动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性,提出了动态模糊机器学习模型,给出了动态模糊机器学习算法和它的几何模型描述,并进行了算法的稳定性分析,最后给出了实例验证。实例结果与BP算法产生结果相比较,优于BP算法的结果。

基于动态运动原语和自适应控制的机器人技能学习

提出一种基于动态运动原语(DMP)和自适应控制的机器人技能学习方法.现有的DMP从单示教轨迹中学习动作,且其高斯基函数分布方式固定,并不适用于各种不同特征的动作轨迹.因此,将高斯混合模型和高斯混合回归引入DMP中,使其能从多示教轨迹中学习技能,并且将径向基神经网络(RBFNN)引入DMP中构成RBF-DMP方法,以梯度下降的方式学习高斯基中心位置和权重,提高技能学习的精度.设计自适应神经网络控制器,用于控制机械臂复现示教中学习的动作.在Franka Emika Panda协作机械臂上开展实验研究,验证方法的有效性.

基于模仿学习的机器人演奏示教系统

近年来,模仿学习被广泛应用于机器人领域,并展示出巨大的潜力。同时关注到智能系统在教育领域的应用越来越多样化,将机器人合理地应用到教学中可以提升教学效果,如果机器人可以教授一些专业技巧,如演奏乐器,可以为学生和人类老师都提供很大的便利。模仿学习特别适用于高度专业和技术性强的小提琴演奏,但在将专家演示引入动态运动原语(Dynamic Movement Primitive,DMP)的过程中,模糊性问题尤为突出,例如换弦角度的不确定性。传统的换弦角度测量方法如物理测量会有很大的误差且无法泛化,为了解决这一问题,提出了一种名为基于模糊和PCA的动态运动原语(Fuzzy Dynamic Movement Primitive for Teaching,T-FDMP)的新模型。该模型基于二型模糊模型和主成分分析(Principal Component Analysis,PCA)进行构建,使用主成分分析法(PCA)得到的特征变量(运弓角度)作为隶属度函数(琴弦角度)的输入进行学习,同时构建了一个专业级的音乐演奏行为数据库。仿生实验结果证明,所提出的T-FDMP模型能够以高精度控制机器人进行小提琴演奏,还为模仿学习在其他高度专业和技术性强的领域的应用提供了新的研究方向。

基于动态模糊逻辑的一种学习模型

机器学习是人工智能的重要组成部分,可以说人工智能的进一步发展与机器学习的进展是不可分的。要使计算机具有智能,最关键的一点就是要使其具有学习的能力。本文以动态模糊集为基础得到了一个新的学习模型。

基于机器学习的多源实况分析产品和观测数据融合应用试验

利用中国气象局公共气象服务中心地面实况专业服务产品(CARAS_SUR1 km,简记为“CAR”)、国家气象信息中心多源融合实况分析产品(ART_1 km,简记为“ART”)、全国雷达反演降水产品(简记为“RAD”)、风云四号卫星反演降水产品(简记为“SAT”)以及全国气象观测站逐小时资料,应用机器学习方法建立了基于选定位置气温、降水、风向、风速要素的实况融合应用模型(简记为“GBDT模型”)。15 d逐时GBDT融合产品的全国分区域检验结果表明:GBDT气温融合产品在东北、华北、西北、华中、新疆、西藏6个区域较CAR和ART均有改进,在西藏的改进最明显,在华东和西南GBDT融合产品优于ART而逊于CAR,在华南和内蒙古GBDT融合产品误差较ART、CAR略有增加;GBDT降水融合产品在样本偏少的内蒙古较ART、CAR误差略有增加,其他区域有改进或基本相当;GBDT风速、风向融合产品较ART、CAR均有较大改进。试验结果表明,机器学习方法可应用于融合多源实况分析产品和观测数据,以开展选定位置气温、降水、风向、风速要素的实况气象信息服务。

动态系统模糊模型辨识及其自学习算法

提出一种规则模型辨识的自学习算法，并进行了实例验证，结果表明该算法具有较高的辨识精度，可用于模糊自适应控制系统中．

模糊模型参考学习控制在动态热箱试验中的应用

针对实际工况偏离设计工况很大时,PI控制性能不理想的情况,采用模糊模型参考学习控制方法对动态热箱装置进行空气温度控制,结果表明,模糊模型参考学习控制能很好地跟踪设定温度曲线的变化,取得了令人满意的控制效果.

