一种解决群进化算法参数设置问题的最优向量法

群进化算法是智能计算领域研究的核心内容,而算法中数值型参数的设置是影响算法搜索效率的重要因素,因此设计解决参数设置问题的方法也是群进化算法研究的重要内容。目前解决参数设置问题的常规统计方法是根据算法搜索的部分结果组成有限样本数据,依据统计最好值个数大小的判定结果来确定最优参数预设值。常规统计方法在有些测试样本数据中很难确定唯一的最优参数预设值。为了解决常规统计方法的缺点,提出了一种最优向量法,该方法可以将任意形式有限样本数据转换为向量,依据向量计算的判定规则进行最优参数预设值的确定。实验结果表明,依据获取的有限样本数据通过最优向量法找到最优参数值,采用该参数值的群进化算法搜索效率相对最优,从而验证了最优向量法的有效性。

基于万有引力的煤层底板突水预测算法

传统的基于机器学习的煤层突水预测方法需要大量的训练样本进行预测模型的训练。而在矿井突水问题中,大量训练样本的获得基本上是不可能的。主要研究在突水样本数据有限的情况下提高煤层突水预测结果的准确性。结合山西省某煤矿的实际情况,提出了一种新颖的基于万有引力的煤层底板突水预测方法(Gravitational force based algorithm,GFA)。该算法采用半监督的学习方式,将万有引力公式引入到预测模型中,利用少量的突水训练样本作为引力的源点吸引测试样本进行突水安全状态的传递,进而实现突水测试样本安全性的预测。将提出的算法用于历史突水数据以及实际的煤层底板突水数据进行实验,实验结果表明,在突水训练数据有限的情况下,提出的基于万有引力的煤层底板突水预测算法可获得良好的预测效果。

Corrected-loss estimation for Error-in-Variable partially linear model

We consider an Error-in-Variable partially linear model where the covariates of linear part are measured with error which follows a normal distribution with a known covariance matrix. We propose a corrected-loss estimation of the covariate effect. The proposed estimator is asymptotically normal. Simulation studies are presented to show that the proposed method performs well with finite samples, and the proposed method is applied to a real data set.