基于极限学习机的在线参数更新方法及工业应用

针对乙烯裂解炉结焦导致裂解炉机理改变,从而引起的模型预测不准确问题,提出一种带有遗忘因子的在线序列简化核极限学习机算法(FOS-RKELM)。该算法基于在线序列的简化核极限学习机,数据可以在线实时添加到网络中,从而提高模型的适应度;通过引入遗忘因子提高最近学习数据对模型的贡献,增强模型在线学习的能力;引入聚类算法优化、简化核极限学习机(RKELM),提高算法的稳定性。结果表明:所提算法在Mackey-Glass时滞混沌序列上取得了较好的预测效果;在乙烯产物收率预测问题上,与在线序列简化核极限学习机(OS-RKELM)、简化核极限学习机(RKELM)、BP神经网络和径向基学习机(RBF)算法相比,该算法平均绝对误差显著减小,证明了该算法的有效性。

一个用于瞬时单位线参数更新的递归公式的推导及应用

在应用瞬时单位线(IUH)进行流域汇流模拟时,需要先率定其2个参数:线性水库的个数n及调蓄系数K。研究表明,用传统的矩法率定得到的IUH,对地面径流的模拟精度较差,需要对参数进行更新。此前袁作新给出了一个用于参数更新的递归公式。本文推导了一个新的递归公式,并与袁作新公式的应用效果进行了对比。新递归方程的推导原理是针对地面径流过程线的2个特征值:洪峰流量和峰现时间,按模拟值与观测值之间的比来调整参数n和K,以使调整后得到的地面径流尽量接近观测值,调整的目标函数选取确定性系数(DC)和误差的均方值(MSE)。将新递归公式和袁作新公式应用于2个案例。结果表明,新递归公式在提高地面径流模拟精度上要优于袁作新公式,对于案例1,新递归公式能提高模拟精度,而袁作新公式则不能;对于案例2,新递归公式提高模拟精度的幅度要高于袁作新公式,DC值提高了1.1%,MSE值降低了14.2%。分析原因认为较大的参数调整幅度可能跨越最优点,而新递归公式对参数的调整幅度小于袁作新公式,从而使其能够找到最优点。应用本文的递归公式时,不宜调整次数过多,否则会降低地面径流模拟精度,对2个案例的最优调整次数均为2次,产生此现象的原因是增加调整次数虽然可以提高对洪峰流量和峰现时间的模拟精度,但不一定能提高对整个地面径流过程的模拟精度。

耦合Bootstrap法和贝叶斯理论的混凝土重力坝施工仿真参数更新

混凝土重力坝的施工进程往往决定着整个工程的工期和安危,施工过程中对工程进度进行准确的实时预测,对实时仿真提出了更高的要求。针对当前混凝土重力坝施工仿真参数实时更新样本数据偏少的问题,提出了耦合Bootstrap法和贝叶斯理论的仿真施工参数更新方法,实现了小样本情况下的参数贝叶斯实时更新。

一种动态参数更新的无人机三维路径规划方法

针对动态环境下无人机三维路径规划的复杂性及优化效率问题,提出了一种可视域下动态参数更新的无人机三维路径规划方法。在动态参数更新过程中,采用启发式动态更新机制的信息素进行全局更新;利用模拟栅格法进行两次空间区域划分,形成局部节点集合和全局离散点集合。先在节点集合中搜索局部路径,然后在离散点集合中搜索出最优路径。为更好地逼近真实环境,算法引入函数DF1产生复杂的三维动态环境。实验结果表明,新的蚁群算法具有较好的可行性和实时性,能够有效解决空间复杂度、搜索效率等问题,加快全局收敛速度,保持基本蚁群算法较强的鲁棒性,实时避开障碍物规划出最优路径。

基于参数更新的体外索张力识别方法

以有限元分析模型参数更新理论为基础,提出了一种通过测试自振频率得到体外索张力的新方法,其参数更新的目标是使试验实测体外预应力体系的频率与有限元模型计算所得频率最为接近,进而识别出体外索张力大小,经实例验证,用所提出的方法来识别体外索的张力具有很高的精度.

