基于递推最小二乘法的多步时序差分学习算法

强化学习是一种重要的机器学习方法。为了提高强化学习过程的收敛速度和减少学习过程值函数估计的误差,提出了基于递推最小二乘法的多步时序差分学习算法(RLS-TD(λ))。证明了在满足一定条件下,该算法的权值将以概率1收敛到唯一解,并且得出和证明了值函数估计值的误差应满足的关系式。迷宫实验表明,与RLS-TD(0)算法相比,该算法能加快学习过程的收敛,与传统的TD(λ)算法相比,该算法减少了值函数估计误差,从而提高了精度。

基于差分进化算法-最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中存在的一类难以在线测量参数估计问题的有效方法,该技术的核心是建立优良的数学模型。支持向量机是基于统计学理论的一种机器学习方法,最小二乘支持向量机是一种扩展的支持向量机,相对于支持向量机具有较快求解速度。最小二乘支持向量机存在着参数选择的问题,针对这个问题,采用差分进化算法进行参数选择。提出基于差分进化算法的最小二乘支持向量机应用于软测量建模,并将其应用于对苯二甲酸中对羧基苯甲醛含量测试的软测量建模中,获得了满意的结果。

基于最小二乘支持向量机的自适应差分进化算法

差分进化(DE)算法具有操作简单,控制参数少,鲁棒性好等特点,但在对某些连续空间复杂函数进行优化时存在搜索盲目性较大、效率不高的问题。为此提出一种基于最小二乘支持向量机(LS-SVM)的自适应DE算法,该算法改进了标准DE算法的差分变异和交叉等关键遗传操作,引入了基于LS-SVM的种群进化引导策略,基于LS-SVM对种群n最优训练集数据进行回归函数逼近和优化,分析了种群进化引导策略的自适应应用条件,给出了算法的整体流程及各关键步骤的复杂度。对标准测试函数的对比优化结果表明,改进算法相比标准DE算法具有更好的全局寻优能力和更高的优化效率,可以满足对连续空间复杂函数优化问题的可靠、高效求解。

基于文化差分进化算法的最小二乘支持向量机及QSAR建模

针对最小二乘支持向量机最佳算法参数难以确定的缺陷,提出了基于文化差分进化算法的最小二乘支持向量机(Cultural Differential evolution Algorithm Least Square Support Vector Machine,CDE-LSSVM)。该算法通过新型的文化差分进化算法优化确定最小二乘支持向量机核宽度参数和惩罚系数,建立具有良好预测性能的模型。同时,针对药物定量构效关系(Quantitative Structure-Activity Relationships,QSAR)模型具有高度非线性、变量之间存在相关性的特征,采用CDE-LSSVM建立HIV-1蛋白酶抑制剂的药物定量构效关系模型。模型具有很好的拟合精度与预测精度,且优于最小二乘支持向量机、BP神经网络和径向基神经网络。

区间偏最小二乘结合差分进化算法应用于鱼粉近红外光谱波长筛选

蛋白质含量是评价鱼粉质量的重要指标,该文采用近红外(NIR)光谱分析技术结合特征筛选方法建立了鱼粉蛋白质含量的快速定量分析模型,并结合区间偏最小二乘(iPLS)和二进制变异策略的差分进化(DE)算法建立了区间偏最小二乘差分进化(iPLS-DE)的波长筛选优化模式,对鱼粉NIR光谱数据进行特征波长筛选。iPLS-DE通过调试iPLS中等分子区间的数量,优选出9个最优特征波段,再采用二进制变异策略的DE算法在最优特征波段内筛选离散特征波长组合,最后根据模型的评价指标确定iPLS-DE优选模型并与iPLS优选模型进行比较。结果表明,将鱼粉全谱等分为5个子区间时,iPLS-DE筛选出50个离散特征波长建立的优选模型对测试集样品的预测均方根误差和相对分析误差分别为1.033%和4.058,而iPLS优选模型对测试集样品的预测均方根误差和相对分析误差分别为1.131%和3.855。表明iPLS-DE方法能够有效地提高NIR光谱分析模型对鱼粉蛋白质定量检测的预测能力。

基于差分最小二乘支持向量机的目标识别

目标识别是目前机器视觉、图像处理和模式识别领域的研究热点之一,广泛应用于各行各业。最小二乘支持向量机算法简便、速度快、精度高,是当前目标识别的主流算法之一。针对最小二乘支持向量机的参数难以确定,仅靠传统经验试凑的方法不易实现,且结果不理想;提出一种改进的差分进化算法实现最小二乘支持向量机的参数整定。通过改进变异策略,引入早熟判断机制,遏制了传统算法早熟收敛的问题。通过实验仿真,验证了改进算法可跳出局部最优点,结果比传统算法更优。以SM-TMSSY光电伺服跟踪转台为实验平台进行实例验证,证明了改进算法收敛速度快、精度高,正确识别率可从85%提高到92.5%,验证了算法的优越性。

