基于递推部分最小二乘自适应质量监控策略及其在橡胶混炼过程中的应用

提出一种新的基于递推部分最小二乘(RPLS)算法的自适应在线质量监控策略。利用隐变量选择算法,根据实时采集的现场数据,在不增加计算和存储容量的基础上递推更新RPLS过程监测模型,进而更新Qα控制限,从而使RPLS自适应质量监控系统具有强时变跟踪特性,能够有效克服传统监测算法Qα无法反映系统时变性的缺点,大大降低了监控系统的误报率和漏报率,提高监控系统性能。并根据橡胶混炼过程特点,将此方法运用于该时变间歇过程质量监控中,取得了满意效果。

基于递推最小二乘支持向量回归估计的建模与预报

提出一种新的递推最小二乘支持向量回归估计算法(RLS-SVR),该算法具有实时性高、更新速度快的特点.充分应用RLS-SVR在线学习和训练的实时性,避免辨识模型的维数过高而降低估计精度,本文进一步提出了基于RLS-SVR的混合训练—估计辨识结构.TE过程的组分软测量建模和预报验证了该方法的有效性和优越性.*

递推部分最小二乘方法

部分最小二乘(PLS)回归可较好地解决多元线性回归中的共线性问题,目前被广泛地应用于过程建模和监控.作者首先给出核PLS算法,然后在此基础上推出递推部分最小二乘(RPLS)方法,可以基于新数据和旧的PLS模型参数更新PLS模型.将该递推PLS方法和传统PLS方法同时用于仿真研究,结果表明递推算法性能和传统方法的相近,而计算量大大减少.

一种改进递推最小二乘的系统谐波阻抗估计方法

谐波责任划分的前提是系统谐波阻抗的精确估计。针对测量异常值和背景谐波变化造成谐波阻抗估计误差,该文将带遗忘因子的递推最小二乘法和稳健回归法结合,提出一种改进递推最小二乘的系统谐波阻抗估计方法。基于公共连接点处谐波电压和谐波电流数据,利用抗差最小二乘计算残差矩阵,进一步得到自适应变化遗忘因子,引入于中国科学院大地测量与地球物理研究所Ⅲ(Institute of Geodesy and GeophysicsⅢ,IGGⅢ)稳健权函数,采用复数递推最小二乘法更新增益矩阵和协方差矩阵,并进行待估参数的更新,最终得到系统谐波阻抗。仿真和实例测试有效验证了该文所提方法的优势。

递推最小二乘与误差自回归联合实时校正方法

在实时洪水预报中采用速推最小二乘法和误差自回归实时校正方法，提高了模型计算精度，实例验证应用效果良好。

递推部分最小二乘方法及其应用

该文提出了一种递推的部分最小二乘算法。该算法利用遗忘因子法对旧参数矩阵进行加权,再和新数据矩阵组合,构成输入输出的数据矩阵,然后利用PLS核算法得到模型。结合实际工业过程的要求,给出了该算法的步骤,并运用该算法建立了煤气化炉合成气组分浓度的软测量模型。结果表明,递推的部分最小二乘算法可以有效的更新模型,使模型适应过程的变化,并能提高模型的预测性能。

多元线性回归递推最小二乘估计的一种新形式

给出一种新型的多元线性回归模型参数的递推最小二乘估计,在很大程度上,新的方法改进了传统的最小二乘估计。

鲁棒递推偏最小二乘法

针对时变模型建模或大数据量情况下建模过程中的野点检测问题,提出了鲁棒递推偏最小二乘法(RRPLS).通过将递推偏最小二乘法(RPLS)与鲁棒主分量回归算法(RPPSV)相结合,实现分块野点检测算法,有效地解决了一般野点检测算法的计算量大的问题.仿真说明鲁棒递推偏最小二乘法不但能检测出数据中的野点还能大量减少建模时间,最后给出了在交流异步电力测功机系统的应用实例.

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。

AR估计滤波误差能量最小二乘递推法

利用滤波误差能量给出了一个新的最小二乘快速递推算法。数值试验表明，该算法计算稳定性好，对噪声不敏感，能快速递推到高阶模型，并将该算法同Ｍａｒｐｌｅ算法等作了比较。

核递推最小二乘辨识算法仿真研究

论述了核递推最小二乘辨识思想和三种典型算法即ALD-KRLS、SW-KRLS,和FB-KRLS,通过仿真研究,比较了传统递推最小二乘(RLS)辨识算法和核递推最小二乘(KRLS)辨识算法对非线性系统的辨识能力。仿真研究表明,不论是在辨识精度,稳定性还是抗干扰性方面,KRLS辨识算法明显优于传统RLS辨识法。在这三种典型的KRLS辨识算法,SW-KRLS法比其他两种KRLS辨识算法获得了更好的辨识效果。SW-KRLS法特别适用于时变非线性系统辨识。

