基于快速留一交叉验证的核极限学习机在线建模

提出了一种基于快速留一交叉验证(FLOO-CV)的在线核极限学习机(OKELM),以逐次增加新样本与删除旧样本的方式进行在线训练;设计了一种无需人为设定、能够根据系统过程特性自适应改变的FLOO-CV预测误差阈值,根据误差阈值仅引入预报误差较大的样本对模型进行更新,以提高模型的稀疏性和泛化能力;利用Hermitian矩阵求逆引理实现了对网络输出权值的递推求解,减小了在线存储空间和计算时间.经混沌时间序列预测和连续搅拌釜式反应器的过程辨识结果表明,相比于离线核极限学习机、无稀疏策略的在线核极限学习机和在线序贯极限学习机,OKELM具有更快的计算速度和更高的学习精度.

基于留一交叉验证的类不平衡危害预评估策略

近年来,类不平衡问题已逐渐成为人工智能﹑机器学习和数据挖掘等领域的研究热点,目前已有大量实用有效的方法.然而,近期的研究结果却表明,并非所有的不平衡数据分类任务都是有害的,在无害的任务上采用类不平衡学习算法将很难提高,甚至会降低分类的性能,同时可能大幅度增加训练的时间开销.针对此问题,提出了一种危害预评估策略.该策略采用留一交叉验证法(LOOCV,Leave-one-out cross validation)测试训练集的分类性能,并据此计算一种称为危害测度(HM,Harmful-ness Measure)的新指标,用以量化危害的大小,从而为学习算法的选择提供指导.通过8个类不平衡数据集对所提策略进行了验证,表明该策略是有效和可行的.

基于偏最小二乘留一交叉验证法的近红外光谱建模样品选择方法的研究

目的提出一种新的挑选定标集的方法-偏最小二乘留一交叉验证法。方法以玉米为例,通过对玉米中水分含量的实际建模与外部验证,根据主成分数、相关系数、预测均方根差以及相对分析误差(ratio of performance to standard deviate,RPD)等因素,综合比较4种定标集挑选方法的优缺点。结果偏最小二乘留一交叉验证法结合样品和光谱性质,在保持原始样品覆盖范围的基础上,挑选出的定标集所建立的模型具有较低的模型复杂程度、较高的验证相关系数以及较高的RPD值。结论该方法既克服了随机挑选法存在的样品代表性不足的风险,同时也避免了含量梯度法和计算机识别法只考虑样品或者光谱的单一性质的不足,同时该方法具有操作简单、易于推广等优点,为食品安全检测提供了一种新的筛选样品的方法。

HEV电池SOC预测的留一交叉验证优化LS-SVM方法

针对混合动力汽车(HEV)电池剩余容量(SOC)判别问题,将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响,提出了基于留一交叉验证优化最小二乘支持向量机的预测方法。将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值,在欧洲城市行驶循环工况(EUDS)条件下进行实验验证,结果表明:所设计预测模型能够实时准确地预测出SOC值,有效性高。

基于交叉验证的MVDR波束形成对角线加载因子选择

最小方差无失真响应(MVDR:Minimum variance distortionless response)波束形成器在阵列信号处理中具有广泛的应用。在样本数少的情况下,MVDR波束形成器设计中的协方差矩阵的估计是一个挑战。已经证明对角加载(DL)是解决该问题的有效方法,但是对角加载因子(DLF:Diagonal loading factor)的选择是困难的。本文中,我们提出了一种基于留一交叉验证的(LOOCV:Leave-one-out cross-validation)数据驱动方法,用于为MVDR波束形成器选择DLF。我们还对算法做了简化使得DLF的选择可以在低复杂度下实现。数值结果表明,该方法可以实现DLF的近乎最优的选择。