基于遗传算法的航姿参考系统最小二乘磁标定方法研究

基于MEMS航姿参考系统磁误差分析和误差模型,提出了一种基于遗传算法融合的最小二乘算法,用于磁强计的标定校准。与传统的方法相比,该方法不需要借助相关的校准仪器,利用有效的大量数据通过迭代求得泊松模型的参数。通过此方法的误差补偿,航姿参考系统的精度得到了提高,实验结果验证了该方法的实用性和有效性。

基于差分蜂群算法的空间直线度误差评定

提出基于差分蜂群算法进行空间直线度误差评定。首先,基于产品技术几何规范(GPS)公差标准,用最小二乘法拟合计算得到符合最小区域条件的空间直线度误差评定的数学模型;然后,对差分进化算法的缩放因子进行改进,将改进后的差分进化算法与人工蜂群算法混合迭代优化,测试函数仿真显示,差分蜂群算法在计算精度、收敛速度方面存在一定的优势;最后,通过两个评定实例进行研究与对比分析。结果表明:差分蜂群算法相对于粒子群算法、混合教与学算法、最小二乘与鱼群混合优化算法在评定空间直线度上的计算精度分别提高了83.9%、54.5%、54.6%,相对于差分进化算法、人工蜂群算法的收敛速度有较明显提高。

基于生成模型的Q-learning二分类算法

对于二分类问题,基于判别模型的分类器一般都是寻找一条最优判决边界,容易受到数据波动的影响。针对该问题提出一种基于生成模型的Q-learning二分类算法(BGQ-learning),将状态和动作分开编码,得到对应各类的判决函数,增加了决策空间的灵活性,同时在求解参数时,采用最小二乘时序差分(TD)算法和半梯度下降法的组合优化方法,加速了参数的收敛速度。设计实验对比了BGQ-learning算法与三种经典分类器以及一种新颖的分类器的分类性能,在UCI数据库七个数据集上的测试结果表明,该算法有着优良的稳定性以及良好的分类精确度。

最小-最大模糊神经网络差分进化算法研究

该文利用二维正弦函数对DE算法和最小-最大模糊神经网络(MMFNN)结构优化策略进行测试,用MATLAB编程。在DE算法测试中,方差为0.0085,实验误差0.0078,实验结果表明:DE算法具有高效性与精准性。在MMFNN算法测试中,错误兼容率为0.0097,小于设定的错误兼容率0.01,验证了MMFNN结构的准确性。将2种算法的实验结果进行比较,DE算法比MMFNN算法优化效果好,有效性和精准性高,为将来人工智能和计算机电子信息等领域解决优化问题提供理论依据。

使用博弈差分算法的电站锅炉高效低污染燃烧均衡优化

提高电站锅炉热效率,降低NO_x等污染物的排放量是电站节能减排必须解决的问题。经过采用经量子遗传算法(QGA)优化参数后的最小二乘支持向量机(LSSVM-QGA)建立燃烧优化模型,预测的锅炉热效率和NO_x排放量的平均相对误差分别达到了0.054%和1.229%,其预测精度及泛化能力均较优,有更强的适用性能。在此模型基础上,提出一种采用自适应缩放因子与交叉因子和共享函数机制的差分进化算法(DE),通过其演化博弈论中的NASH均衡,实现锅炉燃烧的多目标优化,结果表明,基于NASH均衡的优化方法可以得到操作变量的最优解集,能够更好地改善运行工况,最终可以实现削峰填谷,使电站锅炉保持一个稳定均衡的燃烧状态。

短光程下差分吸收光谱法测量低浓度污染气体的反演算法

传统差分吸收光谱(differential optical absorption spectroscopy,DOAS)技术对长光程或高浓度烟气污染物可以实现准确、快速和在线测量,但是对于短光程、低浓度污染气体测量却存在较大的浓度反演误差。该文提出了一种新的光谱数据处理方法,并对信噪比较低的实测光谱数据进行了浓度反演。研究结果表明:气体浓度在0～150mg/m3范围内,新算法的反演精度明显优于传统算法,反演误差都在10%以内;在150～4000mg/m3范围内与传统算法相当;超过4000mg/m3后新算法的反演误差较大。新算法具有良好的抗烟尘干扰能力,其零点误差较传统算法减小了95%以上。与传统DOAS算法相结合可以获得较宽的动态测量范围。

基于差分进化算法的无线传感器网络节点定位方法研究

针对无线传感器网络的节点定位问题,提出一种基于差分进化算法的无线传感器网络节点定位方法。定位方法以未知节点与其邻近锚节点之间的估计距离和测量距离的均方误差为适应度函数,采用差分进化算法对适应度函数进行优化,从而得到最优解,实现节点有效定位。仿真实验结果表明,与传统的最小二乘定位方法相比,基于差分进化算法的定位方法精度更高,稳定性更好,定位效果较好。

