二次损失下任意秩有限总体中的线性Minimax预测

本文对通常的二次损失作了适当的修改,在此基础上研究了一个预测在齐次线性预测函数类中的极大极小性。得到了任意秩有限总体中线性可预测变量的唯一线性Minimax预测(有关唯一性在几乎处处意义下理解)。

矩阵损失下有限总体中的局部线性Minimax预测

该文在矩阵损失下研究线性预测函数的局部极大极小性．在适当的假设下，得到了任意秩有限总体中的可预测变量的唯一的局部线性Ｍｉｎｉｍａｘ预测．（有关唯一性在几乎处处意义下理解）．

椭球约束有限总体的线性Minimax预测（英文）

在矩阵损失下,本文研究了椭球约束有限总体的预测问题.首先,在齐次线性预测类中获得了有限总体回归系数的线性Minimax预测;其次证明了该线性Minimax预测在齐次线性预测类中是可容许的;最后给出了模拟研究和实例分析对我们的结论进行说明.

矩阵损失下有限总体中的局部条件线性Minimax预测及唯一性

对于任意秩有限总体,在矩阵损失下,有关文献给出了线性预测函数的局部极大极小性。考虑带线性等式约束的线性模型y=Xβ+eHβ=0E(e)=0Cov(e)=σ2V。本文将在适当的假设下,得到线性可预测函数在一切预测类中任意秩有限总体的条件可预测变量的唯一局部条件线性Minimax预测(唯一性在几乎处处意义下理解)。

基于反馈线性化的广义预测控制机械臂轨迹跟踪算法

分析了机械臂轨迹跟踪控制问题的特点,建立了二自由度机械臂动力学模型。为解决广义预测控制(generalized predictive control,GPC)算法难以适用于非线性系统的问题,在现有的GPC算法基础上,设计了基于反馈线性化的广义预测控制(feedback linearization-generalized predictive control,FL-GPC)算法框架,即底层为线性系统预测控制,非线性项使用预估值来进行代替,高层为迭代修正预估量,使用迭代计算的方式对非线性项进行预估。使用FL-GPC算法对二自由度机械臂的静态、动态轨迹跟踪任务进行了仿真。仿真结果表明,算法可以进行有效的机械臂轨迹跟踪控制。

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

约束非线性系统理想点多目标安全预测控制

考虑具有状态和控制约束的仿射非线性系统多目标安全控制问题,本文提出一种保证安全和稳定的多目标安全模型预测控制(MOSMPC)策略.首先通过理想点逼近方法解决多个控制目标的冲突问题.其次,利用控制李雅普诺夫障碍函数(CLBF)参数化局部控制律,并确定系统不安全域.在此基础上,构造非线性系统的参数化双模控制器,减少在线求解模型预测控制(MPC)优化问题的计算量.进一步,应用双模控制原理和CLBF约束,建立MOSMPC策略的递推可行性和闭环系统的渐近稳定性,并保证闭环系统状态避开不安全域.最后,以加热系统的多目标控制为例,验证了本文策略的有效性.

基于贝叶斯线性回归的造价预测模型

为在项目前期准确快速地预测高速公路造价,运用贝叶斯线性回归方程对造价进行预测。首先,识别高速公路造价影响因素,建立造价预测指标体系;其次,对收集的高速公路造价数据统一处理后,基于贝叶斯线性回归方程建立造价预测模型,并与BP神经网络预测模型进行预测效果对比;最后,利用Matlab进行仿真训练和预测。结果表明:相较于BP神经网络模型,贝叶斯线性回归模型具有更高的预测精度和稳定性,其预测值误差控制在5%以内,MAPE为2.29%,决定系数为0.925,可见贝叶斯回归模型的拟合度高、预测效果好,具有良好的可行性和适用性,可以应用于高速公路项目的造价预测。

基于“灰色+非线性回归”的煤矿死亡人数预测

为探究我国煤矿现阶段安全管理水平,从煤矿近年死亡人数为切入点,分析灰色模型[Gray Model, GM(1,1)]、回归模型在煤矿事故的预测效果,进而建立“灰色+回归”模型。首先,建立灰色模型,利用后残差比值、小概率误差验证灰色模型的预测等级为“好”,满足改进要求;其次,对回归模型进行线性拟合,建立“灰色+回归”预测模型,并对3类模型的预测准确性进行评估;最后,利用“灰色+非线性回归”模型预测2023年煤矿死亡人数。结果显示:以2021—2022年数据为基准,“灰色+非线性回归”预测相对误差依次为4.5%和1.3%,预测结果接近实际值,适用于短中期预测;经分析,“灰色+非线性回归”对煤矿死亡人数预测具有较高的研究价值。2023年煤矿死亡人数控制在123~136人,煤矿死亡人数呈下降趋势。