基于机器学习的筒仓动态侧压力预测模型及概率分布研究

筒仓卸料时的动态侧压力是导致筒仓结构被破坏的重要原因,但影响筒仓动态侧压力的因素众多,且相互之间存在着复杂的非线性关系。因此,建立一种考虑多因素影响、高效、准确的动态侧压力的预测方法尤为重要。基于机器学习方法,将支持向量机、BP神经网络和随机森林等3种机器学习方法应用到筒仓动态侧压力的预测中。选取影响筒仓动态侧压力的相关因素作为输入变量,动态侧压力为输出值。对常用的3种机器学习中的参数进行寻优与设置,建立筒仓动态侧压力预测模型。通过测试样本对预测模型进行测试,分析表明支持向量机算法具有最优的预测能力与适用性,为筒仓动态侧压力的预测提供了一种新的方法。通过MATLAB软件对贮料密度这一单因素进行随机抽样,得到1 000组均匀分布的随机数。将数据输入最优的预测模型中,并利用Easyfit软件对预测值进行概率分布拟合,得到筒仓动态侧压力的概率分布,为筒仓结构的可靠度研究提供了理论基础。

基于机器学习的PM2.5短期浓度动态预报模型

针对目前现有的PM2.5模式预报系统的预报值偏离实际浓度较大的问题,从上海市浦东气象局获得2015年2月至7月的PM2.5实况观测浓度、PM2.5模式预报(WRF-Chem)浓度和5个主要气象因子的模式预报数据资料,联合应用支持向量机(SVM)和粒子群优化(PSO)算法建立滚动预报模型,对PM2.5未来24小时浓度进行预报,同时对未来一天的昼、夜均值及日均值浓度进行预报,并与径向基函数神经网络(RBFNN)、多元线性回归法(MLR)、模式预报(WRF-Chem)作对比。实验结果表明,相比其他预报方法,所提出的SVM模型较大提高了PM2.5未来1小时浓度预报精度,这与此前的研究结论相符;所提模型能对PM2.5未来24小时浓度进行较好的预报,能对未来一天的昼均值、夜均值及日均值进行有效预报,并且对未来12小时的逐时浓度及未来一天的夜均值浓度的预报准确度较高。

一类动态模糊机器学习算法研究

现有的各种机器学习方法在面对数据的动态模糊性问题时,面临严峻挑战.本文主要针对数据的动态模糊性,给出了一类动态模糊机器学习模型,及其局部线性嵌入算法和改进的局部线性嵌入算法,并对算法的稳定性进行分析,通过实例验证说明算法是有效的.

一种用于入侵检测的改进的动态机器学习模型

介绍并改进了一种基于动态模型的,用于入侵检测系统的机器学习算法。该算法抽取出IP分组和TCP连接的23个属性域,经过训练得到规则集。结合改进后的模型,使用该规则集对1999 DARPA入侵检测离线评估数据集进行了测试,取得了较好的结果。

基于机器学习技术的数据中心冷机动态负载分配研究

面向数据中心的节能减排需求,笔者团队提出了一种利用机器学习技术进行数据中心冷水机组建模并实施动态分配的方法,以助力数据中心冷却系统更好地提高效能、降低消耗。本文详细介绍了数据中心冷水机组基于理论数据和运行数据构建设备动态模型的建模方法,并深入探讨了多台冷水机组在数据中心联合运行的最优策略,以期为数据中心实现绿色转型提供有价值的路径参考。

基于对抗学习的信用卡欺诈检测动态模型探索

信用卡欺诈对许多金融机构来说是一个棘手的问题,尽管金融机构基于机器学习算法构建了各种欺诈检测系统,部分欺诈者仍然可以避开欺诈检测,因为这些系统通常不包含有关对手了解欺诈检测机制的信息。为了将欺诈者不断扩充的知识库信息纳入自适应欺诈检测系统,本文基于信用卡欺诈检测动态模型研究项目(以下简称“项目”),探索使用博弈论对抗学习方法来模拟欺诈者的最佳策略,并先发制人地调整欺诈检测系统,提升其应对潜在威胁的能力。

基于机器学习的网络支付欺诈交易动态识别模型的构建

通过抓取网络支付数据包,提取网络交易信息链特征,采用迭代算法搭建网络支付交易多分类器,实现数据分类,并利用机器学习方法构建网络支付欺诈交易动态识别模型.实验结果表明:采用动态识别模型进行网络支付欺诈交易所需时间为12.71 s,传统动态识别所需识别时间为22.63 s,与传统动态识别模型相比,动态识别模型更能节省时间成本,提高了网络支付欺诈交易识别效率.

