基于最优定界椭球-极限学习机算法自适应软测量建模的应用

针对传统滑动窗更新模型时忽略最新数据和待测样本相似性,以及即时学习未考虑相似样本和待测样本的时间间隔问题,采用基于最优定界椭球-极限学习机算法(optimal bounding ellipsoid-extreme learning machine,OBE-ELM)的自适应软测量建模方法将即时学习和滑动窗模型相结合来解决上述问题。首先用初始窗口数据建立ELM模型。当有待测样本到来时,利用SPE和T^2统计量判断修正模型的必要性;需要修正时,采用即时学习在最新窗口中寻找与待测样本相似的样本集并通过OBE动态修正ELM模型;否则用原有ELM模型直接预测输出。该方法的有效性通过合成数据集和连续搅拌反应釜仿真数据得以验证。

基于U-D分解的最优定界椭球状态估计

将平方根U-D分解理论引入集员辩识框架下的最优定界椭球(OBE)状态估计当中,一定程度上减小了数值计算过程中的舍入误差带来的影响,改善了算法的稳定性,提高了算法的精确度。与现有的OBE算法相比,基于U-D分解的OBE算法能提供更精确的估计结果。仿真结果表明了该算法的有效性,以及计算数值鲁棒性。

基于带惩罚因子椭球定界算法的软测量建模

软测量模型的预测精度和泛化性能是软测量建模的2个重要指标。基于最优定界椭球的极限学习机算法(OBE-ELM)虽然克服了传统极限学习机建模预测精度不高、预测结果不稳定等缺点,但是传统OBE算法仅考虑模型误差最小化,未考虑模型的复杂程度,导致模型易出现过拟合现象。基于上述问题,首先针对噪声未知但有界的非线性系统,提出了一种带惩罚项的椭球定界算法(POBE),在模型误差中加入惩罚项起到抑制参数增长太大和驱使不重要参数逐渐减小到零的作用,然后将POBE应用到ELM模型参数优化过程中。最后在信道参数估计实验和连续搅拌反应釜数据集上分别验证POBE及POBE-ELM有效性。

自适应噪声定界的改进集员辨识算法

集员辨识所需的系统噪声边界在现实应用中往往难于精确确定,通常采取的过估边界将导致算法性能的退化.本文针对缺乏足够先验噪声边界知识下的集员辨识问题进行了相应的研究,通过对输入干扰和测量误差的有界假设,将系统噪声边界建模为一个依赖于模型参数的时变量,由此提出了一种根据估计参数自适应调定噪声边界的改进最优定界椭球辨识算法,避免了过估噪声边界假设引起的保守性增大的缺陷,提高了算法的收敛速度.仿真中将本文提出的改进算法和带固定过估噪声边界的原始算法进行了比较,表明了该方法的有效性.

基于集员估计理论的神经网络学习算法

针对前馈神经网络BP算法在处理非线性对象时,收敛速度慢,易陷入局部极值,需调节参数多等缺陷,提出了将最优定界椭球(OBE)算法引入到神经网络的学习中,该算法比BP算法在收敛速度,精度方面都有显著提高,仿真结果证明了此算法的有效性。

基于OBE-ELM的球磨机料位软测量

针对采用传统极限学习机在球磨机料位软测量建模过程中,存在鲁棒性差,预测精度不高等缺点,提出一种基于最优定界椭球(Optimal Bounding Ellipsoid,OBE)改进极限学习机(Extreme Learning Machine,ELM)的建模方法.该方法以球磨机振动信号为观测变量,采用偏最小二乘法提取有效特征,将提取到的有效特征输入到ELM中进行模型训练,并利用OBE在模型误差未知但有界的条件下,对网络权值进行约束优化.通过小型球磨机实验表明,在对球磨机料位进行回归预测时,该方法的评价指标与其它方法相比有所提高,测量结果的箱线图也直观展示该方法具有更好的鲁棒性.

