基于线性回归算法的煤仓存煤量数据纠偏方法

煤仓是用于煤炭储存、调节运输环节矛盾的重要结构物,是连接煤炭生产、销售和装车外运之间的桥梁,是一体化综合运营智能调度和联动分析的核心指标。由于煤仓的使用年限、挂壁煤和传感器异常等因素使得煤仓自动采集的存煤量与实际的煤量之间存在一定误差,煤仓内的存煤量依赖经验值和定期组织吊仓来确定煤仓存煤量,耗时耗力且无法做到实时调整存煤量,严重制约了煤炭单位一体化联动分析,限制了煤炭经验生产分析。针对上述问题,选用线性回归算法对不同煤仓的输入值进行训练,对系统中煤仓存煤量值进行自动调整,系统将煤仓采集量模型进行自动纠偏,并在一体化联动中实时展示煤仓存煤量,研究结果误差不超过±10%,可提高煤炭一体联动中煤仓数据的准确性。

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R2C)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R2P)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。

线性回归算法提取脉搏血氧特征值初步验证

目的:准确提取脉搏血氧信号特征值R是计算脉搏血氧饱和度的关键。传统的R值提取算法大多采用脉搏波的峰谷值法,需要多个周期的平均来提高精度,存在移动步长难以确定、实时性差等缺点。本文提出一种动态实时的R值提取算法。方法:基于近红外光谱技术(Near infrared spectroscopy,NIRS)的测量原理,建立了红外光(IR)和红光(RD)两束透射光强信号的线性回归模型,并确定回归系数b与特征值R之间的定量关系。以纯数字医用放大器为实验平台,搭建了光源驱动电路和光电检测电路,采集的光电容积脉搏波(Photoplethysmography,PPG)信号由蓝牙USB接口传输至计算机,然后进行线性相关性分析及提取算法验证。结果:分析发现IR和RD两束透射光强信号之间具有很强的相关性(r>0.9),运用线性回归法提取的特征值R可以准确的反映正常血氧饱和度值以及在主动闭气过程中血氧饱和度的下降过程。结论:初步验证结果表明,线性回归算法可以有效的进行脉搏血氧信号特征值的动态估算。

基于多元线性回归算法预测上网清算电价建模的理论研究

针对电力市场环境中发电企业对上网清算电价预测准确度提出的新要求,分析了上网清算电价的影响因素,明确了历史清算电价信息、负荷信息、输电阻塞及市场力等因素对清算电价的影响,提出了利用多元线性回归算法进行上网清算电价预测的模型和算法。

多元线性回归算法的研究和应用

研究多元线性回归算法,利用相关系数分析,筛选与预测结果密切相关的影响因素作为自变量,建立多元线性回归方程,并进行误差分析。收集有关的宏观经济数据和企业内部数据,通过回归方程预测下一年度的利润总额,为企业的管理和工作计划制定提供可靠的理论依据。

基于多元线性回归算法的5G基站能耗模型

5G基站能耗高,对运营商的网络运营成本带来较大的压力。优化了5G基站能耗测试方法和业务加载方法,获取了大量现网5G基站能耗和无线利用率关系的实测基础数据。基于多元线性回归算法,构建了不同场景下的5G基站能耗模型,能耗模型拟合优度达到0.99以上。

多井试井中非线性回归算法的改进

多井试井的非线性回归分析方法通常采用无约束极值的Gauss Newton迭代公式 ,该方法存在着迭代速度缓慢、计算过程不稳定 ,甚至无法迭代的缺陷。为此提出了改进的MG回归算法 ,该算法比Gauss Newton方法优越 。

基于Haar小波分析改进的多元线性回归算法在MBR中的应用

用MBR系统进行污水处理时,经常会遇到有大量的污泥被截留在膜表面的现象,该现象会造成膜污染,影响MBR系统处理污水的效果,因此我们需要解决的问题就是如何预测MBR系统中的污泥量以便及时清理污泥。为了解决该问题,本文利用基于Haar小波分析改进的多元线性回归算法对MBR系统中的污泥表观产率系数进行预测。通过实验,我们将预测结果与实际系统结果做对比,发现该算法达到了能够准确预测污泥表观产率系数的预期效果,解决了预测MBR系统中污泥量的问题,对提高MBR系统处理污水效果具有一定的价值。

