灵敏性分析下的因果网络参数的扰动学习研究

联合观察数据和扰动数据学习因果网络是一种基于扰动的机器学习方法,通过扰动学习可以利用少量样本发现网络中的因果关系,扰动对于因果关系的影响主要体现在网络参数方面。提出了一种基于灵敏性分析的因果网络参数的扰动学习算法(intervention learning of parameter sensitivity analysis,ILPSA)。对于给定的先验网络,ILPSA算法利用联合树推理算法生成灵敏性函数,通过对灵敏性函数的参数重要性分析提出扰动结点的一种主动选取方法;对扰动结点的主动干扰产生扰动数据,然后联合观察数据和扰动数据,利用最大似然估计(maximum likelihood estimation,MLE)方法学习因果网络的参数,并利用KL距离对学习结果进行评价。算法比较和实验结果表明,ILPSA算法的学习结果明显好于随机选择扰动结点和无扰动情况下的方法,特别在样本较小的情况下优势更明显。

基于周期性扰动学习的永磁直线电机自适应滑模位置控制

针对永磁直线同步电机伺服系统易受周期性扰动、摩擦力及参数摄动等不确定性因素影响位置跟踪精确度的问题,提出了一种基于周期性扰动学习的自适应滑模控制方法。采用滑模控制确保永磁直线同步电机伺服系统对不确定性因素具有较强的鲁棒性,提高系统响应速度。利用周期性扰动学习算法学习系统中的周期性扰动并进行补偿,同时设计自适应律估计系统非周期性扰动和学习误差,削弱滑模抖振现象。基于李雅普诺夫稳定性理论,分析证明了此控制器的渐进稳定性,保证系统位置跟踪误差在有限时间内收敛。仿真与实验验证了所提出的周期性扰动学习的自适应滑模控制器能显著提高永磁直线同步电机伺服系统的动态响应性能和鲁棒性能,而且可以达到更高的位置跟踪精确度。

基于萤火虫扰动麻雀搜索算法-极限学习机的光伏阵列故障诊断方法研究

光伏阵列具有随机性、间歇性输出特点,发生故障严重影响电力系统安全运行。针对有效表征不同程度局部阴影与雨天接地故障的故障特征量缺乏的问题,分析不同故障状态下光伏阵列运行特征,提出一种新的6维故障特征向量:开路电压Uoc、最大功率点电压Um与短路电流Isc、最大功率点电流Im分别表征短路与断路故障;U-I特性曲线二阶导数零点数表征局部阴影故障,并利用遗传模拟退火算法优化的模糊C均值聚类算法(the fuzzy C-means clustering algorithm optimized by the genetic simulated annealing algorithm,GSA-FCM)验证Um、Im表征不同程度局部阴影故障的有效性;并网电流总谐波畸变率表征雨天接地故障。引入萤火虫扰动的麻雀搜索算法(sparrow search algorithm with firefly perturbation,FSSA)优化传统极限学习机(extreme learning machine,ELM),建立FSSA-ELM模型,解决传统故障诊断方法实现复杂、收敛速度慢的问题。基于现场数据驱动,建立考虑对地寄生电容的光伏系统仿真模型和实验平台,设计2种不同辐照度范围的仿真方案和实验方案进行方法验证,结果表明,FSSA-ELM模型结合ELM实现简单且FSSA收敛速度快的特点,利用6维故障特征向量,可准确识别光伏阵列故障类型。

基于周期学习扰动观测器的永磁直线同步电机伺服系统控制

针对永磁直线同步电机(PMLSM)伺服系统执行重复性运动任务时存在周期性扰动的问题,提出了一种新型周期学习扰动观测器(PLDOB)来削弱这些扰动。首先,建立了含有不确定性的PMLSM动态模型,利用扰动观测器(DOB)来估计包括参数变化、未建模动态、摩擦力和推力波动在内的扰动。然后,通过周期学习律来校正每个周期内的扰动。此控制方案无需扰动的数学模型以及模型参数的控制律,直接从扰动的角度设计,并且还可以对DOB中Q-滤波器带宽以外的扰动进行补偿。最后,通过实验验证了该方案是有效可行的,明显提高了系统的跟踪性能和抗扰性能。

多策略并行学习的异构粒子群优化算法

针对标准粒子群优化(PSO)算法在复杂问题上收敛速度慢和早熟收敛的缺点,提出了一种多策略并行学习的异构PSO算法(MHPSO)。该算法首先从种群多样性和跳出局部极值的角度提出了两种新学习策略(局部扰动学习策略和高斯子空间学习策略),并将这两种策略与MBB-PSO策略融合组成高效稳定的策略池。其次提出了一种简单有效的策略更换机制,指导粒子迭代寻优中何时更换学习策略。基准测试函数的实验结果表明,改进的粒子群优化算法在求解精度和收敛速度上得到极大的提高。与一些改进PSO算法(如自适应的粒子群优化(APSO)算法等)相比,所提算法具有更优良的寻优性能。

