基于最小二乘和自适应蛇优化算法的直驱风机LVRT特性辨识

为提高直驱风机低电压穿越LVRT(low voltage ride through)控制参数辨识精度,提出了一种基于最小二乘LS(least square)和自适应蛇优化ASO(adaptive snake optimization)算法的直驱风机LVRT特性辨识方法。首先,利用最小二乘法拟合出直驱风机LVRT待辨识参数初值,以确定待辨识参数的寻优范围;然后,分析了蛇优化SO(snake optimization)算法分阶段寻优的边界条件,设计了分阶段自适应学习因子,并引入Levy飞行策略,提出了适用于直驱风机LVRT控制参数辨识的ASO算法;最后,将ASO算法多次辨识平均值作为最终结果。结果表明,所提方法能快速、准确辨识直驱风机LVRT控制参数。

一种优化的自适应总体最小二乘系统辨识算法

对于监督信号和训练信号都含有噪声的系统辨识问题,如果采用经典的最小均方和迭代最小二乘算法进行估计,会带来较大的误差,而直接求解又会有较大的计算量,不利于在线计算。将权向量的求解转化为增广输入向量自相关矩阵瑞利商的受限最佳化问题,对增广输入向量进行迭代估计,同时建立了步长因子和误差信号间的函数关系,这个函数关系是建立在代价函数相对于步长梯度的基础上,而不是基于经验公式。所提算法结构简单,具有更好的稳健性,仿真表明这种算法相对于同类总体最小二乘算法和其他自适应算法有更快的收敛速度和更高的收敛精度。

基于最小二乘与自适应免疫遗传算法的小型无人直升机系统辨识

针对小型无人直升机小稳定、强耦合、非线性的特点,建立了小型无人直升机悬停状态下行动力学模型.设计了一种基于最小乘与自适应免疫遗传算法(LS-AIGA)的辨识算法,根据辨识实验的需要研制了机载微小型导航、制导与控制系统(MGNC).利用飞行实验数据,根据本文的辨识算法,对所建立模型中未知参数进行了辨识.最后对得到的模型进行了验证与分析,结果表明模型辨识数据与真实飞行实验数据匹配较好,所建立模型能够反映小型无人直升机动力学特性.

基于模糊基函数网络和自适应最小二乘算法的外圆纵向磨削表面粗糙度的预测

建立了外圆纵向磨削表面粗糙度的模糊基函数网络(FBFN)预测模型,网络的训练采用自适应最小二乘算法(ALS)。ALS将最小二乘算法和遗传算法相结合,能够自主学习,不用人为干预,FBFN和粗糙度的分析模型相结合,只需少量实验数据便可完成网络的训练,自动产生模糊规则,确定隐含层的节点数。仿真和实验结果表明,FBFN网络结构非常适合粗糙度的预测和控制,采用ALS学习方法比BP算法、传统的遗传算法和正交二乘法等能产生更好的结果。

基于最小二乘支持向量机和自适应模拟退火算法的电磁场逆问题全局优化方法

分析了目前电磁场逆问题全局优化算法存在的收敛速度慢以及搜索时间长等问题的主要原因,并针对以上问题提出了基于最小二乘支持向量机和自适应模拟退火电磁场逆问题优化新算法,充分利用了自适应模拟退火算法中丢失的已搜索过点的信息,动态地建立和改进待求问题的数值模型,指导最优解的搜索过程,大大减少了求解电磁场正问题的求解次数,缩短了搜索到最优解的时间,通过仿真实验以及实际应用的对比,效果显著,提高了电磁场优化设计的实际应用能力。

