多输出回归算法在超声粒径分布反演中的研究

悬移质粒径分布作为研究水体运动规律和水利建设中的关键参数,通过对Epstein-Carhart-Allegra-Hawley(ECAH)模型和超声衰减实验这类先验信息的研究,结合机器学习算法对悬移质颗粒粒径进行预测。根据超声衰减实验和其他相关物性参数提取特征,结合筛分法确定的粒径分布种类制作训练数据集和验证数据集,通过对单种粒径预测的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)算法进行组合构建多输出回归算法对粒径分布进行预测。结果表明:三种样品单种粒径的最大相对误差在±10%以内,中位径误差分别为0.07%、−0.10%和−2.20%;在实验范围内,预测分布结果与筛分法结果一致,有较高的可行性和准确度,可为粒径分布测量提供一种新的思路。

低秩特征选择多输出回归算法

针对现有回归算法没有考虑利用特征与输出的关系,各输出之间的关系,以及样本之间的关系来处理高维数据的多输出回归问题易输出不稳定的模型,提出一种新的低秩特征选择多输出回归方法。该方法采用低秩约束去构建低秩回归模型来获取多输出变量之间的关联结构;同时创新地在该低秩回归模型上使用L_(2,p)-范数来进行样本选择,合理地去除噪音和离群点的干扰;并且使用L_(2,p)-范数正则化项惩罚回归系数矩阵进行特征选择,有效地处理特征与输出的关系和避免"维灾难"的影响。通过实际数据集的实验结果表明,提出的方法在处理高维数据的多输出回归分析中能获得非常好的效果。

存在标签噪音的数据中基于低秩矩阵分解的多输出回归

多输出回归是指针对一组输入变量来估计其对应的多个连续属性值,其在数据挖掘领域有着广泛的应用.当前关于多输出回归任务的研究都是基于标签值准确的假设下实现的.然而在实际情况中,数据集的部分标签可能并不准确,即部分标签存在一定的噪声.在这种情况下,传统多输出回归方法性能较差.为了解决上述情况下的多输出回归问题,利用大数据中数据样本大的特点来提炼各个标签间的相关性,从而利用标签间的相关矩阵重构标签.由于多输出问题中的标签个数通常较多,因此可以一定程度上稀释掉部分标签的噪声干扰.此外,利用低秩矩阵分解对上述思路建立数学优化问题,并在此基础上引入核技巧以提升模型的非线性拟合能力.最后,采用非凸近似的手段求解该优化问题,从而保证了多输出回归模型的预测性能.实验18个数据集上同现有的6种多输出回归方法进行了比较,提出的方法在样本量较大的场景下性能优势较为明显.

基于改进多输出支持向量的船舶航迹预测

为保障智能船舶快速、安全、可靠地进行避碰工作,提出了一种基于改进樽海鞘群算法(salp swarm algorithm,SSA)的多输出支持向量的船舶航迹预测模型。本文采用的多输出支持向量模型可以对船舶进行整体建模,所构建的模型可以对船舶航迹状态进行多输出预测,对于模型中存在的超参数采用改进的SSA进行寻优,算法加入了自适应权重与离群象算法,避免了算法早熟与高维易陷入局部最优的问题。最后,实验选取了实测数据对所提方法进行验证,并与其他常见模型进行对比实验,结果表明了所提方法的可行性与有效性。

基于多输出支持向量回归机的有限元模型修正

为了克服神经网络以及单输出支持向量回归算法在有限元模型修正中的不足,提出了基于多输出支持向量回归算法的有限元模型修正方法。根据5-折交叉验证法选择支持向量回归机的参数,用均匀试验设计法构造样本,联合结构的动力和静力响应数据作为输入,多个设计参数作为输出,以支持向量回归机逼近输入输出二者之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,求解设计参数的目标值。空间网格结构数值模型的分析结果表明,该方法能同时修正多个设计参数,在少量样本的情况下具有较高的修正精度,为有限元模型修正提供了一种新的探索。

具有多分段损失函数的多输出支持向量机回归

对多维输入、多维输出数据的回归,可以采用多输出支持向量机回归算法.本文介绍具有多分段损失函数的多输出支持向量机回归,其损失函数对落在不同区间的误差值采用不同的惩罚函数形式,并利用变权迭代算法,给出回归函数权系数和偏置的迭代公式.仿真实验表明,该算法的精确性和计算工作量都优于使用多个单输出的支持向量机回归算法.