最小二乘估计的递推公式

设数据是按时间顺序一批一批地取得的,再添进一批新的数据,同时就要剔出一批最早的数据。让数据的批数永远保持不变。根据农业上要用前5年的产量预报下一年产量的要求,现在考虑只用最近这5批数据来计算回归系数向量和残差平方和的递推公式。再设第t批数据向量和数据矩阵分别为数据批号:t=1,2,…1。第t批数据的样本数:n_t,Yk(x_t)=m,n_t>m。于是,我们知道,用这第t数据算出的回归系数向量和残差平方和分别为 B_t=(X_′X)^(-1)X_t′Y_t(?)C_tX_t′Y和Q_t=(Y_t-X_tB_t)′(Y_t-X_tB_t)又设从第i批数据开始依次与下一批数据合并,一直合并到第j批,合并数据向量和数据矩阵以分块形式表出,分别为 我们又知道,由此合并资料算得的回归系数向量和残差平方和为 B_(i…j)=(X′_(i…j)X_(i…j))^(-1)X′_(i…j)Y_(i…j)(?)C_(i…j)X′_(i…j)Y_(i…j) Q_(i…j)=(Y_(i…j)-X_(i…j)B_(i…j))′(Y_(i…j)-X_(i…j)B_(i…j)) 本文指出:在上述假设条件下,则只用最近5批数据计算回归系数向量和残差平方和的递推公式为 B_(23456)=C_(23456)(C^(-1)_(12345)B_(1 345)-C_1^(-1)B_1+C_6^(-1)B_6) Q_(23456)=Q_(12345)-Q_1+Q_6+B′_(12345)C^(-1)_(12345)B_(12345)-B_1′C_1^(-1)B_1+B_6′C_6^(-1)B_6-B′_(23456)C^(-1)_(23456)

递推最小二乘优化模糊系统接触电阻建模新方法

根据接触电阻的特点,运用基于模糊系统的方法计算接触电阻。利用递推最小二乘算法训练模糊系统建立了接触电阻模型,并利用训练数据建立了接触电阻的回归分析模型。通过区别于训练数据的测试数据对所建立的两种模型进行测试,对其可靠性进行检测,并对其进行了比较分析。结果表明:基于模糊系统的接触电阻模型的测试结果优于回归分析,且基于模糊系统的方法在接触电阻的计算方面具有优势。

模糊系统结合递推最小二乘的阀厅连接金具温升预测

根据特高压换流站阀厅连接金具温升的特点,提出了模糊系统结合递推最小二乘的温升预测新方法.设计了阀厅连接金具温升试验,得到能代表样本空间的训练数据与区别于训练数据,用于检测模糊系统可靠性的测试数据.通过训练数据利用递推最小二乘算法训练模糊系统,训练完成后通过测试数据检验模糊系统可靠性,误差在合理范围内.测试结果验证了运用模糊系统结合递推最小二乘算法预测阀厅连接金具的温升是可行的.利用回归分析预测阀厅连接金具的温升,并与模糊系统进行比较,结果表明模糊系统在阀厅连接金具温升预测方面具有优势.

基于最小二乘法的产品满意度预测模型

在简要分析产品满意度对企业的重要性和国内外相关研究的基础上,通过引入最小二乘算法,建立了一种产品满意度预测模型。通过数据刷新,建立了动态的模型修正机制,以提高模型的预测精度,从而为企业确定何时应该改造其产品提供了重要依据。

传递函数辨识(21):线性回归系统的递阶递推参数估计

利用递阶辨识原理,研究了线性回归系统的递阶最小二乘辨识算法、递阶多新息最小二乘辨识算法、递阶随机梯度辨识算法、递阶多新息随机梯度辨识算法、递阶递推梯度辨识算法、递阶多新息递推梯度辨识算法等.这些辨识方法可以推广到有色噪声的随机系统中。

传递函数辨识(23):线性回归系统的变间隔递阶递推参数估计

为了处理损失数据系统和稀少量测数据系统辨识,引入了变间隔概念。以线性回归系统为例,利用递阶辨识原理,提出了一些变间隔递阶递推辨识方法,包括变间隔递阶随机梯度辨识方法、变间隔递阶多新息随机梯度辨识方法、变间隔递阶递推梯度辨识方法、变间隔递阶多新息递推梯度辨识方法、变间隔递阶最小二乘辨识方法、变间隔递阶多新息最小二乘辨识方法等。这些变间隔递阶辨识方法可以推广到有色噪声干扰下的线性和非线性随机系统中。

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。

回归系数的部分岭估计

为了改进存在复共线性的回归模型中回归系数的最小二乘估计的不足,利用构造岭估计的思想,只修正非常接近于零的那部分特征值,从而给出了回归系数的部分岭估计.在均方误差意义下,存在岭参数,使得回归系数的部分岭估计优于最小二乘估计.部分岭估计只修正了很少一部分特征值,所以相对于普通岭估计和广义岭估计的岭参数的确定,部分岭估计的岭参数的确定更加方便精确.

一种动态预测方法——基于递推回归的因变量修正法

提出一种新的动态预测方法--基于递推回归的因变量修正法,对已有的样品数据根据与待预测样品的关系的“密切”程度分为两个部分：初始样品和训练样品.先由初始样品拟合出初始经验回归方程,再利用最小二乘法的递推公式,通过对训练样品的因变量依次进行修改的方法对方程不断地进行调整,使方程更符合训练样品的实际情况.由于训练样品与待预测样品关系较“密切”,在提高训练样品的拟合精度的同时也会提高待预测样品的预测精度.