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.

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。

基于AAR模型的听觉诱发中潜伏期反应特征提取

针对听觉刺激诱发的脑干中潜伏期反应(MLR)信号的非平稳特性,采取计算其自适应自回归(AAR)模型系数的方法进行特征提取,实现不同注意状态的分类。首先对采集的MLR数据进行去噪预处理,然后结合相对误差方差(REV)准则分别进行卡尔曼滤波和最小均方误差自适应算法估计其AAR模型参数。利用支持向量机对两种估计方法的特征参数分别进行分类。最后根据最大互信息和分类结果进行比较,最小均方误差自适应算法估计AAR模型系数的分类正确率达到77.45%,最大互信息值为0.3011,其效果优于卡尔曼滤波算法。