针对测量数据中粗差干扰及高程异常拟合方法选择较为困难的问题,结合格拉布斯(Grubbs)法判别粗差的原理,提出一种改进格拉布斯(Improved Grubbs,IGrubbs)结合局部加权线性回归(Local Weighted Linear Regression,LWLR)的拟合模型构建法...针对测量数据中粗差干扰及高程异常拟合方法选择较为困难的问题,结合格拉布斯(Grubbs)法判别粗差的原理,提出一种改进格拉布斯(Improved Grubbs,IGrubbs)结合局部加权线性回归(Local Weighted Linear Regression,LWLR)的拟合模型构建法。在原Grubbs法则的基础上,引入自适应迭代,在训练数据中,对粗差进行识别,并设定粗差剔除完成的指标参数,从而降低原方法中发生误判或漏判的概率,并利用局部加权线性回归法通过预处理后的训练样本数据来建立区域高程异常拟合模型。实验结果表明,相较于传统Grubbs法则,改进后的Grubbs法对于高程异常数据中的粗差剔除更为快速有效,且利用局部加权线性回归法所构建的区域高程异常拟合模型的预测精度及稳定性也得到一定程度的提高,对今后工程中的测高工作具备一定的参考意义。展开更多
锂离子电池的健康状态(state of health,SOH)准确估计对于储能电站的稳定高效运行至关重要。为了进一步提高数据驱动方法对SOH估计的精度,本团队提出了一种利用交叉验证训练的线性回归加权融合模型的方法。首先,从放电电压曲线、充电和...锂离子电池的健康状态(state of health,SOH)准确估计对于储能电站的稳定高效运行至关重要。为了进一步提高数据驱动方法对SOH估计的精度,本团队提出了一种利用交叉验证训练的线性回归加权融合模型的方法。首先,从放电电压曲线、充电和放电温度曲线中提取了健康特征,并使用Pearson相关系数对所选特征进行了相关性分析,确定了网络模型输入的健康因子参数。随后,通过在LSTM与GRU中加入注意力机制,建立了LSTM-Attention与GRU-Attention模型,分别以NASA电池老化数据集B0005、B0006、B0007和B0018电池的前50%作为模型训练集,用剩余数据对模型进行验证,分别得到了模型对应的ŷ_(L-A)与ŷ_(G-A)估计值,然后使用所提融合模型方法对两个估计值进行线性回归加权,结果显示该方法的最大均方根误差和平均绝对误差分别为0.00291和0.00200。最后,为验证所提模型的抗干扰能力,在输入模型的健康因子中加入不同比例的高斯白噪声,实验结果显示融合模型的抗干扰能力较强,最大均方根误差和平均绝对误差仅为0.03562和0.02889。展开更多
Rao and Zhao (1992) used random weighting method to derive the approximate distribution of the M-estimator in linear regression model.In this paper we extend the result to the censored regression model (or censored “...Rao and Zhao (1992) used random weighting method to derive the approximate distribution of the M-estimator in linear regression model.In this paper we extend the result to the censored regression model (or censored “Tobit” model).展开更多
文摘针对测量数据中粗差干扰及高程异常拟合方法选择较为困难的问题,结合格拉布斯(Grubbs)法判别粗差的原理,提出一种改进格拉布斯(Improved Grubbs,IGrubbs)结合局部加权线性回归(Local Weighted Linear Regression,LWLR)的拟合模型构建法。在原Grubbs法则的基础上,引入自适应迭代,在训练数据中,对粗差进行识别,并设定粗差剔除完成的指标参数,从而降低原方法中发生误判或漏判的概率,并利用局部加权线性回归法通过预处理后的训练样本数据来建立区域高程异常拟合模型。实验结果表明,相较于传统Grubbs法则,改进后的Grubbs法对于高程异常数据中的粗差剔除更为快速有效,且利用局部加权线性回归法所构建的区域高程异常拟合模型的预测精度及稳定性也得到一定程度的提高,对今后工程中的测高工作具备一定的参考意义。
文摘锂离子电池的健康状态(state of health,SOH)准确估计对于储能电站的稳定高效运行至关重要。为了进一步提高数据驱动方法对SOH估计的精度,本团队提出了一种利用交叉验证训练的线性回归加权融合模型的方法。首先,从放电电压曲线、充电和放电温度曲线中提取了健康特征,并使用Pearson相关系数对所选特征进行了相关性分析,确定了网络模型输入的健康因子参数。随后,通过在LSTM与GRU中加入注意力机制,建立了LSTM-Attention与GRU-Attention模型,分别以NASA电池老化数据集B0005、B0006、B0007和B0018电池的前50%作为模型训练集,用剩余数据对模型进行验证,分别得到了模型对应的ŷ_(L-A)与ŷ_(G-A)估计值,然后使用所提融合模型方法对两个估计值进行线性回归加权,结果显示该方法的最大均方根误差和平均绝对误差分别为0.00291和0.00200。最后,为验证所提模型的抗干扰能力,在输入模型的健康因子中加入不同比例的高斯白噪声,实验结果显示融合模型的抗干扰能力较强,最大均方根误差和平均绝对误差仅为0.03562和0.02889。
基金This research is partially supported by National Natural Science Foundation of China(Grant No. 10171094) Ph. D. Program Foundation of the Ministry of Education of China Special Foundations of the Chinese Academy of Sciences and USTC.
文摘Rao and Zhao (1992) used random weighting method to derive the approximate distribution of the M-estimator in linear regression model.In this paper we extend the result to the censored regression model (or censored “Tobit” model).