舰舰导弹作战使用在线支持系统关键技术研究

舰舰导弹作战使用在线支持系统可为复杂战场背景下舰艇指挥员组织导弹攻击提供科学、精确、快速的辅助决策手段,是导弹武控系统的发展趋势。首先,从影响导弹射击指挥效益主要因素的角度进行了在线作战使用支持系统需求分析;其次,从系统功能、总体架构和运行流程等方面进行了系统总体设计;最后,对基于深度强化学习的火力运用决策建模、导弹射击参数平行仿真计算、导弹攻击方案超实时推演评估等系统实现的关键技术进行了分析。研究成果对新一代舰舰导弹武控系统研制具有重要的理论牵引作用和推广应用价值。

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。

基于在线支持向量机的Mean Shift彩色图像跟踪

为了解决传统Mean Shift跟踪方法中目标模板只能从单一图像建立,且很难更新问题,提出了一种新的Mean Shift彩色图像跟踪方法。将RGB颜色空间投影到HSV颜色空间,建立了基于HSV颜色空间的统一直方图核函数模型。为了实现模板在线更新,引入在线支持向量机,推理了基于HSV空间的在线支持向量机的Mean Shift跟踪算法,从而适应目标因尺寸、姿态及光照造成的模型变化。为了验证算法的有效性,对两组国际通用的CAVIAR彩色图像序列进行了跟踪测试。实验结果表明,提出的改进算法在目标姿态、光照或背景发生较大变化时,能有效跟踪目标。当图像分辨率为384×288(目标尺寸约为20×80)时,最快处理速度达40f/s,且跟踪精度比传统Mean Shift提高32.1%。

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量回归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持OnlineSVR预测精度的条件下,算法执行效率得到大幅提高。

精确在线支持向量回归在股指预测中的应用

建立了基于精确在线支持向量机回归算法的股指短期预测模型,并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较,验证了该方法的有效性。

混合核函数在线支持向量机在甲醇合成中的应用

针对甲醇生产过程中高度的非线性和时变性,采用精确在线支持向量机模型预测粗甲醇的转化率。在线支持向量机模型一般采用单一的核函数,混合核函数可以弥补单一核函数的不足,提高模型的泛化能力和学习能力。为了使模型的预测精度进一步提高,在混合核函数的基础上运用在线误差校正方法。将基于混合核函数和误差校正的在线支持向量机建模方法应用在煤制甲醇数据上,通过与传统支持向量机和准确在线支持向量机模型对比,仿真实验和分析结果表明改进的在线支持向量机模型比传统支持向量机预测精度高,能够实现粗甲醇转化率的实时预测,从而更好的指导甲醇生产。

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础。应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算。预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短。

基于在线支持向量机的电子鼻模式识别算法

针对现有电子鼻系统训练误差大、运行速度慢等特点,提出了一种新的基于在线支持向量机(Online-SVM)的电子鼻系统模式识别方法。该方法使用CH4气体与传感器阵列响应的值作为输入数据,经在线支持向量机算法进行模式识别,对CH4气体的浓度进行预测和分类。与期望结果对比,新方法的平均误差降低为5.3%,运行时间降为0.1994s,表明基于在线支持向量机的电子鼻系统模式识别方法能有效提高电子鼻系统识别的精度和速度。

基于在线支持向量机的空对地攻击决策算法

为解决无人机对地攻击决策问题,对影响地面目标威胁度的指标因素进行了分析和量化,构建了基于在线支持向量的目标威胁度预测模型。利用在线支持向量机实现目标威胁度排序,进而完成空对地的攻击决策。研究的空对地决策算法具有在线训练、模型精确度高、需要样本少和泛化能力强等特点,有利于快速准确地进行空对地攻击决策。最后,通过仿真实例验证该算法的正确性。仿真结果表明,在线支持向量机在计算目标威胁度过程中速度快且精确度高。

翻转课堂在线支持环境研究——以可汗学院在线平台为例

翻转课堂的实现依赖于两个环境,其一是学生课下的学习环境;其二是课堂学习环境。要实现有效的课堂翻转,课下的学习环境不仅要支持学生通过观看微型视频材料、完成练习题开展自主学习,实现知识的一次内化,还要支持教师管理学生的自主学习行为、掌握学生全体与个体的学习情况,为设计与课下学习有效衔接的课堂活动和实现课上的知识二次内化做好准备。通过对可汗学院在线平台的功能进行的全面分析,发现可汗学院在线平台以知识地图和知识与技能掌握水平分级为基础,具有强大的学习分析和统计功能,适应翻转课堂课下学习环节学生和教师活动的需求。在此基础上对国内相关数字资源的建设,提出了"注重知识点微视频资源的整体性和系统性","从课程(教学)设计的角度,结合翻转课堂的特点,在把握学生和教师活动内容的基础上,分析学习发生的路径和过程,设计并开发在线学习环境的各种功能"等可供参考的建议。

基于在线支持向量机的非线性内模控制

为了提高传统内模控制的鲁棒性和抗干扰能力,采用在线支持向量机回归(Online Support Vector Machine Regression,OSVMR)理论建立系统的正向模型和设计逆模控制器。首先简要介绍了OSVMR的原理和算法,然后将其应用于内模控制问题,并建立了OSVMR模型。其次,在控制过程可逆的条件下设计了OSVMR控制器,最后将该控制方法应用于可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与RBF神经网络IMC相比,具有较简单的模型和较好的控制性能。