基于高频噪声主频估计的自适应最小二乘算法

进一步提高电力系统继电保护的动作速度,要求寻找速度更快的保护滤波算法。传统的最小二乘算法与卡尔曼滤波算法虽然速度较快,但准确度难以提高。通过对电力系统故障信号高频噪声分量的理论分析与仿真研究,发现高频噪声分量存在一个主频,并提出一种使用遗传算法的主频频率估计器。根据高频噪声主频的存在性与自适应滤波原理,提出了一种基于高频噪声主频估计的自适应最小二乘算法,它利用高频噪声主频估计器计算输入信号的高频噪声主频频率,根据主频频率修改最小二乘算法的模型参数,实时形成最小二乘算法的计算式。仿真试验表明,该算法显著地提高了保护滤波算法的滤波速度与准确性,即使在噪声非常严重的情况下,也能取得很好效果。

基于递推最小二乘自适应滤波算法的图像去噪

递推最小二乘RLS(Recursive of Least Square)算法是自适应滤波算法中的精确分析算法。它具有收敛速率快,精确度高等特点,但是发现目前RLS算法多用于对一维信号的去噪处理。使用递推最小二乘(RLS)算法对二维图像进行去噪,从处理一维信号变成处理二维图像信号,需要对RLS算法进行改进。先迭代得到滤波器参数,形成3×3滤波掩模,再改进算法对图像进行滤波;同时与常数比率维纳滤波和自相关函数的维纳滤波算法的去噪效果进行对比。结论证明在对图像进行较严重的模糊和加噪处理后,其他两种算法对图像的还原能力差,而递推最小二乘自适应滤波(RLS)算法具有优良的图像去噪性能。

基于最小二乘算法及神经网络的非线性离散系统的自适应控制

针对有关文献所设计的控制律 ,在一较弱的条件下 ,去掉了符号运算部分 ,证明该控制律可避免“零除”问题 ,提高了运算速度。对于这种基于神经网络和 L S算法的自适应控制问题 ,证明了系统状态落入一紧集中 ,闭环系统的所有信号都是有界的 ,且系统输出和参考输出之间的跟踪误差收敛于以零为原点的某一有界球中。

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。

QR分解的最小二乘格型自适应滤波算法在噪声主动控制中的应用

在噪声主动控制系统中,滤波-x递归最小二乘(FxRLS)算法收敛速度快但计算量大。基于此,提出了格型联合估计滤波器结构与基于QR分解的最小二乘格型(QRD-LSL)自适应滤波算法相结合的噪声控制方法,该方法对联合估计过程进行了改进并得到了基于各阶估计误差的联合过程估计权系数更新关系,格型联合估计器结构简单,QRD-LSL自适应滤波算法数值稳定性好。仿真结果表明提出的噪声控制方法有良好的噪声控制效果,收敛速度快,计算量小,稳态误差小,跟踪性能好。

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机（LS-SVM）回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明：在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。

基于最小二乘自适应迭代的宽带波束形成算法

大部分时域恒定束宽宽带波束形成算法的权值拟合运算量较大,导致实用性大大降低。本文给出一种基于最小二乘自适应迭代的恒定束宽波束形成器设计方法,同时将RLS迭代算法应用于滤波器组设计中。本文方法易于实现,不受阵形及阵元指向性限制,不受迭代步长影响,且能快速收敛。理论推导及仿真实验验证了本文方法的有效性。

一种基于最小二乘准则的自适应滤波算法

基于最注二乘准则Ｊ（ｎ）＝ ，利用最徒梯度下降法，得到一种新的梯度型自适应滤波算法．该算法避免了递推最小二乘ＲＬＳ（Ｒｅｃｕｒｓｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ）算法需递推估计更新自相关矩阵Ｒｘｘ（ｎ）的逆的不足，计算机模拟仿真结果表明该算法有良好的收敛性能，收敛速度快于ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅｓ）算法、ＮＬＭＳ（ＮｏｒｍａｌｉｚｅｄＬｅａｓｔ Ｓｑｕａｒｅｓ）算法和ＲＬＳ算法．

最小二乘自适应滤波的广义多信道QR格型算法

对于广义多信道的最小二乘自适应滤波，即允许有信道参数数目不相等，本文提出一种QR格型算法。这个算法完全利用Givens旋转来解广义多道最小二乘问题，具有优越的数值性能和高度的模块化结构，适合于VLSI实现。对于通用处理器实现，这个算法需要O（p2）运算复杂度，其中p为信道数，对于基本处理单元实现，需要2p角度计算单元和3p2－p旋转单元。

