加权学习算法的裂缝探测研究新思路。基于隧道激光点云数据,首先使用优化联邦加权学习算法,并采用异步和残差测试自适应调整算法,以此整体达到精准探测隧道裂缝的目的。在临滕高速隧道进行试验,围绕裂缝探测的可靠性、准确度和测量精度等指标,将本文算法与传统算法进行对比分析,结果表明本文提出的新方法能有效提高隧道裂缝探测的可靠性及准确率,对探测裂缝宽度的精度上也有较好的性能。当探测结果中出现灰尘、钢筋裸露等干扰因素时,新算法较传统算法在可靠性上仍有明显优势,仍能达到95%以上的识别准确度和低于10%的识别误识率,这些确保了算法应用效果的鲁棒性。通过工程现场的实践,本算法识别出的裂缝宽度与人工测量值之间最小偏差仅为0.06 mm,验证了其良好的裂缝识别精度。

加权双Q学习算法优化的PHEV能量管理策略研究

插电式混合动力汽车(plug-in hybrid electric vehicles,PHEV)具有节能、环保、无续航里程焦虑的优点,是汽车领域发展的重点方向。但PHEV整车控制策略较为复杂,涉及到多动力源的能量分配,如何设计高效可靠的能量管理策略已经成为PHEV研究的热点与难点。为了提升PHEV的燃油经济性和整车性能,提出了一种基于加权双Q学习的插电式混合动力汽车能量管理控制策略,采用加权双Q学习算法求解PHEV的能量分配。为了验证所提策略的有效性及可靠性,在Matlab/Simulink中搭建整车模型并进行仿真验证。研究结果表明:本文所提策略相比基于规则的CD/CS策略,燃油经济性在不同的行驶工况下平均提高6.38%;在不同的工况下,基于加权双Q学习策略的燃油经济性可达随机动态规划策略的98%,验证了本文所提策略具有较好的燃油经济性及工况适应性。

基于深度学习的全景片自动牙位标识

根据国际牙科联盟系统的全景片影像实际特征,提出一种基于参数优化的用于自动牙齿检测和标号分类的方法。运用先进的深度学习方法构建创新以及实用的三阶段牙科全景片牙齿标识方法。使用全景片图像将其分为几个阶段,以SqueezeNet的基于掩膜区域卷积神经网络作为基线模型进行特征提取过程,使用燕群优化算法进行参数优化,应用基于SoftMax分类器的牙齿预测和加权极限学习机的阶段分类模型确定牙齿编号类别标签,在图像数据集上进行评估,所提方法具有性能竞争力。

一种加权学习矢量量化算法

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题,提出一种加权学习矢量量化算法.该算法为每一维属性引入一个权重系数,用其表征相应属性在分类过程中的重要程度,并与权向量一同更新.利用输入样本和获胜神经元之间的修正距离的均值,控制权重系数更新的阈值及步长.距离均值确保了更新过程的稳定性,且无需进行权重系数的归一化操作.UCI机器学习数据库中6组数据的实验结果表明,该算法能够有效给出数据的本质属性,尤其是局部型权重系数.与传统学习矢量量化算法及其改进算法相比,识别率高、性能稳定、计算复杂度低.

基于加权正则化极限学习机与改进梯度投影法的谐波源定位

针对配电网谐波源分布稀疏、监测装置少及定位难度高等特点,提出了采用基于加权正则化极限学习机与改进梯度投影法相结合的方法进行谐波源定位。具体的做法是,先构建系统量测节点的优化配置模型,采用模拟退火遗传算法进行求解,然后利用从监测节点获取的量测数据构建基于加权正则化极限学习机的谐波源定位模型,确定含有谐波源的嫌疑节点,实现谐波源的定性分析,最后再采用改进梯度投影法求取嫌疑节点的谐波电流,完成谐波源的定量分析。仿真结果表明:采用加权正则化极限学习机与改进梯度投影法相结合的谐波源定位方法具有定位精度高、速度快的优点,有一定的推广价值。

基于核函数的加权极限学习机污水处理在线故障诊断

污水生化处理中的运行故障会引起出水水质不达标、运行费用增高和环境二次污染等严重问题,需要及时准确地对运行故障进行诊断。考虑到污水处理过程运行状态数据的不平衡性造成故障诊断准确率下降,提出了一种基于核函数的加权极限学习机污水处理过程实时在线故障诊断方法。该方法以极限学习机为基础,采用加权的方式处理数据的不平衡特性,通过核函数的非线性映射来提高数据线性可分的程度。仿真实验证明,本文建立的污水处理在线故障诊断模型在线测试精度高,泛化性能好,模型在线更新速度快,能够比较好地满足准确性和实时性,实现对污水处理过程的在线故障诊断。

基于加权极限学习机的肿瘤基因表达谱数据分类

基因表达谱数据一般来源于临床试验,而在临床试验中,试验样本的类分布情况是不确定的,这就使得表达谱数据往往具有比较明显的不平衡性.采用加权极限学习机来对不平衡基因表达谱数据进行分类,为了减少因为不平衡数据引起的分类误差,一个临时的权重被分配给每一个样本以增强少样本类的影响,同时减少多样本类的影响,进而提高肿瘤分类的准确率.实验结果表明,所提方法能够提高少样本类的识别率,从而提高分类器的总体性能.

基于改进乌鸦搜索算法的极限学习机分类方法

针对极限学习机(ELM)输入权重和阈值随机生成导致模型泛化性能低下的问题,提出一种改进的乌鸦搜索优化算法训练ELM的方法,利用改进的乌鸦搜索算法优化ELM模型,通过生成最佳输入权重和阈值提高预测结果准确率,降低ELM模型训练误差。为了评估所提算法的性能,在UCI经典分类数据集上进行实验验证。实验结果表明,改进算法与其它智能优化算法相比,在50次运算中的标准差平均降低了62%,收敛速度平均提高了68%,表明所提算法具有更好的准确率、泛化性能和收敛速度。

基于加权极端学习机的瓦斯涌出量预测模型

为了能够更加准确地预测瓦斯涌出量，提出一种多元混沌时间序列的加权极端学习机瓦斯涌出量预测模型。首先对瓦斯涌出量监测数据构成的多元时间序列进行相空间重构，采用信息熵方法选取最佳延迟时间和嵌入维数：然后根据相空间中输入数据对预测误差的影响施加不同的权重，并结合核极端学习机预测模型构造出加权极端学习机模型。通过仿真试验表明，提出的预测模型行之有效，与同类其他模型相比，具有更高的预测精度和更好的稳定性。

面向不平衡数据流的自适应加权在线超限学习机算法

一般的在线学习算法对不平衡数据流的分类识别会遇到较大困难,特别是当数据流发生概念漂移时,对其进行分类会变得更困难.文中提出面向不平衡数据流的自适应加权在线超限学习机算法,自动调整实时到达的训练样本的惩罚参数,达到在线学习不平衡数据流的目的.文中算法可以适用于不同偏斜程度的静态数据流的在线学习和发生概念漂移时数据流的在线学习.理论分析和在多个真实数据流上的实验表明文中算法的正确性和有效性.