基于在线支持向量回归算法的电站热耗率模型

利用在线支持向量回归算法(AOSVR),建立了机组热耗率的在线回归模型。介绍了模型的更新过程,包括增加新样本的递增和冗余样本的删除。对某1 000 MW机组的热耗率计算进行了建模,并与常用的离线式模型SVR和LS-SVR进行了对比,结果表明AOSVR模型能够根据新样本对模型不断进行更新,具有较强的自适应能力和泛化性能,适合在线应用。进一步通过输入参数扰动分析得出AOSVR具有较强的鲁棒性,能够克服输入参数的非正常波动,保证热耗率计算的可靠性。

基于核PCA与在线支持向量机的电子鼻气体分类研究

通过电子鼻系统获取的数据具有维数高、非线性变化等特点,不利于后续算法的识别或分类。因此,提出了基于核主元分析(KPCA)与在线支持向量机(Online-SVM)的电子鼻系统识别新算法。首先采用KPCA算法对采集到的原始数据进行特征提取,达到降维与去噪的目的,然后使用在线支持向量机对数据进行预测,最后与基于径向基函数的神经网络算法(RBF)预测结果进行对比分析。实验结果表明,新算法在电子鼻信号处理领域相对较优,具有较好的价值。

基于微哨的高校翻转课堂在线支持环境研究

翻转课堂作为一种新型教学组织形式,越来越受到广大高校师生的青睐。翻转课堂教学方式的流行与数字化、网络化的在线支持环境有着密切的关系。如何构建高校翻转课堂在线支持环境,更好地服务于翻转课堂教学,已成为当前迫切需要解决的问题。文章首先分析了当前高校翻转课堂在线支持环境的状况,并指出缺少整合与联通、缺少对移动终端的支持、缺少专用的学习交流工具等问题所在。文章从平台级支持、学习资源支持、学习服务支持、学习交流支持等四个方面阐述了基于微哨构建翻转课堂在线支持环境的可行性。文章提出了在高校数字校园建设成就的基础上,以微哨平台及轻量级应用来构建翻转课堂在线支持环境的模型,并介绍了基于微哨的翻转课堂在线支持环境构建的关键技术。

一种ε可调的在线支持向量回归及其训练算法

标准支持向量回归问题中,噪声较大的时段将包含较多的支持向量。提出一种时间窗内!可调的支持向量回归方法,根据各时间窗的支持向量的比例动态调整!,能够处理噪声时变的回归问题。并给出一种!调整时的在线训练算法,避免重复求解凸规划问题。实例表明该方法的泛化能力和拟合精度较标准支持向量回归为优。

应用驱动创新在线支持服务

本文以陕西广播电视大学在线支持服务系统为背景研究、探讨了互联网+智能学习的教育信息化手段对传统教学模式的影响和教学质量的提升。

精确在线支持向量回归及其在热工过程在线建模中的应用

热工过程往往具有非线性和不确定性,传统描述热工过程动态数学模型的方法难以建立非线性模型,从而难于精确实施热工过程优化控制。文章提出了一种基于精确在线支持向量回归算法的热工过程自校正辨识方法,并与基于最小资源分配网络的非线性模型进行比较分析。仿真研究结果验证了建模方法的有效性,且所得模型精度高,可直接应用于基于模型的控制算法。

基于在线支持张量机分类算法的中性点接地方式研究（英文）

以往关于中压配电网中性点接地方式决策的研究,只考虑了不同接地方式下可靠性等单方面因素,忽略了可靠性、安全性和经济性三者对接地决策的综合影响。针对此问题,提出在线支持张量机分类算法对可靠性、安全性和经济性进行三维综合分析。分别采用层次分析法、模糊综合评价法和模糊聚类法构建可靠性、安全性和经济性的评价模型,利用支持张量机有效核函数优化模型求解三维数据所对应的权张量,进而得到最优的中性点接地方式。数据分析表明:所提算法更能保留影响因素的结构信息,提高了数据时效性。

基于在线支持向量机的锅炉动态建模方法研究

利用在线支持向量机的非线性映射特性,建立锅炉排放、锅炉效率与燃烧调整中诸多操作量(如:二次风门开度、燃烬风门开度、给煤量偏置等)的动态数学模型,并对动态模型进行仿真研究。现场数据仿真表明,所建的模型可以较好地体现锅炉燃烧系统的动态特性。当过程中出现之前建模数据没有囊括的工况时,模型可以利用新数据实现在线更新,并补充新的支持向量,因而具备对煤质变化的适应能力。

在线支持向量机在数控铣床刀具磨损预测建模中的应用

刀具磨损的自动监测是现代制造技术的关键技术之一,是保证自动化加工顺利进行的前提之一。在实际生产当中,对刀具磨损的检测,不能停机检测而只能采取在线的间接监测方法。提出一种基于在线支持向量机的数控铣床刀具磨损的预测方法。结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以比较准确地监控刀具磨损。