异步CDMA系统中基于预处理递归最小二乘恒模算法的盲自适应接收

该文提出一种基于预处理递归最小二乘恒模算法(PP-RLSCMA)的多径异步CDMA系统盲自适应接收技术。首先对接收信号进行自适应预处理,并分析了预处理器的复杂性和稳定性。预处理的目的是通过对干扰和噪声的部分抑制以提高恒模接收的性能,所提出的预处理方法只与多径信道的最大长度有关。鉴于统计恒模算法收敛速度慢的缺点,提出一种快速递归最小二乘恒模算法的盲自适应接收。仿真表明,该文算法的误码率及收敛性能比LCMMV,LCCMA好。

半航空瞬变电磁自适应正则化-阻尼最小二乘算法研究

反演问题一直是地球物理的重点研究问题之一。本文以长导线源半航空瞬变电磁为例,对时间域半航空数据进行一维反演研究。将自适应正则化(ARIA)反演方法和阻尼最小二乘(LM)反演方法相结合,提出一种改进的反演方法:自适应正则化-阻尼最小二乘(ARIA-LM)反演算法。本文选用三层理论模型对比阻尼最小二乘算法、自适应正则化反演算法与本文方法,并使用四层理论地层模型来验证算法的有效性和可靠性。结果表明:该算法在一定程度上对高阻分辨率增强,能有效提高反演的精度及稳定性。

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法。基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型。将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估。结果表明,该模型在预测精度上有了明显提高,预测性能尤佳。可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值。

动态自适应粒子群优化算法与最小二乘支持向量机在年径流预测中的应用

针对最小二乘支持向量机(LSSVM)依赖人为经验选择学习参数以及基本粒子群优化算法(PSO)存在早熟收敛等弊端,通过对PSO惯性因子、加速因子以及粒子飞行速度进行动态调整,以及借鉴遗传算法变异思想引入自适应变异算子,对PSO算法进行改进,提出动态自适应粒子群优化算法(DAPSO),利用DAPSO算法优化选择LSSVM惩罚因子和核函数参数,构建DAPSO-LSSVM年径流预测模型,并与PSO算法优化选择LSSVM学习参数的PSO-LSSVM模型以及GA-BP、RBF、BP模型作为对比,以云南省某水文站年径流预测为例进行实例研究,利用实例前30年和后17年资料分别对各模型进行训练和预测。结果表明DAPSO-LSSVM模型对实例后17年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为3.31%、5.95%,预测精度优于PSO-LSSVM模型,大幅优于GA-BP、RBF和BP模型。DAPSO算法全局寻优能力强、收敛速度快,稳健性能好,利用DAPSO算法优化得到的LSSVM学习参数可有效提高LSSVM模型的预测精度和泛化能力。

非线性最小二乘问题的一个自适应算法

本文简要介绍了非线性最小二乘问题的一个自适应算法的基本理论和计算步骤测试例子说明该算法的收敛速度快,对初值要求宽松,大大优于Gauss-Newton类算法。

基于遗传算法的多目标最小二乘支持向量机在近红外多组分定量分析中的应用

近红外(NIR)定量分析通常涉及多个组分,采用遗传算法和自适应建模策略,建立了能够对多组分同时定量的多目标最小二乘支持向量机(LS-SVM),并将其应用于玉米中四个组分和连翘中两个活性成分的NIR分析。结果表明多目标遗传算法配合自适应建模策略可保证优化收敛于全局最优解。所建玉米多目标LS-SVM模型明显优于PLS1和PLS2模型;连翘多目标LS-SVM模型与PLS模型均可取得较好的校正和预测效果。两组数据中,径向基神经网络(RBFNN)模型均出现过拟合现象。多目标LS-SVM和单目标LS-SVM性能相近,但多目标LS-SVM建模运行一次即可得到结果,在NIR多组分定量分析中具有潜在应用优势。