基于伪线性回归算法的自适应滤波算法

为抑制谐振接地系统对地电容中的工频信号和其它谐波成分,提出了一种基于伪线性回归算法的自适应滤波算法。该算法以经平滑滤波后的信号输出误差为代价函数调整滤波器系数,当滤波器输入信号变化时可保持最佳输出信号,在一定程度上补偿了滤波器元件参数变化带来的运算误差。仿真结果表明,与其它自适应算法相比,该算法收敛速度快且失调率低,基于该算法的滤波器结构简单、测量误差较低、可靠性较高。

中值滤波分析改进的多元线性回归算法对MBR污泥龄的计算

用MBR系统进行污水处理时,经常会遇到有大量的污泥被截留在膜表面的现象,该现象会造成膜污染, 影响MBR系统处理污水的效果。研究发现,通过预测MBR系统的污泥龄,可以使工作人员及时采取相应措施来控制膜污染,以此来达到减缓膜污染的目的。为了解决该问题,本文首先利用多元线性回归算法对MBR系统中的污泥龄进行预测,但是误差稍大。然后采用中值滤波分析改进的多元线性回归算法预测污泥龄,预测结果表明,改进后的算法更准确,与实际值误差更小,解决了准确预测污泥龄的问题,对提高MBR系统处理污水效果具有一定的参考价值。

基于线性回归算法的森林火灾预测研究

众所周知,森林火灾是一种突发性强、破坏性大、处置救助较为困难的自然灾害,近年来随着森林火灾的不断发生,森林面积逐渐减小,水土流失和泥石流等自然灾害的频繁发生,因此预防森林火灾事关森林资源和生态安全,事关人民群众生命财产安全。针对这个问题,本研究通过已收集到的森林火灾数据集构建线性回归机器学习模型,对森林火灾的发生及受灾面积进行分析预测。人工智能与机器学习的引入,可显著增加火灾预测的准确性和即时性。

基于多元非线性回归算法的动车组变压器温度预测研究

对动车组状态参数进行预测是实现动车组数字化精准维修的重要前提之一。目前对动车组数据的利用方式主要以定量观测和定性分析为主,缺乏准确的状态预测量。为此,文章提出了一种基于多元非线性回归的预测算法,通过建立变压器温度预测模型,实现了变压器温度值的次日预测,并以此指导由温度导向的变压器日常运维项目。通过对比CRH5A型动车组车载数据中变压器温度原始数据和预测模型数据,结果显示采用该模型变压器温度预测精度达到95%以上,验证了所提方法的有效性,其对提高列车检修效率、节支降耗有着重要的作用。

基于线性回归算法的钻井泥浆漏失预警研究

针对油田钻井过程中泥浆漏失预警难的问题,利用大数据技术,对钻井泥浆池历史数据进行分析,研究总结其变化的主要特征规律。采用线性回归算法,实现关键阶段分析计算及建立泥浆漏失预警模型的理论方法,可以简单快捷地投入应用,满足泥浆漏失预警的现场需求。

面向用户兴趣特征提取的大数据线性回归推荐算法

在时间变量扰动下,现有用户兴趣特征推荐算法会出现阶段性、小范围计算偏差,降低算法可信度,为此提出面向用户兴趣特征提取的大数据线性回归推荐算法。在大数据参量配合下,计算面向用户兴趣特征的矩阵,提取用户兴趣特征,在此基础上分析提取到的特征数据推荐活跃量,完成推荐算法的量化。实验结果表明,经过量化后的算法用户推荐特征计算误差明显减小,整体推荐结果的可信度大幅度提升。

基于非线性核脊回归算法的海洋微生物发酵参数软测量

针对海洋微生物溶菌酶发酵工艺中参数实时测量,采用根据发酵过程中主辅变量关系的相关灵敏度矩阵绝对值最大元素排序选择辅助变量,运用非线性核脊回归(NKRR)算法预测主导参数的软测量方法。相关灵敏度矩阵反映主辅变量联系,根据发酵实际实验得到。改进直接优化的非线性核脊回归算法辨识发酵非线性系统,将空间Rn中主导变量和辅助变量非线性函数映射关系转化为空间H中的线性划分,运用M ercer条件的核函数求解回归方程,避免直接计算变量映射函数及其内积。通过仿真研究和比对SVM、径向基神经网络(RBFNN)两种算法的实际运行结果表明,该软测量方法具有较好的泛化性能,实时性和准确性可以满足要求。