基于Remez迭代算法求解差分系数的双相介质自适应有限差分正演模拟

利用传统有限差分方法对基于Biot理论的双相介质波动方程进行数值求解时,由于慢纵波的存在,数值频散效应较为明显,影响模拟精度.相对于声学近似方程及普通弹性波方程,Biot双相介质波动方程在同等数值求解算法和精度要求条件下,其地震波场正演模拟需要更多的计算时间.本文针对Biot一阶速度-应力方程组发展了一种变阶数优化有限差分数值模拟方法,旨在同时提高其正演模拟的精度和效率.首先结合交错网格差分格式推导Biot方程的数值频散关系式.然后基于Remez迭代算法求取一阶空间偏导数的优化差分系数,并用于Biot方程的交错网格有限差分数值模拟.在此基础上把三类波的平均频散误差参数限制在给定的频散误差阈值和频率范围内,此时优化有限差分算子的长度就能自适应非均匀双相介质模型中的不同速度区间.数值频散曲线分析表明:基于Remez迭代算法的优化有限差分方法相较传统泰勒级数展开方法在大波数范围对频散误差的压制效果更明显;可变阶数的优化有限差分方法能取得与固定阶数优化有限差分方法相近的模拟精度.在均匀介质和河道模型的数值模拟实验中将本文变阶数优化有限差分算法与传统泰勒展开算法、最小二乘优化算法进行比较,进一步证明其在复杂地下介质中的有效性和适用性.

基于最小二乘的双权重学习法

强化学习是人工智能领域中的一个研究热点。在求解强化学习问题时,传统的最小二乘法作为一类特殊的函数逼近学习方法,具有收敛速度快、充分利用样本数据的优势。通过对最小二乘时序差分算法(Least-Squares Temporal Difference,LSTD)的研究与分析,并以该方法为基础提出了双权重最小二乘Sarsa算法(Double Weights With Least Squares Sarsa,DWLS-Sarsa)。DWLS-Sarsa算法将两权重通过一定方式进行关联得到目标权重,并利用Sarsa方法对时序差分误差进行控制。在算法训练过程中,两权重会因为更新样本的不同而产生不同的值,保证了算法可以有效地进行探索;两权重也会因为样本数据的分布而逐渐缩小之间的差距直到收敛至同一最优值,确保了算法的收敛性能。最后将DWLS-Sarsa算法与其他强化学习算法进行实验对比,结果表明DWLS-Sarsa算法具有较优的学习性能与鲁棒性,可以有效地处理局部最优问题并提高算法收敛时的表现效果。

动态景像匹配导航差分滤波估计定位融合算法

为了改善景像匹配导航系统的可靠性及匹配精度,提出了一种基于位置差分滤波与最小二乘估计的动态景像匹配定位融合算法。分析了动态景像匹配导航定位融合的基本问题;针对匹配位置序列的误差特性,设计了位置差分滤波方法,用于剔除匹配位置序列中的误匹配点;采用最小二乘估计对匹配位置序列进行最优参数估计,进而对误匹配点进行估计并实现了匹配位置预测;给出了定位融合算法的基本原理及实现框图。仿真实验结果验证了该算法在消除误匹配点及减小随机匹配误差干扰方面的有效性、实用性。

基于伪距差分GPS的行车轨迹线形拟合算法

文中介绍了行车轨迹采集方法,坐标数据预处理过程,线形自动拟合算法原理;并对实测行车轨迹拟合进行了误差分析。以某道路安全性评价项目中行车轨迹采集数据为例进行了拟合计算,取得了较高精度的线形拟合结果。

支持向量机序贯最小优化算法推导的改进

已有文献中的支持向量机SMO算法推导过程计算复杂,该文给出一个简洁推导。整个推导过程没有复杂的计算,除了误差函数外,不需引入其它中间变量。

差分进化算法及其在固结系数计算中的应用

固结试验确定固结系数常采用时间平方根法和时间对数法,这两种方法均为作图法,其缺点是在绘图时易掺杂人为因素的影响,因而应用繁杂且误差较大。从一维固结理论出发,结合最小二乘原理把固结系数计算问题转化为非线性优化问题,再利用改进的差分进化算法对试验数据进行拟合计算,直接求出固结系数及固结的初值和终值。算例结果表明:差分进化算法可消除传统固结系数确定方法中人为因素影响,有效地减少了误差;差分进化算法收敛速度快,计算精度高,是一种通用、可靠的新算法,也可推广应用于其它岩土工程非线性优化领域。

改进差分进化算法求解B样条曲线曲面拟合问题

利用B样条进行数据拟合的关键在于B样条参数(节点矢量和控制顶点)的选取,同时把节点向量和控制顶点视为变量,拟合问题就演变为多维多变量高度非线性的最优化问题。由于差分进化算法(DE)在处理数值优化问题时相比于其他基于种群的进化算法收敛速度更快、稳定性更好,提出一种改进的差分进化算法来处理带噪声数据点的B样条曲线曲面最小二乘拟合。试验产生了多重节点。将其与基本的差分进化算法的试验结果进行比较,得到的BIC值和残差平方和更小。