一种贝叶斯证据框架下支持向量机建模方法的研究

研究贝叶斯证据框架下标准支持向量机和最小二乘支持向量机的估计算法和建模方法 ,给出一种高斯核支持向量机估计算法的参数选择和调整方法 .将贝叶斯证据框架下支持向量机的建模方法应用于非线性系统的辨识 ,仿真结果表明 。

基于贝叶斯证据框架的支持向量机负荷建模

负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的三个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。

贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模

最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸(purifiedterephthalicacid,PTA)生产过程中的关键指标对羧基苯甲醛(4carboxybenzaldhyde,4CBA)含量的预测中,能很好地跟踪4CBA含量的变化趋势,泛化能力较强,为4CBA含量的实时预测提供了很好的解决方案.

贝叶斯证据框架下LS-SVM的BPMSM磁链建模

针对常规解析法建立无轴承永磁同步电机(BPMSM)磁链模型的局限性,提出一种贝叶斯证据框架下最小二乘支持向量机(LS-SVM)的BPMSM磁链建模方法.对BPMSM磁链的非线性建模进行简单分析,在介绍LS-SVM回归理论和贝叶斯证据框架基本思想的基础上,通过贝叶斯证据框架推断准则1确定模型的权向量w,通过贝叶斯证据框架推断准则2确定模型的正则化参数γ,通过贝叶斯证据框架推断准则3确定模型的核参数σ,进而建立基于贝叶斯证据框架下LS-SVM的BPMSM磁链模型.在Matlab7.0环境下进行仿真研究.仿真结果表明,贝叶斯证据框架下LS-SVM的磁链模型具有拟合精度高、泛化能力强、结构灵活、计算速度快等特点.

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果。

基于证据框架的模糊超球面支持向量机超参数优化

模糊超球面支持向量机(FHS-SVM)在处理一类分类问题时比超平面支持向量机泛化能力更强,特别是在雷达目标检测中得到了成功应用.FHS-SVM训练时需要预设一些超参数,不同的超参数得到的FHS-SVM性能差异很大.文中首先证明了FHS-SVM训练过程与证据框架第一层贝叶斯推理的等价性,然后在证据框架下提出了FHS-SVM超参数优化迭代方法.基于超宽带合成孔径雷达探雷数据,通过与穷举方法结果的对比检验了迭代优化方法的有效性.

贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法

针对当前软件老化的检测、分析和软件再生的不确定性问题,提出了一种基于贝叶斯证据框架的最小二乘支持向量机(LS-SVM)的软件老化检测方法,即:使用最小二乘支持向量机分类器进行数据分类,以此解决数据采集时出现的小样本、高纬度,非线性、局部最小值等问题;通过贝叶斯证据框架来优化LS-SVM的超参数,从而提高分类器的学习精度和泛化能力。实验结果表明,在状态清晰区间,软件老化的概率均在0.7至0.9之间,而高维模型检测出的软件老化的概率为0或1。如果从概率粒度层来描述软件老化,则软件再生的时间点选取效率更高,根据概率值的变化可进一步解析软件老化的不确定性。实验结果及分析显示,概率粒度所描述的软件健康状态更符合软件老化的客观状况。

贝叶斯证据框架下的支持向量机及其在陀螺漂移预测中的应用

将贝叶斯证据框架引入到标准支持向量机中去,研究了贝叶斯证据框架下标准支持向量机的参数调整方法,并具体研究了高斯核情况下参数的调整.利用获得的结论对陀螺漂移数据进行了预测.结果表明,该方法为参数的选取提供了一个统一的框架,克服了在样本改变的情况下标准回归支撑矢量机方法中某些参数只能凭经验通过交叉验证的方法进行频繁的手动调整的不足,且具有较高的精度.

证据框架与自由能框架

在指出证据框架和自由能最小化方法等贝叶斯推理方法的局限性的前提下,通过对比证据框架的方法,提出了自由能框架的概念,将通常难以求解的自由能最小化过程分解成参数自由能最小化、超参数自由能最小化、模型参数自由能最小化等层次,在每个层次上调节参数、超参数和模型参数,使其后验分布与其真实分布之间的Kullback Leibler距最小,以使可变自由能逼近真实自由能.同时,保持其他层次上的参数、超参数和模型参数固定不变,以简化贝叶斯前馈神经网络的参数估计.应用自由能框架,对通常较难求解的贝叶斯支持向量回归机器的参数与超参数进行估计,推导出相应的计算公式,并验证了该方法的可行性与有效性.