应用地基激光雷达三维点云数据构建长白落叶松树干削度方程

使用地基激光雷达(TLS)三维点云数据提取的落叶松干形数据,构建树干削度方程,为落叶松干形精准预测提供依据。以吉林省一面山林场和杨木林林场落叶松人工林为研究对象,获取71株落叶松点云信息,并提取树干干形数据。选择简单、可变指数、三角函数和分段函数等9个基础削度方程进行比较,利用分位数回归和广义加性模型方法构建削度方程。结果表明:在9个基础削度方程中,Bi(2000)削度方程的拟合效果最好,多重共线性指标条件数也小于100;Bi(2000)基础削度方程构建的分位数回归模型,在9个分位点(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)处均能收敛,其中在τ=0.5的分位点处的拟合效果最好,略优于非线性回归的拟合结果。在以相对直径为因变量,以相对高的平方根、胸径的平方和树高为自变量的广义加性削度方程中,6种光滑样条函数(三次回归样条函数(CR)、B-样条函数(BS)、薄板回归样条函数(TP)、P-样条函数(PS)、Duchon样条函数(DS)和高斯过程平滑样条函数(GP))的拟合效果相差不大,但广义加性削度方程使用(DS+CR)光滑样条函数比一种光滑样条函数的拟合效果好(相对误差4.407、均方根误差1.158、确定系数0.966),广义加性削度方程的各检验统计量均优于基础削度方程和分位数回归削度方程,且在树干相对高度10%~80%,广义加性削度方程也表现最优(相对误差4.534、均方根误差1.191、确定系数0.964)。因此,(DS+CR)组合光滑样条函数的广义加性削度方程预测精度最高,可用于该区域的落叶松干形预测。

青冈栎次生林林分形高模型构建

探索林分形高模型的构建与评价方法,可为湖南省青冈栎林分蓄积量的精准测定提供理论依据。以芦头林场和青羊湖林场的青冈栎次生林为研究对象,基于35个样地的1055株单木实测数据,建立青冈栎次生林一元、二元林分形高模型。由孔兹干曲线推导出青冈栎树高曲线以计算林分条件平均高,基于林分形高与林分平均胸径、林分条件平均高的一元、二元相关关系,选取6个一元模型和8个二元模型,以决定系数(R^(2))、均方根误差(RMSE)、解释方差(EA)、平均绝对误差(MAE)和模型预估精度(P_(1))作为评价指标。经过评估和比较,选定一元林分形高模型为f(D)=2.8707×D^(0.2618)、f(H)=2.0224+0.3395×H和二元林分形高模型为f(D,H)=0.5906×exp(-0.0083×D)×H、f(D,H)=(0.7102-0.0701×logD)H和f(D,H)=2.4799×(D^(2)×H)^(0.1092)。通过留一交叉验证和配对T检验对模型进行检验,结果显示一元、二元林分形高模型均具有较高的精度和较强的适用性,进一步验证了以林分平均胸径和林分条件平均高构建林分形高模型的方法合理可行,可为其它类型的林分形高模型构建和林分形高表的编制提供示范和参考。

基于非目标~1H NMR指纹图谱技术验证中国葡萄酒原产地

为了探讨非目标指纹图谱技术验证中国葡萄酒原产地的可行性,采用一维核磁共振氢谱(1H NMR)技术,对沙城、昌黎和昌吉三大特色原产地葡萄酒的224个样品进行分析。结果表明,主成分分析(principal component analysis,PCA)结合线性判别分析(linear discriminant analysis,LDA)建立的留一交叉验证模型,实现对沙城、昌黎和昌吉葡萄酒原产地样品准确识别率为92%,73%和68%;为避免PCA/LDA模型出现过拟合现象,采用外部重复双随机交叉验证方法对PCA/LDA模型的有效性进行验证。葡萄酒1H NMR指纹图谱包含葡萄酒原产地特征信息,通过多变量统计分析可以构建非目标1H NMR指纹图谱的中国葡萄酒产地验证技术模型。

