基于即时学习的改进条件高斯回归软测量

基于数据驱动的在线软测量是当前工业智能化感知的重要研究方向。在算法实际部署中,过程模态切换以及数据漂移都会导致软测量性能下降,传统自适应方法又存在模型单一、模态遗忘等不足。针对上述问题提出一种基于即时学习的样本时空加权条件高斯回归(STWCGR)软测量算法。该方法用概率密度估计和条件概率计算实现软测量建模和预测:首先根据即时学习思想通过样本时空混合加权方法筛选局部建模数据,然后结合高斯混合回归思想累积局部单高斯概率密度模型对数据分布进行拟合,最后引入预测动量更新和模态更新策略提高预测稳定性并赋予模型对新工况的学习适应能力。通过仿真实验验证了所提方法在预测精度、稳定性以及新模态适应能力上的有效性。

多工况生产过程下的即时学习能耗预测建模方法

针对全局能耗预测模型只适用于部分预测样本且模型计算量大的问题,引入即时学习思想,采用局部加权偏最小二乘法结合能耗模型建立临时局部能耗预测模型;改进粒子群算法的惯性权重,考虑粒子适应度、迭代次数和种群大小对粒子群算法收敛速度和收敛精度的影响,提出一种非线性变化的自适应惯性权重策略,离线计算阶段使用改进的粒子群算法(adaptive PSO,APSO)对历史样本的带宽参数进行寻优,当预测样本到来时在线更新局部模型。考虑多工况生产场景下不同工况样本之间的能耗差异性所导致的预测误差,增加工况相似性度量过程,提出局部加权偏最小二乘算法与K-means算法相结合的APSO-JITL(just-in-time learning)-CLWPLS(cluster locally weighted partial least squares)能耗预测建模方法,在预测时选取同一工况的历史样本来设计预测样本的带宽参数。通过仿真实验验证了算法有着更高的预测精度且能更好地应对多工况生产场景。

考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性,提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先,应用SOM对数据样本进行聚类,并对聚类特征进行解释。进而,通过基于聚类结果的样本选择算法构建待测数据的相似样本集,在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后,采用一个交通事故数据集对风险模型的性能进行测试,检验其精度、易用性和可解释性。结果表明:采用SOM-JITL策略的SVM模型,受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高;SOM-JITL模型构建所需参数调节工作少,具有较好的易用性;此外,SOM聚类结果准确识别出处于交通拥堵等高风险场景,与现实场景一致,具有可解释性。综上,SOM-JITL策略能有效提高基学习器的性能,达到精度、可解释性和易用性的平衡,有助于以低成本大规模推广风险预测系统。

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%。

在线选择性集成即时学习风电功率自适应预测

风电功率预测可为风电的并网和优化调度提供有效的指导信息,在风能的开发利用中扮演着举足轻重的角色。然而,由于风电固有的间歇性和随机性给准确的风电功率预测带来巨大挑战。同时,由于受季节性、气候性、设备老化等因素影响,随着时间的推移,风电功率数据特征难免发生改变,这将直接导致离线的风电功率模型性能发生退化。为此,提出一种在线选择性集成即时学习(OSEJIT)自适应风电功率预测方法。首先,为了有效处理风电的非线性和时变性特征,通过相似度、学习器扰动以构建多样性JIT基模型库。其次,为了保证集成有效性,定义基于Friedman检验的多样性指标和基于预测精度的准确性指标以实现模型的在线选择。随后,在线预测阶段,根据模型近期的预测性能通过自适应加权集成的方式获得最终预测值。为了保证基模型库的更新,同时规避模型频繁重建导致计算资源耗费的问题,采用一种基于KL散度的过程状态识别方法以减少模型重建频率。所提方法的有效性和优越性在一个实际风电功率数据应用中获得了验证。

一种基于深度学习的即时配送时间预测模型

为了提高即时配送服务水平,文章针对即时配送时间预测问题,提出一种分特征学习的预测模型。首先考虑不同因素对配送过程的影响,使用地理哈希、图嵌入等方法对多种特征进行表示;然后使用多头自注意力模型(multi-head self-attention,MHSA)和残差连接组合的方法学习多种特征间存在的关联关系,同时利用卷积神经网络(convolutional neural network,CNN)对配送节点间存在的空间关系进行提取,实现对不同特征的学习;最后将提取的特征进行融合,输入多层感知机实现对配送时间的预测。在真实即时配送数据集上的对比实验表明,该文提出的预测模型能够有效学习各类特征及关联关系,预测效果更优。