基于OBE-PLS软测量的过程自适应建模

针对工业过程中因时变和工况迁移等复杂因素的影响,使得利用固定样本集训练得到的静态软测量模型不能很好地跟踪当前对象,从而导致该模型预测性能下降的问题,提出了一种融合最优定界椭球(OBE)和偏最小二乘算法(PLS)的动态软测量建模方法。该方法以离线数据集建立PLS软测量模型,当有新的查询样本到达时,可通过主成分分析(PCA)建立统计量寻找与其相似的历史样本,并利用该历史样本通过OBE算法来动态更新PLS模型,从而使模型达到很好地跟踪效果,有效地解决了工业过程中时变和工况迁移的问题。最后在数值例子和球磨机的实例中验证了该方法的有效性。

MEMS陀螺阵列的RCC-OBE估计融合方法

为提高微机电系统(MEMS)陀螺的精度,提出一种基于松弛Chebyshev中心(RCC)的最优定界椭球(OBE)算法,并用于陀螺阵列信号的融合。以单个陀螺误差输出模型为基础,建立了阵列系统的机动融合模型;由于噪声统计特性的不确定会导致传统融合方法精度下降,引入仅要求噪声未知但有界的集员估计理论,运用OBE算法实现角速率信号的稳健估计;在OBE算法中,往往采用椭球几何中心作为真实值的点估计,但该中心并没有理论上的最优特性,而可行集的Chebyshev中心具有很多优良特性,同时,考虑到准确的Chebyshev中心求解十分困难,转而求解可行集的RCC,作为速率信号的点估计,设计了以RCC作为输出的OBE更新过程和新的参数优化准则。采用6个陀螺构成的阵列进行了验证试验,结果表明基于该算法的阵列估计融合方法在获得角速率保证边界的基础上,可以进一步提高MEMS陀螺精度。

未知但有界噪声条件下的MEMS陀螺信号处理方法

提出了一种基于椭球定界的微机电系统(MEMS)陀螺模型辨识与误差补偿方法。首先,建立了随机漂移的自回归模型,并针对模型随时间变化的特征,引入具有递推特性的定界椭球自适应约束最小二乘法(BEACON),实现模型参数的动态辨识,提高建模精度;然后,提出一种未知但有界(UBB)噪声条件下的定界椭球自适应状态估计(BEASE)算法,用于角速率的估计;采用新的加权策略和优化准则进行量测阶段的更新,并推导了此框架下的状态可行集更新过程及其最优参数求解方法。将该方法应用于MEMS陀螺信号的处理,验证了其有效性和改进性能。

集员估计理论在神经网络中的应用

本文研究了未知但有界误差下神经网络的学习算法问题,在分析传统学习算法的基础上,提出了一种最优定界椭球学习方法,该方法具有收敛速度快,精度高等优点.通过对NARMA模型参数估计的仿真结果表明此算法的有效性.

基于集员估计的混沌通信窄带干扰抑制技术

基于混沌载波的有界性和最优定界椭球(OBE)准则,推导出了已知干扰信号模型参数的状态估计和未知干扰信号模型参数的自适应状态估计的干扰对消算法.与基于最小相空间体积(MPSV)的Kalman滤波和传统的递归最小二乘(RLS)算法相比,本算法具有选择更新特性,能在仅有少量数据参与更新的情况下达到与前者接近的性能,降低了计算量.该方法的性能通过在混沌参数调制(CPM)和差分混沌相移键控(DCSK)两种通信方式下对自回归(AR)型和单音两种窄带干扰的有效抑制得到了验证.

基于OBE算法的混沌通信盲干扰抑制

文章提出了基于最优边界椭球(OBE)准则的混沌通信窄带干扰自适应算法。与基于最小相空间体积(MPSV)的Kalman滤波和双重平方根无迹卡尔曼滤波(SRUKF)算法相比,该算法不需要估计干扰模型的参数,并且具有选择更新特性,能在仅有少量数据参与更新的情况下达到与前者接近的性能,有效降低了计算量。该方法的性能通过在差分混沌相移键控(DCSK)通信下对AR型和单音两种窄带干扰的有效抑制得到了验证。