基于改进高斯混合模型的热工过程异常值检测

热工过程异常数据检测是进行系统建模、控制、优化的基础,也是数据处理的重要组成部分。提出一种基于改进高斯混合模型的无监督热工过程异常值检测算法,利用每一维高斯分量捕获一类特定工况数据集群,通过添加惩罚约束因子修正传统模型的后验概率密度,对误检、漏检项加以惩罚,并根据与集群的相关性差异实现异常数据的识别。仿真实验结果表明,模型在多种误差条件下均可准确定位异常数据位置,具有很强的泛化性能,同时相较于传统高斯混合模型,误检、漏检点的检测效果总体提升了37.8%和15%,反映出模型改进的有效性。

基于混合高斯模型的电费资金全过程监控系统

为提高电费资金数据监控的完整性,设计基于混合高斯模型的电费资金全过程监控系统。系统设计为三个层次,其中,支撑层是采集和集成电费信息及电费资金信息,存储至数据库;业务层是全面分析电费资金数据,发送至管理层;管理层是构建高斯混合自回归模型,实现电费资金全过程监控。测试结果表明:系统的电费资金数据存储的完整性均在0.95以上,资金沉淀率为0.5%左右。

基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用。由于短时交通流的时变性,传统预测模型效果较差。将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组。将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比。同时将新的学习算法与传统variational和LooCV学习算法比较。结果表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型。

从高斯过程到高斯过程混合模型:研究与展望

高斯过程(GP)模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合(MGP)模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。

基于混合高斯过程的多模型热力参数测量软仪表

为了解决工业过程中参数失效和优化运行中参数计算的问题,提出了一种新型软仪表,它是基于混合高斯模型,利用EM算法实现对混合模型中的参数估计。混合模型的使用既有利于降低单一高斯模型的计算负担,又能有效反映工业过程中的工况变化,判断出与特定工况相关程度最大的过程知识,利用它们建立与特定工况对应的局部模型,并将它们合并组成具有多模型结构的全局模型。作为示例,建立了测量火电厂烟气含氧量的软仪表。仿真结果表明,文中提出的方法能有效地实现工业过程参数的软测量,具有较大的实用价值。

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.

基于高斯混合过程的空间机器人任务空间预测控制方法

针对空间机器人的精准操控需求和任务空间控制问题,提出了一种基于高斯混合过程的模型预测控制方法。在建立的空间机器人标称模型基础上,考虑实际工作过程中由于关节摩擦、参数测量误差导致的建模误差,利用高斯混合过程对标称模型的不确定性进行精确、高效的分析和修正。其次,基于修正后的模型提出了非线性模型预测控制方法,在考虑实际物理约束,如关节限位、输入饱和等的情况下,实现了空间机器人基座和机械臂末端位姿对期望轨迹的直接精准跟踪。最后,考虑航天器在轨操控中的推力器冗余配置问题,设计了推力分配方案,并通过仿真结果校验了所设计控制方法的有效性。

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法(niMGP),并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其他传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。

基于高斯过程混合模型的国债收益率预测

债券分析的核心问题是发现偿还期限与到期收益率之间的关系,即利率期限结构,而实际上国债利率期限结构是最为重要和基本的模式。目前人们对于利率期限结构的分析主要采用经济理论模型和数量模型进行,但是这两种方法都难于对国债收益率进行有效的预测。基于高斯过程混合模型强大的数据拟合和分析能力,本文将其应用于国债收益率的建模和预测。本文采用国债收益率数据作为输出变量,筛选出对国债收益率影响最强的一组作用因子作为驱动或输入变量,然后利用高斯过程混合模型对数据进行学习和建模,并依此对国债收益率进行建模和分析。实验结果表明高斯过程混合模型能够更好的描述国债利率期限结构。相比于其他机器学习模型和算法,高斯过程混合模型在国债收益率的测试数据上获得了更好准确的预测结果。

基于高斯过程混合模型的时间序列预测算法研究

针对实时变化且不同时段差异大的时间序列,提出一种基于高斯过程混合模型的预测算法.该算法首先对时间序列进行预处理,并采用密度空间含噪聚类(DBSCAN)去除奇点.然后针对扩展迪基-福勒(ADF)检验结果将时间序列分为常数项、平稳和非平稳三类,最后基于高斯过程混合(GPM)模型对各类时间序列进行预测,并和差分自回归移动平均模型(ARIMA)、支持向量机(SVM)、高斯过程(GP)模型进行性能对比.以采购商品报价时间序列为例进行的预测结果表明:GP模型与GPM模型均能输出预测置信区间,给出预测结果的可信程度;GPM模型的优势是能够更精准刻画时间序列各时段差异,预测精度更高.

