应用潜变量回归在线补偿双直接进给轴热误差

为了提高直线电机驱动的双直接进给轴的运动精度,对该类进给轴的热误差进行了建模并研究了误差补偿方法。分析了双直接进给轴进给过程中热误差产生的原因及其补偿的复杂性,给出一种基于潜变量回归的双直接进给轴热误差在线补偿方法。该方法应用激光干涉仪测量进给轴的热变形量,使用热电偶和红外测温仪测量进给轴关键点的温度变化;通过时间匹配变形和温度数据得到统计样本并建立基于潜变量回归的热误差识别模型。以模型的在线计算确定误差补偿量,给出了与数控系统兼容的补偿控制输出策略及补偿系统构建方案。在自构建的龙门双直线电机驱动进给轴平台上进行了在线补偿实验。结果表明:应用潜变量回归方法对双直接进给轴进行热误差补偿可使双直接进给轴的热误差减小75%。

小波包变换潜变量回归同时测定钐和钇

采用小波包变换潜变量回归(WPLVR)方法,同时测定了钐和钇。该法结合小波包变换和潜变量回归改进了除噪质量。信号的小波包表述提供了一个局部时频描述,因此在小波域,除噪质量可以改善。潜变量是把小波包处理过的信号投影到正交基本征矢量上获得。潜变量可由原始变量的线性组合来表示。使用该法,人们可从没有选择性的全光谱数据中获得极有选择性的信息。通过最佳化,选择了小波函数及小波包分解水平(L)。编制了两个程序(PWPLVR)和(PFTLVR)执行WPLVR和傅里叶变换潜变量回归(FTLVR)法计算。试验结果表明两种方法都是成功的,且WPLVR法更优于FTLVR法。

小波包变换潜变量回归同时测定锰、锌、钴

研究了一种小波包变换潜变量回归(WPLVR)法,同时定量分析Mn ,Zn 和Co 。结合小波包变换和潜变量回归,改进除噪质量。通过最佳化,选择了小波函数和小波包分解水平(L)。设计了两个程序(PWPLVR和PFTLVR)并用WPLVR法和付立叶变换潜变量回归(FTLVR)法计算了合成样品中锰、锌、钴的实际浓度和回收率。实验结果表明WPLVR法是成功的且优于FTLVR法。

小波包变换潜变量回归分辨重叠的紫外光谱

采用小波包变换潜变量回归(WPLVR)方法,同时测定联苯、苯酚和邻苯二酚。该法结合小波包变换和潜变量回归改进除噪质量。通过最佳化,选择了小波函数及小波包分解水平(L)。编制了两个程序PWPLVR和PFTLVR进行WPLVR和付立叶变换潜变量回归(FTLVR)法计算。试验结果表明WPLVR法是成功的且优于FTLVR法。

小波包变换潜变量回归同时测定三组分混合物

采用小波包变换潜变量回归 (WPLVR)方法 ,同时测定水杨酸甲酯(MSA)、邻苯二甲酸二丁酯 (DBP)和邻苯二甲酸氢钾 (PHP)。该法结合小波包变换和潜变量回归改进除噪质量。通过最佳化 ,选择了小波函数及小波包分解水平 (L)。编制了两个程序 (PWPLVR)和 (PFTLVR)进行WPLVR和付立叶变换潜变量回归 (FTLVR)法计算。实验结果表明WPLVR法是成功的且优于FTLVR法。

基于潜变量回归模型的城市火灾风险评估

为评估城市火灾风险等级,针对城市火灾发生的可能性与严重性2个基本问题,建立评估指标体系,提出一种基于潜变量回归的评估模型,并给出无须迭代的确定性算法。该模型和算法无需事先指定风险等级评估分数的训练样本,不必事先指定指标汇总的加权系数,利用合理的配方约束,完成潜变量回归,实现城市火灾风险按地区或者按行业的等级评估,利用现成的软件计算,同样适用于其他具有类似数据结构的评估问题。

小波潜变量回归和广义回归神经网络同时测定三组分混合物

本文采用小波潜变量回归 (WLVR)方法 ,同时测定重叠的光谱信号。结合小波阈值法和主组分分析 (PCA)改进除噪质量。八个误差判据用于推断因子数目。潜变量由小波处理过的信号投影到正交基矢量而获得。广义回归神经网络 (GRNN)被应用于多组分同时测定。依据算法原理编制了三个程序 (PWMRA、PWL VR和PGRNN)执行有关计算。三个方法 (WLVR、LVR(潜变量回归 )和 GRNN)同时测定三组分混合物 。

基于潜在变量二元回归模型的多传感器数据融合

针对目前数据融合算法存在的置信度无法获取的问题,提出了一种基于潜在变量二元回归模型(LatentVariable Binary Regression Model)的多传感器数据融合算法。将每个传感器获取的特征值作为多变量回归模型中的相关变量,通过Gibbs抽样得到潜在变量的分布概率,确定多变量回归模型中的表征量作为融合结果,并以潜在变量的分布概率作为融合结果的置信度。基于实地采集的运动目标震动信号进行仿真实验,结果表明该融合方法拥有较好的识别效果,同时能够给出识别结果的置信度。其中错分类的结果具有较低的置信度,可以提醒观测者做进一步的观察。

OPLS在非线性偏最小二乘回归模型的应用

为了解决隐含潜变量回归(implicit non-linear latent variable regressionI,NLR)建模方法中加入自变量的非线性项使系统中出现了与因变量无关的信息或者噪音的问题,提出了基于正交投影(orthogonal projection to latent structures,OPLS)方法,对INLR数据进行预处理。OPLS算法能有效去除预测矩阵中与因变量无关的信息,在不影响INLR建模效果的同时减少有意义的成分,改善了模型的解释性和真实性。模拟实验结果表明,改进后算法的建模效果优于INLR、偏最小二乘回归(partialleast squares regression,PLSR)算法得到的模型。