基于高斯回归学习的场景优化鲁棒预测控制

针对具有未知加性不确定性的约束线性系统,提出基于高斯过程回归学习的场景优化鲁棒模型预测控制算法.在离线阶段使用高斯回归从经验数据中学习不确定性结构与参数,能够抽取大量随机场景.在在线控制阶段中,求解抽取场景所构建的有限时域优化问题,将滚动优化得到的控制律作用于系统.引入松弛变量保证优化问题的可行性,应用随机凸优化理论,证明所提算法使系统以一定的置信度满足松弛机会约束,收敛于终端域.通过DC-DC转换器和网联车巡航控制仿真实验,验证了本文算法的有效性和优越性.

结合高斯回归模型和隐马尔可夫随机场的模糊聚类图像分割

为了克服经典模糊聚类图像分割算法对图像噪声的敏感性,该文提出结合高斯回归模型(GRM)和隐马尔科夫随机场(HMRF)的模糊聚类图像分割算法。该算法用信息熵正则化模糊C均值(FCM)的目标函数,再用KL(Kullback-Leibler)信息加以改进,并将HMRF和GRM模型应用到该目标函数中,其中HMRF模型通过先验概率建立标号场邻域关系,而GRM模型则在中心像素标号与其邻域像素标号一致的基础上建立特征场邻域关系。利用提出的算法和其它经典算法分别对模拟图像、真实SAR图像以及纹理图像进行了分割实验,并对分割结果进行精度评价。实验结果表明,该文提出的算法具有更高的分割精度。

一种快速稳健高斯回归滤波算法

针对稳健高斯回归滤波器运行速度过慢的问题,利用截断高斯权函数的快速卷积提高了算法运行速度。在详细分析稳健高斯回归滤波器和卷积函数的基础上,推导了截断高斯权函数,并通过实验确定了合适的参数值。实验结果表明,截断高斯权函数能使稳健高斯回归滤波器在精度损失很小的情况下运行时间明显缩短。

基于Tweedie和零调整逆高斯回归的索赔额模型

保险索赔额的分布拟合与回归模型的建立对保险费率厘定、风险因素分类、准备金计提等方面有重要意义,其研究也得到了广泛的发展和应用。文章对索赔额模型的研究与应用进行了简要的回顾分析,并基于Tweedie分布族和零调整逆高斯分布建立索赔额回归模型;以汽车第三者责任保险的损失数据为例,应用这两个回归模型,得到了比较满意的结果。

高斯回归过程学习方法在TC4流变应力预测中的应用

为研究TC4钛合金的力学性能,借助Gleeble-1500D热模拟机,在等温、等速率条件下,对Ti-6Al-4V合金进行压缩。为进一步分析实验结果,将非线性建模方法高斯回归过程(GP)应用于TC4流变应力的预测,并提出相应的模型。实例研究表明,借助MATLAB语言编制程序,预测流变应力的高斯回归过程学习方法是科学、可行的,其绝对误差为0.91MPa,相对误差为4.84%,与ANN模型相比,预测精度更高,而且简单实用,为TC4热变形工艺的制定提供参考依据。

基于高斯回归的连续空间多智能体跟踪学习

提高适应性、实现连续空间的泛化、降低维度是实现多智能体强化学习(Multi-agent reinforcement learning,MARL)在连续系统中应用的几个关键.针对上述需求,本文提出连续多智能体系统(Multi-agent systems,MAS)环境下基于模型的智能体跟踪式学习机制和算法(MAS MBRL-CPT).以学习智能体适应同伴策略为出发点,通过定义个体期望即时回报,将智能体对同伴策略的观测融入环境交互效果中,并运用随机逼近实现个体期望即时回报的在线学习.定义降维的Q函数,在降低学习空间维度的同时,建立MAS环境下智能体跟踪式学习的Markov决策过程(Markov decision process,MDP).在运用高斯回归建立状态转移概率模型的基础上,实现泛化样本集Q值函数的在线动态规划求解.基于离散样本集Q函数运用高斯回归建立值函数和策略的泛化模型.MAS MBRL-CPT在连续空间Multi-cart-pole控制系统的仿真实验表明,算法能够使学习智能体在系统动力学模型和同伴策略未知的条件下,实现适应性协作策略的学习,具有学习效率高、泛化能力强等特点.

泊松逆高斯回归模型的贝叶斯统计推断

本文研究泊松逆高斯回归模型的贝叶斯统计推断.基于应用Gibbs抽样,Metropolis-Hastings算法以及Multiple-Try Metropolis算法等MCMC统计方法计算模型未知参数和潜变量的联合贝叶斯估计,并引入两个拟合优度统计量来评价提出的泊松逆高斯回归模型的合理性.若干模拟研究与一个实证分析说明方法的可行性.