基于贝叶斯证据框架下SVM的油层识别模型研究

支持向量机(support vector machine,SVM)方法在石油测井领域的油层识别中取得了很好的应用效果,但SVM方法的识别效果受到惩罚参数和核参数的影响,不同的参数组合直接影响识别精度的优劣。为了在油层识别中获得更好的识别效果,提出一种基于贝叶斯证据框架下SVM的油层识别模型,即根据测井数据的训练样本信息,采用贝叶斯证据框架的理论求解惩罚参数以及核参数,再通过所求得的决策函数对测井数据的测试样本进行识别。实际测井数据实验表明,基于贝叶斯证据框架下SVM的油层识别模型的油层识别效果得到提高,优于传统SVM方法和基于粒子群优化算法(particle swarm optimization,PSO)的SVM方法。

对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究

本文提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对一固定预测区电网中期负荷进行了预测,结果证明了该方法具有良好的预测效果。

基于贝叶斯证据框架下支持向量机建模的迭代优化控制(英文)

在纸，一个反复的方法被介绍给批进程的最佳的控制。通常为一个批过程获得一个精确机械学的模型是很困难的。因为支持向量机器为小样品，非线性，高尺寸和本地最小描绘的问题是强大的，支持向量回归模型为端点性质被要求的批过程的最佳的控制被开发。模型参数在贝叶斯的证据框架以内被选择。基于模型，一个反复的方法被用来利用批过程的重复性质决定最佳的操作政策。数字模拟证明反复的最佳的控制能通过重复改进进程性能。

不完备识别框架下的证据组合方法

证据理论应用中经常面临识别框架不完备问题。本文引入证据框架概念,把识别框架分为已知和未知两个部分,提出一种在识别框架不完备条件下表示和组合证据的开放识别框架方法。该方法能明确区分“识别框架不完备”与“证据冲突”两个不同概念,并合理解决了对未知命题集合的基本概率赋值问题,从而克服了D-S理论以及Smets的“开放世界假设”方法在处理不完备识别框架时存在的不足。

基于两维识别框架的证据分组合成研究

基本可信度数值之间的关系有时不能反映证据之间实际的联系,仅仅依靠这种数值关系来修正证据可能会出现不符实际的结论,同时也会降低合成结果的可解释性。针对该问题,面向具体决策问题提出了一种基于证据源特征的证据分组合成的方法:在经典证据框架的基础上增加了反映证据源特征的第二维信息框架,并基于第二维框架确定证据分组标准和证据修正系数,利用不同的合成规则对证据组内部和外部的信度进行修正和合成。最后,以证券市场上多位证券分析师预测信息融合的实际算例,验证了该方法的科学性和合理性。

“证据与价值对决策的影响”框架在知证决策中应用的方法学

探讨“证据与价值对决策的影响”(evidence and value:impact on decision-making,EVIDEM)框架在知证决策中的应用。经过文献检索和筛选,共纳入22篇文献进行分析。EVIDEM框架已被用于医疗保险报销、临床决策和卫生政策制定等领域。该框架由规范化的通用准则和情境化准则组成。在通用准则中,最常提及的是相对有效性、疾病严重程度、相对安全性/耐受性与证据的质量。在情境化准则中,最常提及的是优先重点人群和可及性、卫生系统能力和技术的合理使用。EVIDEM框架能够为系统化和更科学、透明的知证决策提供方法学支撑。

基于小波变换和贝叶斯证据推断框架下的LS-SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机(LS-SVM)回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1 h的预测,预测的平均绝对百分比误差为7.63%,提高了预测精度。预测结果表明:基于贝叶斯证据推断框架下的LS-SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。

贝叶斯框架支持向量机的模拟电路故障诊断(英文)

基于贝叶斯证据框架下的最小二乘小波支持向量机,设计了一种新型模拟电路故障诊断方法。将贝叶斯证据框架应用于多类LS-WSVM分类器来选取正规化参数和核参数,并采用小波提升变换对从测试点得到的各种故障状态下输出电压信号进行分解获取多尺度的小波系数,对经处理的小波系数提取出故障特征量,以此作为样本训练多类LS-WSVM分类器来确定模拟电路故障诊断的模型。采用雷达系统模拟电路进行了仿真,结果表明,设计的模拟电路的故障诊断方法效果良好。

国外教师数字素养测评工具述评

教师数字素养是教育数字化转型发展的重要支撑,而测评研究是素养提升的基础与前提。在梳理国外相关文献的基础上,本研究将教师数字素养的测评方式归纳为自我报告与表现性评价两类,从开发过程、测评内容、任务设置及测评实践等方面系统分析了一批有代表性的测评工具,并对其进行比较。借鉴国际经验,今后我国教师数字素养测评应构建“学生-证据-任务”一体化评价模型,通过信息技术赋能工具的开发与实施,融合不同测评方式与数据分析方法,提升教师数字素养,以加快推进教育数字化转型。

基于动态贝叶斯LS-SVM的水下节点移动预测定位算法

针对水下无线传感器网络环境的复杂性和节点的动态性所导致的节点定位精度低的问题,提出了一种基于动态贝叶斯LS-SVM的水下无线传感器网络节点移动预测定位算法;该算法以信标节点到通信半径内所有信标节点的距离和跳数矩阵作为训练集;利用贝叶斯证据框架构建贝叶斯LS-SVM模型,将未知节点与信标节点之间的跳数向量作为测试集;将测试集代入到训练好的贝叶斯LS-SVM模型中来确定节点之间的距离,进而建立节点与信标节点距离矩阵的方程并利用最大似然估计法对未知节点坐标进行估算;最后,通过循环迭代的方式对所有未知节点进行定位的同时使用自适应增减算法动态调整模型参数和预测模型,以适应数据的动态变化;实验结果表明,该算法相同的节点密度下相较于SLMP算法、RTLC算法、NDSMP算法以及MPL算法的平均定位误差分别降低了24.77%、22.25%、3.1%、6.5%,有效地实现了水下未知节点的动态定位。