基于多元线性回归算法的风电变桨电机温度预警方法

针对当前风电变桨电机温度预警过程中存在温度偏差大、预警响应时间长,影响其精度和时效性的问题,引入多元线性回归算法,开展对风电变桨电机温度预警方法设计研究。通过风电变桨电机温度状态监测数据采集与处理,风电变桨电机温度预警模型特征选择,基于多元线性回归算法的温度预警模型构建,温度异常趋势描述与预警响应,提出一种全新的预警方法。通过对比实验的方式证明,新的预警方法与基于自适应阈值的预警方法相比,温度偏差得到明显控制,并且预警响应时间更短,预警结果具备更高时效性。

基于多元线性回归及BP神经算法的电网事故事件原因追溯方法研究

本文通过运用多元线性回归及BP神经算法,对事故规律进行研究,对事故事件产生的原因进行追踪回溯,为定位问题原因提供辅助,为安全事故定性定级做数据支撑,为安全事故后续处置方案提供参考依据,防止和减少电力事故的发生,不断提高电力安全监督和管理水平。

基于快速局域线性回归的IRAS/FY-3B大气温湿廓线反演

提出一种快速的局域线性回归(Fast Locally Linear Regression,FLLR)算法,用于从搭载在风云三号B星(FY-3B)上的红外大气探测仪(IRAS)红外观测数据反演大气温湿廓线。算法所需的观测样本为IRAS/FY-3BL1数据红外观测值与AIRX2RET V5产品的时空匹配数据,以2011年为例,在180°W^180°E、60°N^60°S的研究区域内按照观测时间绝对差小于15min和观测角度绝对差小于2°的条件获取观测样本,并对样本进行了评价。在匹配观测样本的基础上比较分析了FLLR算法与LLR算法、D矩阵算法和非线性的神经网络算法,然后采用FLLR算法从IRAS/FY-3BL1数据反演得到2011年全年的大气温湿廓线,并外推反演得到2012年第1季度的大气温湿廓线。最后,利用相应的ECMWF再分析数据和RAOB探空观测对2011年的反演结果进行了精度验证,采用AIRX2RET V5产品对2012年第1季度的外推反演结果进行了验证。结果显示:与D矩阵算法相比,FLLR算法反演大气温度和湿度廓线的均方根误差分别减小~0.8K和~0.5g/kg,其精度与非线性的神经网络算法相当;相对于ECMWF再分析数据,本文大气温度和湿度廓线反演结果的均方根误差分别小于2.5K和2.3g/kg;而相对于RAOB数据,其均方根误差分别小于3.5K和2.0g/kg;2012年第一季度外推反演结果的均方根误差分别小于2.5K和1.6g/kg,与算法精度基本一致。IRAS/FY-3B大气温湿廓线的反演精度与MOD07V5大气廓线产品相当。

从串糖葫芦游戏到线性回归

用梯度下降的方法来实现线性回归,是一种很经典的机器学习算法。然而,在基础教育阶段,由于受学生自身数学水平和信息技术水平的限制,他们对这种算法的基本原理以及实现回归过程的程序代码的学习和理解,难度还是比较大的。笔者曾经浏览过不少线性回归方面的资料,发现学习路径颇为陡峭。本篇文章试着从一个小游戏入手,一边玩一边想,逐层铺垫,缓慢进阶,希望能让学习者避免迷失在诸多概念名词和繁杂程序代码之中,真正体验到线性回归算法的精髓。

基于非线性Boosting回归的多视角人脸配准

人脸配准可以作为表情分析、人脸识别等人脸相关研究的预处理步骤,是人脸相关的计算机视觉研究的关键问题.本文针对图像中水平视角在正负45o内的人脸配准问题,利用基于Haar特征的非线性Boosting回归算法,根据标定点邻域内的局部纹理预测标定点的位移,提出了一种新的基于经典活动形状模型(Activeshape model,ASM)的实时多视角人脸配准算法.在两个数据集合上的测试实验表明,该算法在速度、准确度和稳定性上都比经典的ASM算法有显著提高且优于近期的改进算法,具有明显的实用价值.