基于多输出支持向量回归的声发射源平面定位

为了解决直升机动部件疲劳损伤定位问题,提出了基于多输出支持向量回归算法的声发射源平面定位方法。以声发射信号的多个时域参数作为输入,破损点的平面坐标(x,y)作为输出,用支持向量回归机逼近输入输出之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,实现声发射源的平面定位。通过碳纤维材料试件断铅定位试验结果表明:该方法有效的实现了声发射源的平面定位,并且在收敛速度和定位精度上优于RBF神经网络。

多输出数据依赖核支持向量回归快速学习算法

针对基于递推下降法的多输出支持向量回归算法在模型参数拟合过程中收敛速度慢、预测精度低的情况,使用一种基于秩2校正规则且具有二阶收敛速度的修正拟牛顿算法(BFGS)进行多输出支持向量回归算法的模型参数拟合,同时为了保证模型迭代过程中的下降量和全局收敛性,应用非精确线性搜索技术确定步长因子。通过分析支持向量机(SVM)中核函数的几何结构,构造数据依赖核函数替代传统核函数,生成多输出数据依赖核支持向量回归模型。将模型与基于梯度下降法、修正牛顿法拟合的多输出支持向量回归模型进行对比。实验结果表明,在200个样本下该算法的迭代时间为72.98 s,修正牛顿法的迭代时间为116.34 s,递推下降法的迭代时间为2 065.22 s。所提算法能够减少模型迭代时间,具有更快的收敛速度。

板形模式识别的多输出最小二乘支持向量回归机新方法

为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题,提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度。建立了该算法应用于股指预测的模型,对上证综合指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对证券市场进行分析和预测的一种可行而有效的方法。

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.

基于频域介电谱和多输出支持向量回归的变压器油纸绝缘状态评估

为分别评估变压器油纸绝缘的老化程度和水分含量,文中通过加速热老化试验和吸潮实验制备了不同老化程度下含水量不同的油浸绝缘纸试品,测试了试品的介损因数频谱和阻抗相位频谱,分析了老化、水分对油纸绝缘频域介电谱特性的影响。采用多输出支持向量回归算法(multi-output support vectorregression,M-SVR)逼近频域介电谱曲线与油纸绝缘老化和水分之间的非线性映射关系,据此预测油纸绝缘试品的老化程度和水分含量。研究表明,对于含水量在0.5～5.6%范围内、具有不同老化程度的试品,M-SVR对含水量的预测精度较高,而对老化程度的预测精度较低,且均高于RBF神经网络;根据油纸绝缘试品的聚类分析结果,发现与老化程度相关性较大的第1、2类试品,M-SVR对其老化程度的预测精度明显提高,含水量预测精度变化不大。

基于免疫多输出支持向量回归算法的隧道工程位移反分析新方法

智能位移反分析作为计算模型参数辨识的一种方法在隧道工程中得到了广泛应用,鉴于现阶段智能位移反分析方法存在的主要问题,在一维支持向量回归算法的基础上,引入多输出的损失函数,建立了隧道工程围岩位移反分析的多输出支持向量回归(MSVR)模型,该模型将多个输出变量统一建模,解决了位移变量间的相关性问题,并引入免疫克隆选择算法(ISCA)与其耦合,形成免疫多输出支持向量回归(ICSA-MSVR)算法。在样本训练过程中采用免疫克隆选择算法自动搜索多输出支持向量回归模型的参数以建立岩体物理力学参数与位移之间的免疫多输出支持向量回归模型,然后采用免疫克隆选择算法自动搜索,求解出使MSVR计算位移与实测位移最接近的岩体物理力学参数组合,获得最优的计算模型参数。三口隧道施工期的应用结果表明,所提出的基于免疫多输出支持向量回归算法的位移反分析方法具有精度高和计算快捷的优点,可为类似工程提供借鉴。

面向多输出系统的启发式支持向量机回归

针对面向多输出系统支持向量机回归算法训练时间较长的问题,提出一种面向多输出系统的启发式支持向量机回归算法。与多输出的支持向量机回归建模相比,该方法建立的模型结构较为简单,模型训练速度更快。将此方法和直接支持向量机回归算法分别应用到甲基丙烯酸甲酯的间歇聚合反应过程中,仿真结果表明了该方法的有效性。

基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用

提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.