不同时间尺度下日用电量即时学习差异化模型

日用电量分析受到异常数据的影响,导致分析结果与实际结果不一致。为了解决该问题,在不同时间尺度下构建日用电量即时学习差异化模型。对不同时间尺度下日用电量进行离群点的检测,剔除异常值,使用SPSS统计软件检测日用电量分布情况,获取日用电量正态分布特征。划分不同区域权重子区域,通过类间最近邻局部子域映射到高维特征空间中,计算正态分布特征关联系数,取正态分布特征。聚类处理服从正态分布的特征数据,用灰色E形关联度来评价多因子之间关系强度,采用特征量聚类方法构建即时学习差异化模型。由实验结果可知,该模型住宅区与工作区日用电量值与实际测得数据一致,最高值分别为125 kW·h和350 kW·h,具有精准的分析效果。

初中科学教学中即时评价对学生学习策略和自主学习能力的影响研究

随着教育理念的不断演进和科技的迅速发展,教学方法也在不断地进行改革和创新。在这个不断变化的教育环境中,即时评价作为一种强有力的教学工具,逐渐引起了广泛关注。初中科学教学是学生认知和学科素养发展的关键时期,因此,如何有效利用即时评价提升学生的学习策略和自主学习能力成为当前教育研究的重要议题之一。本文分别探讨即时评价对学生学习策略和自主学习能力的具体影响机制。在学习策略方面,关注即时评价在提供及时反馈、促进认知调整与转变、引导学习方向与方法选择以及促进学习态度与动机的形成等方面的作用。而在自主学习能力方面,深入分析即时评价如何培养学生的自我监控与调节能力、提升问题解决与思维能力、提高学习资源的利用效率,以及培养独立学习意识与能力。通过这一研究,旨在为教育者提供有效的教学工具,促进学生在科学学科中更全面、更深入地发展学习策略和自主学习能力。

基于改进即时学习算法的动液面软测量建模

油田动液面参数软测量预测应用中,软测量模型随生产的进行会逐步退化,导致预测结果偏差较大,无法在油田生产过程中加以使用.对此,提出采用基于子空间相似度的即时学习策略来对动液面预测模型进行自适应动态更新.通过对生产阶段数据进行子空间的相似度计算,提高建模样本选取的准确性.设计两个记忆参数改变以往即时学习策略模型的更新方法,在减少计算量的同时提高动液面的预测精度.与以往即时学习算法进行实验对比,结果表明,改进算法对油田动液面测量精度高,适应性强,符合油田生产标准,可以应用于油田实际生产.

即时学习算法在非线性系统迭代学习控制中的应用

运用即时学习算法来解决一类非线性系统的迭代学习控制初值问题。对于任何类型的迭代学习控制算法 ,即时学习算法都能有效地估计初始控制量 ,减小了初始输出误差 ,加快了算法的收敛速度 ,使得经过有限次迭代后系统输出能严格跟踪理想信号。

时变过程在线辨识的即时递推核学习方法研究

为了及时跟踪非线性化工过程的时变特性,提出即时递推核学习(Kernel learning,KL)的在线辨识方法.针对待预测的新样本点,采用即时学习(Just-in-time kernel learning,JITL)策略,通过构造累积相似度因子,选择与其相似的样本集建立核学习辨识模型.为避免传统即时学习对每个待预测点都重新建模的繁琐,利用两个临近时刻相似样本集的异同点,采用递推方法有效添加新样本,并删减旧模型的样本,以快速建立新即时模型.通过一时变连续搅拌釜式反应过程的在线辨识,表明了所提出方法在保证计算效率的同时,较传统递推核学习方法提高了辨识的准确程度,能更好地辨识时变过程.