基于GRA-SSA-Elman的隧道施工瓦斯安全性预测评价

为准确预测隧道施工瓦斯灾害,有效评估瓦斯安全,建立基于灰色关联分析(grey relational analysis,GRA)与麻雀搜索算法(sparrow search algorithm,SSA)优化Elmen神经网络的隧道施工瓦斯安全性预测评价模型。首先从水文地质条件、隧道设计、煤层结构状况及施工管理四个方面考虑,遴选12个主要影响因素,采用GRA法量化分析选取的影响因素与评价对象间的关联性;然后引入SSA优化Elman模型中的初始权值和阈值建立模型,采用留一交叉验证法验证模型性能;最后为进一步验证模型性能,对选取的实例瓦斯隧道待测样本进行瓦斯灾害预测评价,同时与PSO-Elman、Elman、Fisher判别分析(fisher discriminant analysis,FDA)模型预测结果与现场实际结果对比分析。结果表明:SSA-Elman预测结果与实际工程结果一致性更高,优化后的模型精确度和稳定性更好,可操作性强,对隧道施工瓦斯安全性评估具有良好的适用性。

干形数据采样方法对树干削度方程构建的影响

【目的】基于落叶松15个点的直径-树高干形数据,比较树干不同采样方法对曾伟生(1997)、Bi(2000)和Max&Burkhart(1976)削度模型预测精度的影响。【方法】以大兴安岭343株落叶松干形数据为研究对象,设计了30种数据采样方法,使用留一交叉验证法对基于原始数据和不同采样数据的模型进行检验,选用确定系数(R2)、平均绝对误差(MAB)、均方根误差(RMSE)和相对误差(MPB)作为检验的评价指标,并求出以上4个指标的平均相对排序值。使用Tukey多重比较法对基于不同采样数据的模型进行成对比较,分析当拟合数据改变的情况下各削度模型在预测落叶松直径时是否有显著差异。最后为了直观地表示不同采样数据对削度模型的影响,从落叶松数据中分别随机抽取一株大树和一株小树进行树干模拟。【结果】1)相对于使用原始数据时的模型,基于一部分采样方法的模型检验精度有略微提高,其中使用第27种方法时,曾伟生模型的精度最高;使用第26种方法时,Bi的模型精度最高;使用第9种方法时,Max&Burkhart的模型精度最高;2)Tukey多重比较结果表明,基于原始数据和基于3种最优采样方法的削度模型在预测落叶松直径时,模型两两之间均没有显著差异;3)通过对落叶松小树和大树的树干进行模拟发现,使用原始数据时的削度模型,与使用最优采样数据时的削度模型,对树干的模拟效果几乎相同。【结论】针对不同的削度模型,其最适用的采样方法也不同。当使用曾伟生的模型对大兴安岭落叶松树干削度预测时可以选择方法 27中7个点的直径-树高数据进行拟合,即将树干分成7个区分段进行干形测量;当使用Bi的模型时可以选择方法 26中的7个区分段进行干形测量;当使用Max&Burkhart的模型时可以选择方法 9中的10个区分段进行干形测量;当同时考虑这3个模型时,可以选择方法 20中的8个区分段进行干形测量,此时3个模型对落叶松树干不同位置处直径的预测精度均会略有提高。

一种基于BP神经网络的完井液污染类型识别方法

目的 解决油田目的层钻井过程中完井液受盐水、残酸等污染后不能高效识别污染类型的问题。方法 对完井液进行不同质量占比的盐水、残酸污染测定,采用K-means聚类订正不同污染等级数据样本的标签。根据数据样本特征的获取难易度、隐藏层数目,训练不同的BP神经网络模型,并由留一交叉验证法检验模型的分类准确率。结果 数据样本拥有的特征越多,训练的BP神经网络分类准确率越高,隐层数目越多,分类准确率反而越低。选择包含“流变+老化+滤失+井名”4类特征的数据样本建立1隐藏层的BP神经网络模型,其平均分类准确率达到93.18%。结论 由流变、滤失等特征训练的BP神经网络模型可快速应用于试油现场,解决完井液污染类型识别问题,避免了试油现场因缺少大型仪器而无法鉴别完井液污染类型的难题。