一种基于因果强度的局部因果结构主动学习方法

因果结构学习是贝叶斯网络学习中一种重要的结构学习方法,因果关系揭示了系统要素作用的本质。由于仅利用观测数据很难准确地发现变量间的因果关系,且通常人们仅关心网络中关于某一变量的局部因果关系,因此针对难以从观测数据中仅获取所感兴趣的变量的局部因果结构的问题,提出了一种局部结构学习方法,即一种基于因果强度的局部因果结构主动学习方法(CSI-LCSL)。CSI-LCSL方法融合了马尔可夫毯的结构划分能力和扰动学习的因果发现能力,并且引入了因果强度进行扰动结点的选择。利用HITON_MB算法寻找目标结点的马尔可夫毯,生成关于目标结点的局部模型;然后,利用不对称信息熵对局部模型中的每一结点进行因果强度分析,选取因果强度值较大的结点进行扰动,生成扰动数据;进而,联合扰动数据和观测数据利用准确方法(exact method)学习边的后验概率,从而获得一个关于目标结点的局部因果网络。利用结构信息熵对CSI-LCSL方法的学习结果进行评估。在标准网络上的实验结果证实了CSI-LCSL算法的有效性。

人脸识别中的“误配准灾难”问题研究

现有的多数人脸识别系统都要依赖于面部特征(比如眼睛中心位置)的严格配准来归一化人脸以便提取人脸描述特征,但面部特征配准的准确度如何影响人脸识别算法的性能却没有得到足够的重视.该文作者首次针对这一问题进行了系统的研究,并提出了一种基于误配准学习的解决方案.为了揭示现有典型识别算法的识别性能对特征配准准确度的敏感程度,通过对眼睛位置人为加扰,作者对Fisherface算法的识别性能随平移、旋转和尺度改变而变化的情况进行了实验评估.结果表明Fisherface的识别性能随着误配准的增大而急剧下降——称这一现象为“误配准灾难”问题.针对此问题,作者提出了一种基于扰动学习的“误配准灾难”解决方案,该方法通过在模型训练阶段加入扰动配准偏差来提高判别分析方法对误配准的鲁棒性.在FERET人脸图像数据库和CAS PEAL R1人脸库上的实验表明该方法可以有效地提高识别算法对误配准的鲁棒性.

局部因果关系分析的隐变量发现算法

结构分析的隐变量发现方法难以有效地发现隐变量且可解释性较差。基于因果关系和局部结构的不确定性,提出了一种基于局部因果关系分析的隐变量发现算法(hidden variable discovering algorithm based on local causality analysis,LCAHD)。LCAHD算法给出了因果结构熵的定义,将因果知识和不确定性知识相融合,以因果关系的不确定性程度作为隐变量存在的判定依据,并对这一依据进行了理论上的论证。LCAHD算法首先通过寻找目标变量的马尔科夫毯来提取局部依赖结构,并基于扰动学习获得扰动数据,联合扰动数据和观测数据学习局部依赖结构中的因果关系;然后利用因果结构熵对局部因果结构中因果关系的不确定性进行度量,并利用隐变量和因果关系不确定性之间的相关性判定条件,确定隐变量的存在性。分别针对标准网络和股票网络进行了实验,结果表明,该算法能准确地确定隐变量的位置,具有较好的解释性。

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。

一种基于PLDOB的PMLSM伺服系统长期稳定运行的方法

执行重复性运动任务的永磁直线同步电动机(PMLSM)伺服系统易受参数变化、未建模动态、摩擦力和推力波动等周期性扰动的影响,导致系统无法长期稳定运行,故采用周期性学习扰动观测器(PLDOB)来削弱这些扰动。首先利用扰动观测器(DOB)估计初始周期内的扰动,然后将所估计的扰动作为PLDOB中周期学习律的初始条件,进而校正每个后继周期内的扰动。该方法直接从扰动的角度设计,不仅能在保证系统长期稳定运行的前提下使跟踪误差快速收敛到零,同时还可以补偿DOB中Q-滤波器带宽以外的扰动以及扰动的相位滞后。实验结果表明所提控制方案是有效的,明显提高了系统的跟踪性能和抗扰性能。

局部维度改进的教与学优化算法

针对原始教与学优化算法局部搜索能力不强和进化后期容易陷入局部最优的问题,提出基于局部维度改进和自学习扰动的教与学优化算法.将局部维度改进融入教和学2个阶段,将个体的高质量维度变量保留到下一代,不断改善低质量维度变量,提高算法的细粒度搜索能力.提出一种混合全局维度改进和局部维度改进的个体更新方式,通过2种改进权重的逐代变化实现算法早期全局搜索和后期局部探测的平衡.在新算法中增加基于个体最优位置和搜索边界信息的自学习阶段,使种群在进化后期仍能向最优解方向搜索,避免算法过早陷入局部最优.基于标准测试函数的仿真结果表明,相比于原始的教与学优化算法和当前其他优秀的改进版本,局部维度改进的教与学优化算法的收敛精度平均提高了10~2～10~5倍,收敛速度平均提高了2～3倍.