基于非线性目标函数的时间卷积网络RUL预测

机械设备剩余使用寿命(RUL)预测是系统维护策略的重要组成部分。在建立深度学习预测方法的目标函数的过程中,退化模型通常以分段线性函数的形式建立,异常值对预测结果的影响很容易被放大。提出了一种基于分段非线性退化的时间卷积网络回归模型。非线性函数能较好地描述传感器的退化趋势,减少线性模型预测引起的系统偏差。在美国航天局公布的涡扇发动机(C-MAPSS)数据集上验证了该模型的有效性,实验表明该模型比目标函数为分段线性函数的模型具有更低的误差,优于现有的一些预测方法。

基于地震波形特征全局寻优的非线性地震反演砂体预测技术研究及应用

针对窄小河道含油砂体预测难、垂向分辨率和平面分辨率不能兼得的问题,形成了基于地震波形特征的全局寻优的非线性地震反演砂体预测技术,该技术能够充分利用非线性地震反演提高了纵向分辨率高,同时基于地震基于波形特征反演技术又提高了横向分辨率;利用该地震反演技术河道砂体预测精度由过去的76.3%提高到83%,取得了较好的效果,该技术对窄小河道砂体的精细预测具有较好的指导意义。

基于最小二乘法线性回归的火炮身管寿命预测

为直观地判断火炮身管寿命,提出一种基于最小二乘法线性回归的预测方法。根据靶场身管参数试验数据分析火炮身管内径、药室长、弯曲度随射弹数增加的变化规律;利用最小二乘法线性回归建立火炮身管磨损量与射弹数的关系式;对某型火炮身管寿命进行预测。结果表明:该方法能够较为准确地预测出火炮身管寿命且算法简单,便于推广使用,可为火炮射击、退役报废等提供重要参考。

猪胴体重在线分级预测线性回归模型研究

[目的]针对国内大多数屠宰企业仍通过人工测量猪胴体背膘厚度,再结合胴体重对其进行分级,存在劳动强度大、作业效率低、人畜交叉污染风险高等问题,本文旨在建立猪胴体重预测模型,以便利用图像处理等技术获取模型中的相关参数,进而获得胴体重。[方法]在14:00—15:00、15:20—16:20、16:30—17:30三个时段内,随机选取按照标准化工艺屠宰后15 min左右、胴体重50~90 kg的猪胴体60头,在完成各试样前腿处横长(L_(f))、1/2处横长(L_( 1/2))、后腿处横长(L_(r))、1/2处背膘厚度(t_(1/2))、胴体直长(L_(t))及胴体重(w)等参数测定的基础上,建立不同的胴体重预测模型并进行优化及准确率验证。[结果]采用横长加权均值(L_(e))代替背膘厚度,与直长建立的胴体重预测模型为w=4.05L_(e)+0.45 L_(t)-116.32,其决定系数由0.48提高到0.96(P=0.01),预测准确率最高达94.16%。[结论]采用横长加权均值减小了误差,建立的猪胴体重预测模型准确性较其他模型高。

基于多项式回归与线性插值的全场纳米谱学成像背景序列预测

全场纳米谱学成像(TXM-XANES)是将透射X射线显微镜(Transmission X-ray Microscope,TXM)与X射线近边吸收结构(X-ray Absorption Near Edge Structural,XANES)有机结合的成像方法,通过测量感兴趣元素K边前后多个能量点的TXM图像,无损获得样品内部纳米尺度化学元素价态分布,已应用于能源材料、生物医学和地球科学等多个学科领域。常规TXM-XANES数据需要采集每个能量点下的图像和背景图像,数据量大,采集时间长,由于纳米尺度下机械结构的不稳定和样品的移动都会对TXM-XANES数据分析产生一定的影响。基于已知数据,利用机器学习的算法建立了多项式回归与线性插值运算模型,实现了仅通过两张谱学背景图像完成背景图像序列预测建模。利用该方法对标准样品及锂电池正极材料进行谱学成像分析,结果表明:相对于常规TXM-XANES方法,该方法具有数据量少、采集时间短等优势,可显著提升TXM-XANES的实验效率。