混合神经网络的核电站故障程度评估方法

为了准确处理大量复杂数据,避免由于压力上升导致的操纵员判断失误,本文提出了一种基于改进的粒子群算法和留一交叉验证的混合神经网络超参数优化方法,辅助操纵员评估核电站故障程度。该方法通过改进的粒子群算法优化超参数组合,利用留一交叉验证评估深度学习模型泛化性能,最终构建高精度故障程度评估模型。本文以核电站失水事故为对象,对所提出方法进行测试验证。结果表明:本文提出的混合神经网络超参数优化方法能够搜索最优超参数组合,构建绝对精度为97%的神经网络模型,能有效评估核电站故障程度,辅助操纵员维修决策。

基于工艺参数的7005铝合金力学性能的支持向量回归预测

根据7005铝合金在不同工艺参数(挤压温度、挤压速度、淬火方式和时效条件)下的力学性能(抗拉强度σb、屈服强度σ0.2和硬度HB)实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)结合留一交叉验证(LOOCV)的方法,对7005铝合金力学性能进行建模和预测研究,并与偏最小二乘法(PLS)、反向传播人工神经网络(BPNN)和两者结合的PLS-BPNN模型的预测结果进行比较。结果表明:基于SVR-LOOCV法的预测精度最高,对3种力学性能(σb、σ0.2和HB)预测的均方根误差(RMSE)分别为4.5319MPa、14.5508MPa和HB1.4142,其平均相对误差(MRE)分别为0.72%、2.61%和0.66%,均比PLS、BPNN和PLS-BPNN方法预测的RMSE和MRE要小。

基于自适应RVM的电子系统缓变故障预测方法

针对电子系统缓变故障的预测问题,提出一种自适应相关向量机(RVM,Relevance Vector Machine)方法.首先,对反映电子系统性能的参数序列进行相空间重构,建立RVM的输入输出对应关系;然后,将嵌入维数和核函数参数作为人工鱼位置,取留一交叉验证(LOOCV,Leave-One-Out Cross-Validation)误差的相反数作为目标函数,利用人工鱼群算法(AFSA,Artificial Fish Swarm Algorithm)实现方法参数的自适应优化选择;最后,通过雷达发射机高压电源与多注速调管的故障预测实验验证了方法的性能.实验结果表明:该方法在预测精度和预测可靠性方面优于现有方法.

木材导热系数的支持向量回归预测

根据木材在不同影响因素(密度、含水率和比重)下沿横纹方向(包括径向和弦向)的导热系数的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了木材沿不同方向的导热系数的预测模型,并与通过类比法(ANA)导出的理论模型和BP神经网络(BPNN)模型进行了比较。结果表明:基于相同的训练样本和检验样本,木材导热系数的SVR模型比其ANA模型或BPNN模型具有更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR模型预测的最大绝对百分误差(MPE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。因此,SVR是一种预测木材导热系数的有效方法。

R_2O-MO-Al_2O_3-SiO_2玻璃配方与热膨胀系数关系的支持向量回归研究

不同配方的玻璃一般具有不同的热膨胀系数。根据R2O-MO-Al2O3-SiO2(R为碱金属元素,M为碱土金属元素)系统玻璃在不同氧化物组成(SiO2,MgO,CaO,SrO,BaO,Na2O和K2O)下的热膨胀系数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了玻璃的不同配方与其热膨胀系数关系的SVR预测模型,并与基于BPNN神经网络模型的预测结果进行了比较。结果表明:对于相同的训练样本和检验样本,支持向量回归的玻璃的热膨胀系数模型始终比BPNN模型具有更高的预测精度;增加训练样本数有助于提高所建SVR预测模型的泛化能力;基于留一交叉验证法(LOOCV)的SVR预测的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)均为最小。本研究表明:SVR是一种预测不同配方玻璃的热膨胀系数的有效方法。