基于EWC算法的DDoS攻击检测模型参数更新方法

针对现有基于多层线性感知器(Multi-Layer Perceptron,MLP)神经网络的DDoS攻击检测模型参数更新方法(MLP-UD)易遗忘模型训练原参数所用的DDoS攻击数据集(原数据集)知识、时间空间开销大的问题,该文提出一种基于弹性权重保持(Elastic Weight Consolidation,EWC)算法的模型参数更新方法(EWC-UD)。首先,使用K-Means算法计算原数据集聚类簇中心点作为费雪信息矩阵计算样本,有效提升计算样本均匀度与聚类覆盖率,大幅减少费雪信息矩阵计算量,提升参数更新效率。其次,基于费雪信息矩阵,对模型参数更新过程中的损失函数增加2次惩罚项,限制MLP神经网络中重要权重与偏置参数的变化,在保持对原数据集检测性能的基础上,提升对新DDoS攻击数据集的检测准确率。然后基于概率论对EWC-UD方法进行正确性证明,并分析时间复杂度。实验表明,针对构建的测试数据集,EWC-UD方法相较于MLP-UD仅训练新DDoS攻击数据集的更新方法,检测准确率提升37.05%,相较于MLP-UD同时训练新旧DDoS攻击数据集的更新方法,时间开销下降80.65%,内存开销降低33.18%。

基于新障碍参数更新的二阶Mehrotra型预估—校正算法

针对二阶Mehrotra型预估-校正算法的一种变型算法,本文介绍一种新的自适应障碍参数更新法。利用该更新方法提出了相应的算法。新算法与之前的二阶Mehrotra型预估-校正算法相比,不用根据预估步和校正步的步长来确定参数的更新,而是在每步迭代中都采用自适应更新。最后证明了该算法在没有引进任何"保障措施"的情况下也具有相同的多项式时间复杂度。

就地化保护装置一键式参数更新方案设计

就地化保护装置参数文件多,且保存在不同的文件夹,需要多次切换文件夹选择对应的参数文件进行下装,操作繁琐且容易出错。针对这一问题,本文提出了一种一键式更新参数的方案。一键备份保护装置的所有参数文件,并上传到计算机;一键下装,将参数文件下载到保护装置,并按规定路径分发各参数文件,最后重启保护装置使新参数文件生效。该方案一键式备份、更新参数文件,减少了工程人员操作复杂度,提高参数更新效率,同时减少误操作,提高可靠性。

基于参数更新的蓄电池SOC估计算法优化

针对基于蓄电池电路模型的欧姆内阻R_1经常用于荷电状态SOC估计中,而没考虑极化内阻R_2、极化电容C_2的变化特性与SOC的关联这一情况,根据利用多频点交流放电蓄电池测试技术辨识得到的实时Thevenin电路模型参数R_1、R_2、C_2等作为观测变量,联合运用Kalman滤波算法实现SOC最优估计。实验数据仿真表明,在充电、放电过程中同时考虑R_1、R_2、C_2等参数更新,可以进一步提高蓄电池SOC最优估计值的准确性。

实时更新JOPENS台站参数及数据状态监控

山西地震台网运维智能管理系统通过多线程ping台站IP地址实现链路监控,通过连接JOPENS系统的流服务器监控实时数据流接收状态,自动生成故障日志,维护人员填报日志后,系统自动判定是否有地震计或数据采集器的更换,根据新的仪器类型和序列号查找对应的仪器响应,自动将JOPENS系统中有关台站参数进行更新;同时,系统根据获取到的台站连续波形,按照数据预处理、加速度功率谱密度PSD估算、加速度功率谱概率密度PDF估算的步骤实现对台站噪声的质量监控。

列控车载设备控制程序及参数远程实时更新方法

针对既有列车控制系统不具备对车载设备控制程序及参数进行远程在线实时更新功能的问题,提出一种基于无线传输和嵌入式的列控车载设备控制程序与参数实时更新方法,在无线机车信号实际应用测试中表明,所实现的程序更新机制具有较高的适应性和可靠性,可有效提高运营中的车载设备程序升级效率,提高了对列车控制的安全性,降低了系统维护成本.