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R^2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R^2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。

高斯过程混合模型应用于网络流量预测研究

精准的网络流量预测可以避免网络崩溃,保证网络的流畅度。将高斯过程混合(GPM)模型应用于网络流量的多模态预测。对两段不同地区的网络流量序列进行多模态分析,将之通过归一化和相空间重构后生成样本集并输入GPM模型。采用分类迭代学习算法,利用后验概率最大化和似然函数实现模型参数学习。将GPM模型与支持向量机(SVM)、核回归(KR)、最小最大概率机回归(MPMR)和高斯过程(GP)等模型比较。通过对比均方根误差(RMSE)和决定系数(R^2)评价指标,GPM模型的预测准确度要优于其他四种模型。说明GPM模型能够很好应用于网络流量预测,可以为网络管理者分配网络资源提供参考。

混沌时间序列的高斯过程混合模型预测

高斯过程混合(Gaussian Processes Mixture,GPM)模型现有的学习算法如马尔科夫链蒙特卡洛法、变分法或留一法等,计算复杂度偏高,提出一种隐变量后验硬划分迭代学习算法,简化模型的学习过程,基于该算法将GPM模型用于混沌时间序列预测,并讨论嵌入维、时间延迟、学习样本和测试样本数目等参数对预测性能的影响。实验结果表明,GPM模型预测精度高于支持向量机(Support Vector Machine,SVM)、高斯过程(Gaussian Process,GP)和径向基(Radical Basis Function,RBF)网络,学习速度介于RBF网络、GP和SVM之间。

基于高斯过程混合模型的瓦斯安全状态分类研究

针对目前瓦斯浓度预测与瓦斯安全状态分类方法中主观性较强、超参数难以选取、解释性差、无法有效地利用样本之间时序信息等问题,本文提出了基于高斯过程混合模型的瓦斯浓度预测与安全状态分类方法。高斯过程是机器学习领域中解决非线性回归问题的典型方法,能够有效地利用数据之间的相关性,常用于时间序列的建模与预测。然而,单个高斯过程存在着一定的局限性,难以对非平稳、多模态的数据进行有效地建模和回归分析。在高斯过程的基础上引入其混合模型,则可增强模型的表达能力,能够对有复杂结构的数据进行建模。我们将瓦斯安全状态根据风险由高至低分成红橙黄蓝四个等级,在每个风险等级上瓦斯浓度数据采用单个高斯过程进行建模。由于一般瓦斯浓度数据包含着各个风险等级的数据,高斯过程混合模型则可用于对整体数据进行建模和回归分析。根据对数据的参数学习结果,高斯过程混合模型便可自适应地得到每个时刻对应的风险等级,并在预测瓦斯浓度时对各个高斯过程分量的预测进行加权,得到更为鲁棒的预测结果。实验结果表明,基于高斯过程混合模型的方法可有效地预测瓦斯浓度、评估安全状态。

基于狄利克雷过程高斯混合模型的变分推断

高斯混合模型(Gaussian Mixture Model,GMM)无法通过观测数据来自动选择适当数量的混合物分量,故无法准确描述数据。因此,将狄利克雷过程先验与GMM相结合,并运用变分贝叶斯推断方法来解决GMM模型的参数估计和模型选择问题,提出一种变分贝叶斯算法。首先,假设混合物分量个数是无限的,并根据观测数据自动确认;然后,给出变分推断的完整过程,并在此基础上提出变分贝叶斯推理算法,解决了参数估计和模型选择问题;最后,在合成数据集上进行仿真实验,实验结果表明,提出的算法收敛速度快,准确率达90%。

基于狄里克莱过程混合高斯模型的信号分选

提出了一种基于狄里克莱(Dirichlet)过程混合高斯模型的雷达辐射源信号分选方法。通过将Dirichlet过程与高斯模型相结合,得到的Dirichlet过程混合高斯模型可以自动学习混合高斯分量的数目。将该模型应用于雷达辐射源信号分选,可以自动确定电磁环境中雷达辐射源的数目。仿真实验结果证实了该方法在雷达辐射源信号分选中的有效性。

基于稀疏自编码器和高斯混合模型的手写数据集分类

深度学习模型训练需要大量的有标签数据进行训练,现实生活中数据大多没有标签,需要进行人工标注,对于小样本的训练存在过拟合现象,针对此问题,本文提出一种算法:首先采用稀疏编码器对数据进行降维处理,然后利用T-SNE算法继续将数据维度降低到二维空间,最后采用高斯混合模型对数据进行聚类分析。该算法采用无监督斱法,不需要预先对数据进行标签化。该算法对数据过拟合具有一定的泛化能力,在手写数据集的训练集取得0.89205的准确度,在测试集中取得0.896的精度。该算法为小样本的学习提供了新思路。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

基于高斯混合模型的火焰检测算法

火灾作为对社会和环境危害最大的灾难,一直是人们重点防范的对象。但目前现有的火灾预警系统都存在误报率过高的问题。因此,文中提出了一种基于火焰闪烁动力学的火焰检测框架。在该框架中,火焰颜色分布模型采用高斯混合模型。此外,采用概率显著性分析方法和一维小波变换提取运动显著性和滤波后的时间序列作为特征,描述火焰的动态特性和闪烁特性。通过实验证明了提出的方法对比现有方法具有较好的精确度,能够获得95%以上的精度,并且具有较低的误报率,满足实际需求。

一种基于混合策略的自适应多输出高斯过程响应面法

针对工程结构数值模拟常常是矢量与函数（矢量函数）混合输出的特点,提出一种基于混合策略的含索引变量的矢量高斯过程响应面法,同时提出一种设计点自适应加密方法进一步提高效率。算例显示：本文方法能够优先拾取预测误差最大的点作为加密点;真实误差全部都落在最大可能误差范围之内,最大误差1.4%~1.6%远小于预设误差限5%,验证了本文方法的有效性。