基于多类支持向量机的棉花异性纤维分类方法

提出一种基于多类支持向量机的棉花异性纤维分类方法,以期解决棉花异性纤维的在线分类难题。该方法首先对异性纤维目标图像进行颜色、形状和纹理特征提取,形成用于精确描述异性纤维目标的特征向量;然后分别构建3种不同体系结构的多类支持向量机用于棉花异性纤维的分类;最后采用交叉验证法对所构建的3种多类支持向量机进行测试。测试结果表明,基于有向无环图的一对一多类支持向量机在分类精度和分类速度上更适合用于棉花异性纤维在线分类。

利用连续多模态特性探索的自适应Kriging模型构建方法

为了高效率地构建高精度的代理模型,提出一种利用连续多模态特性探索的自适应Kriging模型构建方法.首先在获得一个初始Kriging模型后,利用留一交叉验证策略计算出代理模型的精度;然后利用相对误差准则,从样本库中挑选出误差最大的样本点;再通过泰勒级数展开式快速获得新样本点及其近似响应值;如此不断地更新样本库及Kriging模型,最终使模型精度达到预定要求.对2个数学算例和1个工程实例进行了应用分析,结果表明,该方法能够以较快的速度得到较高精度的Kriging模型.

水中溶解氧含量的优化WLS-SVM预测方法

研究溶解氧含量预测的精确度与鲁棒性问题,为水质评价和水处理控制提供科学依据。探讨了水中溶解氧的影响因素及其作用规律,分析了现有预测算法的不足,在此基础上提出了一种新的溶解氧含量预测方法。从样本集中随机抽取数据构成训练集和测试集,以网格搜索法确定WLS-SVM的参数寻优范围,再用QPSO与留一交叉验证组合算法找出其最优值,以此建立WLS-SVM回归模型进行水中溶解氧含量的预测。应用该方法与LS-SVMlab工具箱函数分别建模进行对比测试,结果表明其预测精确度和鲁棒性都更好。

沈阳自然气候条件下拔节和抽雄期水分胁迫玉米的生长模拟研究

为了探讨DSSAT软件在模拟玉米生长过程中的适用性,在田间试验的基础上,利用玉米生长模型DSSAT-CERES-Maize模拟了水分胁迫条件下辽宁地区玉米的生长发育和产量形成过程,并确定了参数估计和模型验证的最优方案。试验将玉米整个生育期划分为苗期、拔节、抽雄、灌浆和成熟5个主要生长阶段,选择其中的拔节期(J1、J2、JCK)和抽雄期(T1、T2、TCK)进行水分胁迫控制,分别采用田间持水量的60%~65%(轻度水分胁迫)、45%~50%(中度水分胁迫)和30%~35%(重度水分胁迫)3个水分胁迫水平,共6个处理,每个处理3次重复,在遮雨棚内随机排列。利用DSSAT-GLUE参数估计模块得到不同的参数估计结果,通过对比分析玉米物候期、单粒质量、产量、叶面积指数(LAI)、以及土壤水分的模拟值和实测值之间的差异,以确定该模型模拟辽宁地区玉米生长发育过程的精度。结果表明:遗传参数P2的估计值具有较大的变异性,变异系数为59.03%。在模型应用过程中应选用轻度水分胁迫以及在生育后期受到水分胁迫影响的观测数据进行遗传参数估计,可以提高模型的模拟精度,误差可以减小到6.7%~9.9%。在对作物LAI和水分动态模拟结果的分析中可以看出,同一生育期水分胁迫程度越低模型模拟精度越高;同一水分胁迫条件下抽雄期处理模拟精度高于拔节期处理。从留一交叉验证法的分析结果可以看出,总体模拟误差在12%~15%之间。说明DSSAT-CERES-Maize模型在模拟辽宁地区不同水分胁迫条件下玉米生长发育和产量形成过程方面具有较好的适用性。