基于反向传播神经网络的机轮舱衬套加工质量预测方法

机轮舱衬套是一种高精度的薄壁零件,加工过程工艺参数的设置会影响到成品质量,关键尺寸不易保证。为了找到合适的加工工艺参数,根据已有的加工数据,提出一种基于多输出深度神经网络模型的加工质量预测方法。该方法首先对已有的机轮舱衬套加工数据进行数据处理、选取和相关性分析,明确影响加工质量的主要变量;然后以车削主轴速度、车削进给速度、磨削主轴速度、磨削进给速度、时效时间作为加工工艺参数,衬套内径、外径、圆度作为输出进行模型训练,并在150套机轮舱衬套数据上进行了试验验证。结果表明,提出的模型在衬套内径、外径、圆度的预测精度误差分别为0.202%、0.254%、0.274%,其训练的模型能快速预测成品加工质量,避免人工经验参数带来的误差,提高产品质量。

转炉煤气柜位的多输出最小二乘支持向量机预测

针对钢铁企业转炉煤气系统中煤气柜位的预测问题,提出一种一致T型灰色关联分析确定柜位的主要影响用户,避免了冗余输入因素,降低了预测模型的复杂度.根据多个不同煤气柜同时并网运行的情况,提出多输出最小二乘支持向量机回归算法来建立柜位预测模型.该算法采用等式约束,通过最小化所有输出的单一和整体拟合误差,将其转换为求解一系列线性方程组,得到模型回归函数的权系数和偏置公式表示.现场数据仿真实验结果表明所建预测模型的有效性和实用性,为制定煤气调配方案提供了合理指导.

数据驱动的含IIDG配电网短路电流计算多输出模型

“双碳”目标下大量逆变型分布式电源(IIDG)接入配电网,使基于机理建模的配电网短路电流计算中,计算速度与准确性间的矛盾日益突出。数据驱动建模方法已被证实能有效解决两者间的矛盾,但采用单输出模型难以满足实际应用中要输出多个计算点的需求,容易产生模型数量问题。针对上述问题,提出了配电网短路电流多输出回归计算模型与计算方法。对问题转化与算法适应这2类多输出模型进行了分析对比,提出基于多目标回归模型融合方法、回归链方法等问题转化方法以及神经网络多输出方法,适合解决含IIDG配电网短路电流计算问题。分析了输入特征选择、性能评价指标、计算流程以及超参数寻优方法等关键问题。算例表明多输出模型能同时满足计算准确性和计算速度要求,性能强于单输出模型,且避免了模型数量问题。

土石坝料压实特性改进多输出预测模型研究

土石坝料压实特性对保证大坝施工质量至关重要。然而,当前坝料压实特性预测主要是对物理、力学和渗透压实特性的单输出回归预测,缺乏对各压实特性目标间相关性的考虑。针对上述问题,提出土石坝料压实特性的改进多输出高斯过程回归(IMO-GPR)预测模型。采用具有噪声的基于密度的聚类方法构建目标特定特征,对多输出高斯过程回归(MO-GPR)模型原始输入空间进行特征扩展,提高模型高维特征空间复杂映射关系解耦能力;同时,结合MO-GPR模型中的输出协方差系数矩阵,实现对多输出压实特性目标间相关性的有效考虑,以最终实现多输出压实特性精确预测。相比传统的高斯过程回归(GPR)、多输出极限学习机(MO-ELM)和MOGPR模型,所提IMO-GPR模型的预测精度分别提高了24%、20%和17%,且对噪声干扰、数据异常、数据量少等情况具有更强的鲁棒性,为土石坝料压实特性分析提供了新思路。

辨识非线性MIMO系统的多输出ε-SVR模型研究

针对非线性多输入多输出(MIMO)系统的黑箱辨识问题,提出一种基于ε不敏感损失函数的多输出支持向量回归机(SVR)模型,并给出了偏置的有效求取算法.在一个优化问题中,该模型能最小化所有输出带正则项的结构风险总和,并能为不同输出选择不同的核函数及模型参数.将多输出SVR模型应用于非线性MIMO系统的辨识,仿真结果表明,该模型克服了传统支持向量回归机必须为每个输出单独建模这一缺陷,并能提升系统的整体辨识能力.