基于即时学习算法的软测量建模方法

针对工业过程中存在许多难以直接测量变量的问题,提出1种基于即时学习算法的软测量建模方法。提出k-矢量近邻方法建立系统的当前工况点的建模邻域,以提高即时学习算法的预测能力,利用递归最小二乘算法简化建模的在线计算量,通过PRESS估算得到算法的最优解,优化了算法,应用该算法对某一化工厂产品的酯化率进行测量建模,预测得到的最大相对误差为0.8742%,证明该方法的泛化性能良好,满足实际测量的精度要求,是1种便于理解,易于实现的软测量方法。

基于即时学习的非线性系统自适应PID控制

当使用先进策略整定PID控制器参数时,往往要依赖于系统所辨识的模型,而模型的精度与优化算法的计算效率直接影响到系统的控制效果.本文利用即时学习算法的本质自适应特点(建模数据在时间与空间上相邻性),来提高辨识模型的精度,并基于广义最小方差的性能指标,用等价多项式的方法,推导出PID形式的控制律,从而避免其他优化算法带来的计算量,提高了控制精度与计算效率.仿真结果验证了该方法的有效性.

基于即时学习的非线性系统优化控制

基于数据驱动机制的逆控制是一种非线性系统控制方法,关键问题在于局部逆控制模型的准确性,但尚无校验机制来保证其能否产生期望的输出.为此,提出一种k-VNN即时学习算法,提高了逆控制模型的建模精度.将该算法与性能指标优化策略相结合,在线修正逆控制模型预估的系统控制量,可得到系统的一步最优控制量,实现非线性系统的跟踪控制.为提高控制系统的泛化能力,提出一种数据库数据更新策略.仿真结果表明了所提出方法的有效性.

基于即时学习的软测量建模实时性改进

针对传统即时学习软测量建模过程中实时性改进不足的问题,提出了一种自动降低局部模型更新频率的即时学习实时性改进方法.通过相似性测度衡量待测输入样本是否变化,以检测系统的工作点是否发生变化.如果系统工作点发生变化,则更新局部模型后预测输出,并更新相似性测度比对阈值;否则判定系统工作于稳态,无需更新局部模型.实验结果验证了提出的实时性改进算法既能够显著提高即时学习的建模实时性,又能够保证较高的预测准确性.

基于即时学习的MIMO系统滑模预测控制方法

针对MIMO非线性系统的控制问题,采用数据驱动的控制策略,将具有本质自适应能力的即时学习算法与具有强鲁棒性的滑模预测控制相结合,设计了一种基于即时学习的滑模预测(LL-SMPC)控制方法.该方法在在线局部建模的基础上,采用滑模预测控制律求取最优控制量,具有较强的自适应和抗干扰能力,并避免了Diophantine方程的求解,有效减少了计算量.通过仿真研究,验证了算法的有效性.

基于即时学习算法非线性系统多模型自适应控制

针对可获得大量输入输出数据的非线性系统 ,提出一种改进的即时模型辨识方法 ,并与自校正的极点配置控制算法相结合 ,设计多模型自适应控制器 .所提出的建模方法和相应的多模型自适应控制器能较好地逼近非线性系统的动态特性 。

智慧学习环境下的即时反馈系统设计研究

智慧学习是数字化学习的高端发展形态,而智慧学习系统中的反馈系统是连接教师与学生的重要组成部分,如何通过有效的反馈系统支持智慧学习环境建设是一个重要因素。本文主要阐述了在智慧学习环境下即时反馈系统的设计,包括即时反馈的流程,即时反馈的原则及其系统设计,旨在优化学习者在学习过程中与学习系统、教学者和学习伙伴的互动反馈效果,让反馈更及时有效,使教学者更了解学生的学习特征,进而给予学生更科学的评价和更适合自身的学习指导建议,同时也使学习者更好地了解自我学习状态,提高学习过程体验,从而促进学习者的个性化学习。

基于即时学习策略的火电厂球磨机负荷软测量

针对电厂球磨机负荷难以进行有效预测的问题,从提高预测模型在线自适应能力的角度出发,提出一种基于即时学习策略的改进SVM建模方法。利用灰色关联分析方法对过程参数进行优化筛选,获得辅助变量;在即时学习策略建模框架下,采用多种群混合优化算法进行SVM预测模型参数的优化选取;基于电厂实际运行数据进行了仿真研究。仿真实验表明,与标准BP神经网络和SVM建模方法的比较,该算法具有更好的预测性能,虽然计算开销有所增加,但能够满足制粉系统球磨机负荷检测的实时性要求。

一种基于即时学习的多模型在线建模方法

针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法。该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模。在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性。最后,通过对一个仿真案例的研究验证了该算法的有效性。