基于多源遥感卫星数据的青海东昆仑沟里地区线性构造识别及找矿预测

沟里地区是青海东昆仑金及多金属成矿带重要组成部分之一,矿产资源丰富,具有良好的找矿前景,目前区内尚无大面积基于多源遥感卫星数据的线性构造识别及找矿应用方面的研究。选取Landsat8 OLI、GF-2不同空间分辨率遥感数据,运用最佳波段选择、主成分分析、图像融合、线性拉伸、定向滤波等遥感图像处理技术,结合DEM衍生产品和多元地学信息综合研究方法,实现了沟里地区线性构造识别和找矿预测。结果表明:(1)研究区构造格架以卡可特尔-色日德一线为界,可分为南部、北部2个区域,北部区域线性构造以NNE向最为发育,近EW向次之,NW、NE向分布较少,南部区域受昆中断裂带控制作用,线性构造主要发育近EW向和少量NW向、NE向;(2)已知矿床(点)全部位于线性构造内及其附近,构造控矿作用明显;(3)线性构造密集分布和交汇处以及遥感影像上不同色调连接区是寻找金矿化的有利地区。最后根据多元地学信息与遥感解译构造信息综合对比分析,在研究区圈定找矿靶区4处并进行了野外验证。研究结果表明,基于多源遥感卫星数据能够较好地识别地表构造空间结构特征,结果较为客观和准确,能够为该地区和外围找矿预测提供参考和依据。

应用非线性KNN数据搜索的三维叠前自由表面多次波预测

自由表面多次波预测(SRMP)是自由表面多次波消除(SRME)以及成像的重要环节。SRME技术尽管有效,但理论上需要规则而密集的地震数据采集方式。然而实际炮点、检波点空间分布稀疏,地震数据不能满足SRME理论要求,常规的做法是在SRME之前将地震数据规则化。为了避免数据规则化环节,首先建立索引数据树管理三维叠前地震数据,并采用基于树形数据结构的非线性K近邻算法(KNN)从地震数据中实时搜索两道近似地震数据;然后利用动校—反动校消除实时搜索得到的近似地震道与实际地震道之间的旅行时误差;由以上两步获得单道孔径内任意向下反射点(DRP)所需要的两道地震数据用于SRMP。单道孔径内任意DRP均可由SRMP预测对应的多次波模型道,叠加所有DRP对应的预测结果可获得该道稳定的多次波模型数据。将该方法用于扩展的三维Pluto模型数据,结果表明该方法能有效预测三维自由表面多次波,从而保证高质量的自由表面多次波衰减结果。实际地震数据的应用证明了方法的实用性。

基于非线性定向降维的k近邻致密砂岩储层含气性预测方法

本文提出利用全连接人工神经网络(FANN)进行非线性定向降维并结合k近邻方法分类的致密砂岩储层含气性预测方法。k近邻方法能够依据样本间相似性,针对性地选取对应的部分训练样本建立局部模型,但缺乏含气敏感属性的提取能力,并面临“维度灾难”问题。由于样本中的含气性特征虽然是重要特征,但不一定是主要特征。线性降维方法难以准确提取这些特征。我们通过训练一个合理搭建的FANN并输出其中间低维特征实现对训练样本和待预测样本的非线性定向降维。这种做法既能够增加样本的可分性,同时避免了通过样本低维空间中的最大差异实现降维而改变样本固有分布特征的问题。另外,k近邻方法对降维数据进行分类,还等效于用k近邻方法替代FANN中具有线性分类作用的深层结构,有利于白化FANN的黑箱问题。本方法在具体的物理场景中挖掘机器学习算法的物理内涵,提高了智能方法的可解释性。将本方法应用在实际数据中,预测结果显示本方法能够一定程度上挖掘局部波形属性中蕴含的含气敏感信息,实现小范围的致密砂岩储层精确刻画。

改进变值逻辑与线性预测在心音分类中的应用

心音对于评价心脏健康状况具有重要作用.文章介绍了一种新的基于变值逻辑与线性预测倒谱系数融合特征的先心病分类算法,有助于提取心音中的深度病理特征.算法首先对心音进行降噪、包络提取;然后进行变值逻辑运算、标记并转换为可分析的测度数据,并计算信号的线性预测倒谱系数进行特征融合;最后使用随机森林,XGBOOST和LIGHTGBM机器学习分类器进行先心病二分类.研究所用心音样本共4000例,测试结果对正常和异常心音分类的平均准确率为0.9138.算法无需对心音进行心动周期分割,大大简化了分析流程,可望用于先心病的筛查.

基于最佳线性无偏预测的精密单点定位方法

卫星导航定位中,卡尔曼滤波是快速处理海量观测数据,精确解算位置坐标的常用方法。为解决实际定位解算时需要计算部分参数的近似值作为先验信息的问题,引入最佳线性无偏预测理论对无先验信息的参数初值进行估计并使用其残差方差代替未知的先验方差参与计算。在静态和动态情形下进行了非差非组合精密单点定位实验并与传统滤波方法进行对比。算例结果表明,基于最佳线性无偏预测的精密单点定位算法可以对无先验信息的参数估计初值和方差信息,且定位精度与卡尔曼滤波一致。

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。