基于动态模糊测试和机器学习的智能合约漏洞检测方法

智能合约的出现和发展拓宽了区块链的应用场景和现实意义,但频繁的安全事故给区块链的发展带来了障碍。但是,智能合约漏洞进行完备性和安全性分析的方法仍未被提出。当前对于智能合约的安全保障主要依靠专家审计和人工复查,该方式不能保证代码的绝对安全。针对智能合约漏洞挖掘的误报率、低效能等问题,在动态模糊测试和机器学习方法的基础上,提出一种适用于智能合约漏洞的检测方法与模型。该方法提高了智能合约漏洞挖掘的自动化程度和准确性。

面向多机器人路径规划的一种基于模糊模型的再励函数结构

再励学习 ,作为一种新兴的智能学习模式 ,由于学习机制简单 ,不需要任何先验知识 ,也不需要样本数据 ,被越来越多地用于未知环境模型系统的学习。而目前再励学习存在的问题之一是学习速度不高 ,难以保证系统的实时性。在已有的再励学习系统中 ,再励函数多采用无模型表示结构 ,这种结构过于简单粗糙 ,也是再励学习学习效率低下的主要原因之一。因此 ,本文结合多机器人协调避障路径规划问题 ,提出一种新的基于模糊模型的再励函数结构 ,这种结构将反映机器人基本行为如躲避障碍物、其它机器人和趋向目标等的再励函数子函数进行分层建模 ,并取模糊加权和来表示总的再励函数。仿真试验表明 ,使用基于模糊模型的再励函数结构使再励学习的收敛速度要高于无模型结构。

轮式移动机器人的双强化学习自适应模糊控制

针对包含执行器动力学模型的三阶不确定非完整轮式移动机器人系统,提出了一种基于反演设计和双强化学习自适应模糊系统的轨迹跟踪控制方法。该控制方法对运动学控制器采用分流控制技术,防止系统运行初期的速度跳变。对本体动力学和执行器动力学分别使用强化学习自适应模糊控制,优化补偿常规方法难以解决的系统未知参数和非参数不确定性,并利用鲁棒项来消除未知外部扰动和模糊控制逼近误差对系统的影响,提高了系统的控制性能。Lyapunov理论证明:控制系统是稳定且最终有界收敛的,仿真结果表明了该方法的有效性。

模糊模型参考学习控制在静态热箱试验装置中的应用

模糊模型参考学习控制是一种具有自学习机制的模糊控制,在控制过程中能自动调整模糊控制规则表,使其控制性能得到不断改善,从而达到理想的控制效果。介绍了这种控制算法的原理。采用这种控制算法对静态热箱装置的空气温度进行了控制,并与PI控制进行了比较。结果表明,模糊模型参考学习控制具有响应快的优点,同时具有与PI控制同样高的稳态精度,但超调量比PI控制稍大。

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中,受新区块投产、开发方案调整和“三采”措施等因素的影响,年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题,开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型,对多峰数据序列进行分段最小二乘拟合,在拟合误差函数中引入控制分段个数的罚分项,采用动态规划算法,自动求得最优分段的多峰预测模型,该模型运用在实际的油田产量数据上,预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法,在实际应用中具有建模简单、自适应性强的优点。

面向动态交通流的高速公路事故风险模型空间移植研究

本文旨在探究不同尺度数据集对高速公路实时事故风险建模的影响,并实现不同数据特征路段间事故风险模型的空间移植。首先,提取不同特征路段检测器信息,以动态交通流匹配事故数据构建多尺度数据集:高精度数据集、小样本数据集、低精度数据集以及同尺度条件下(同为高精度大样本量)的空间差异数据集;进而,通过贝叶斯Logistic回归量化不同样本量对事故风险模型预测性能的影响;分别采用统计学和机器学习手段建模分析高精度和低精度数据集;最后,基于贝叶斯更新方法建立实时事故风险移植模型,对高速公路实时事故风险预测模型进行空间移植,并验证其可靠性。结果显示:贝叶斯Logistic回归的性能随着样本量增大而有所提升;高精度数据条件下,贝叶斯Logistic回归和RF-SVM(Random Forest-Support Vector Machine)模型的AUC(Area Under Curve)值比低精度条件下分别高出0.092和0.037;在不同数据精度的空间移植中,贝叶斯更新方法可令低精度路段模型的AUC值从0.645提至0.714,在相同数据尺度的空间移植中,该方法可将被更新路段模型的AUC值从0.737提至0.751。结论表明:高样本量路段的模型虽然具备较高的分类准确度,但无法稳定地提升模型的预测性能,而高精度数据路段的模型可获得更高的分类准确度和预测精度;统计学方法在模型解释层面更具优势,机器学习手段在低精度数据路段下的预测性能更好;贝叶斯更新模型能够在一定程度提升空间移植效果。