高拱坝施工仿真参数EMD-P-ILSTM动态更新模型研究

施工仿真参数更新是确保建设期施工进度仿真准确性的关键。但现有的参数更新方法难以对参数局部非线性和波动性变化特征进行学习和提取,更新精度有待进一步提高。为此,本文利用深度学习模型能够深度挖掘参数序列隐含信息的优势,采用分解-预测-集成的建模新思路,提出高拱坝施工仿真参数EMD-P-ILSTM动态更新模型。该模型利用基于自适应步长改进的天牛须算法对长短期记忆网络模型的超参数进行自动寻优,以提高建模效率。采用经验模态分解法将参数序列分解为多个平稳的子序列,并利用偏自相关函数自动选取各子序列的时间窗口。工程实例表明,相比于未改进的LSTM、BPNN、SVM和贝叶斯更新方法,本文模型能有效跟踪施工参数的复杂变化,具有更高的预测精度。

基于参数递归更新的惯性器件寿命预测

在基于随机滤波理论的剩余寿命预测模型中,模型参数的获取是离线的,且当历史数据较少时,模型参数不能够进行修正,影响了预测精度。针对以上问题,采用递归期望最大化(Recursive Expectation Maximization,REM)算法来对模型参数进行递归更新,提出了基于参数递归更新的剩余寿命实时预测模型。应用实际的监测数据和参数递归更新的寿命预测模型,进行了某导弹陀螺仪的寿命预测实验。仿真结果表明,该预测模型能够根据实时的数据对模型参数进行快速地更新,满足预测的实时性要求。

Pro/E齿轮参数化设计数据自动更新方法

齿轮参数化设计是提高齿轮设计效率的有效方法,而齿轮参数表是齿轮设计加工的重要信息。通过Pro/E强大的参数化设计功能实现齿轮参数化三维模型后,可以生成二维工程图。文中介绍了二维工程图中齿轮参数表中的数据自动更新的方法。

基于多列卷积神经网络的参数异步更新算法

针对现有人群计数算法采用同步人工优化深度学习网络,忽略了网络学习的负面信息,导致大量冗余参数甚至过拟合,进而影响到计数准确性的问题,提出基于多列卷积神经网络MCNN(Multi-column Convolution Neural Network)的参数异步更新算法。首先将单帧图像输入网络,经过三列卷积分别提取不同尺度特征,通过列之间的交互信息学习两列间特征图的关联性;接着,根据优化的交互信息及更新的损失函数异步更新每列参数直至算法收敛;最后采用动态卡尔曼滤波将每列输出密度图进行深度融合,并对融合的密度图中所有像素求和得到图像总人数。实验结果表明,所提算法在UCSD(University of California San Diego)数据集上的平均绝对误差(MAE)比该数据集上最优MAE表现的ic-CNN+McML(Iterative Crowd Counting Convolution Neural Network Multi-column Mutual Learning)减小了1.1%,均方误差(MSE)比该数据集上最优MSE表现的CP-CNN(Contextual Pyramid Convolution Neural Network)减小了4.3%;所提算法在ShanghaiTech Part_A数据集上的MAE比该数据集上最优MAE表现的ic-CNN+McML减小了1.7%,MSE比该数据集上最优MSE表现的ACSCP(Adversarial Cross-Scale Consistency Pursuit)减小了3.2%;在ShanghaiTech Part_B数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了18.3%、35.2%;在UCF_CC_50(University of Central Florida Crowd Counting)数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了1.9%、9.8%。可见,该算法能有效提高人群计数的准确性和鲁棒性,且允许输入图像具有任意大小或分辨率,能适应检测目标的大尺度变换。

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型。该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度。通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性。

参数未知的统一混沌系统中的混合同步现象

研究了一种新的混合同步现象,在这种同步模式中,系统的一部分状态正相同步,而其他状态反相同步.主要研究了参数未知的统一混沌系统的混合同步问题,设计了一个简单的单向线性反馈控制器和一个针对未知参数的参数更新律,并基于Lyapunov稳定性理论,提出了一个实现混合同步的充分条件.对统一混沌系统中参数取两个不同值的数值仿真结果表明,所提方法能够实现正反相同步共存的混合同步方案.设计的同步控制方法适用于实现类似混沌系统或超混沌系统的混合同步,具有较强的实际应用价值.

基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差(FOTV)模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑(低频)部分和纹理细节(高频)部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。

切削参数智能仿真优化集成方法研究

在传统金属切削参数优化方法的基础上，运用人工智能和神经网络方法进行一种切削参数智能仿真优化新方法的研究。研究内容主要包括：切削参数的初始优化、切削数据采集、切削参数的智能仿真以及优化模型参数的更新 5个部分，整个系统运用 VB6.0来实现，所得结果更加符合具体生产环境下的实际工况，为 CIMS系统中的优化子系统提供了一种新方法，对于实现智能化切削加工具有重要的意义。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.