基于高斯回归分析的高温合金刀具磨损在线预测方法

目前的高温合金刀具磨损在线预测方法预测时间过长,预测误差较大。为了解决上述问题,基于高斯回归分析方法建立了一种新的高温合金刀具磨损在线预测方法,设立高斯回归模型,分析切削力和刀具磨损时间序列数据,对数据进行划分,列出线性数据和非线性数据。引入平滑度理论对建立的高斯回归模型进行优化,借助构建的高斯回归模型计算刀具刀面的最大磨损宽度值。选择平滑度较高的核函数进行模型优化,对刀具的使用状态进行实时观测,精准估计磨损量,实现在线预测。实验结果表明,基于高斯回归分析的高温合金刀具磨损在线预测方法能够有效缩短预测时间,降低预测误差。

逆高斯回归模型的贝叶斯分析

文章对逆高斯回归模型进行贝叶斯统计分析,通过利用Gibbs抽样和MH算法得到模型参数的贝叶斯估计以及贝叶斯数据删除诊断统计量的计算。数值模拟说明了方法的可行性。

逆高斯回归模型的影响诊断

本文基于曲率方法提出了适合逆高斯回归模型的局部影响分析,分别研究了在加权扰动,响应变量扰动和解释变量扰动下的影响分析问题,得到了相应的诊断统计量.最后,给出了具体的数值实例,说明了本文方法的有效性.

钛合金超塑性变形过程中的高斯回归预测

在预设实验条件下,利用Gleeble-3500D热模拟机,完成了钛合金TC4高温超塑性拉伸试验。然后利用处理高度非线性问题的高斯回归技术,借助MATLAB语言编程,对高温超塑性拉伸过程中的流变应力进行了预测,其平均绝对误差0.67 MPa,平均相对误差2.91%。与神经网络预测结果相比,其预测精度更高且简单易行,是钛合金超塑性变形过程中参数预测和优化的可行工具。

基于MI-KPCA与高斯回归过程的北汝河中长期径流预测

针对径流预测因子筛选常用的线性分析方法无法识别与径流存在非线性关系因子的局限性,基于互信息与核主成分分析,提出一种能同时遴选与径流存在线性与非线性关系的因子识别方法,来筛选径流预测因子,且将高斯回归过程拓展应用于北汝河的中长期径流预测。结果表明,构建的MI-KPCA因子筛选质量优于相关分析法与互信息法,不但能提高预测精度,还能简化模型结构、缩短运行时间;同时,高斯回归过程适用于径流预测、可作为其他水文预测模型推广使用。

联合高斯回归的平方根UKF方法

针对传统的滤波方法容易受系统动态模型不确定性和噪声协方差不准确的限制这一问题,提出一种将高斯过程回归融入平方根不敏卡尔曼滤波(unscented Kalam filter,UKF)算法中的滤波算法。该算法用高斯过程对训练数据进行学习,得到动态系统的回归模型及系统噪声的协方差;采用标准的平方根UKF算法,状态方程和观测方程,相应的噪声协方差由高斯过程实时自适应调整。将应用于飞行器SINS/GPS组合导航,结果表明,该方法能够自适应系统噪声,收敛速度快,导航精度高。

采用粒子群优化和高斯回归实现电池SOH估计

为准确估算锂离子电池非线性退化过程中的健康状态(SOH),提出融合自适应变异粒子群优化器和高斯过程回归的AMPSOGPR算法。首先提取欧姆内阻增量和电压样本熵作为电池退化表征量,然后引入自适应变异粒子群(AMPSO)优化高斯过程回归(GPR)核函数的超参数,构建基于AMPSOGPR的SOH估算框架,用提取的退化表征量实现SOH估算;最后,通过对比AMPSOGPR采用不同核函数时SOH估算结果,得到最优核函数。实验结果表明,AMPSOGPR算法可以有效地估算电池SOH,且最大估算误差不超过2.08%。

基于全局局部鉴别分析的高斯回归模型的间歇过程质量预测(英文)

由于过程操作阶段的复杂性及系统的不确定性使得传统的单模态模型策略为病态,因此提出了一种全局局部鉴别分析(GLDA)的高斯过程回归(GPR)方法用于非线性多阶段暂态过程的质量预测.首先,将采集数据按批次方向展开,并采用隐马尔科夫模型(HMM)识别不同的操作阶段.其次,利用GLDA算法提取与质量变量高度相关的过程变量,降低建模的复杂度.在该降维后的子空间,为所有识别出的操作阶段建立多个局部GPR模型.利用HMM状态估计将测试批次的每个测量样本以最大似然估计的方式划分到对应的阶段中.最后,选出与具体阶段相对应的局部GPR模型进行在线预测.利用多阶段的青霉素发酵过程验证了所提预测方法的有效性.结果表明,与常规的GPR模型及基于HMM的GPR模型相比,提出的GLDAGPR方法更具优势.

AZ31镁合金高温压缩实验的高斯回归预测

利用Gleeble-1500D热模拟机完成AZ31镁合金高温压缩实验,并将每一组实验均选作为GP模型的训练样本。然后利用处理高度非线性问题的高斯回归技术,借助MATLAB语言编程,预测与训练样本相对应的流变应力,并与ANN模型预测结果进行对比。结果表明,GP模型预测的平均绝对误差为0.39MPa,平均相对误差为0.58%。与ANN模型预测结果相比,其预测精度更高且简单易行,是AZ31镁合金高温压缩实验中参数预测和优化的可行工具。

基于高斯回归预测的超声成像高分辨率重建

油水两相流过程的可视化检测对多相流研究与石油和化工等工业生产具有重要意义。超声层析成像技术具有非侵入、无辐射、安装方便等优点,在油水两相流检测中有很好的应用前景。针对超声层析成像实现低对比度声学特性的油、水两相介质分布重建问题,提出一种高分辨率图像重建方法。该方法通过构建基于阶段奇异值分解的降维同步代数重建算法,在保证重建精度的同时提高重建速度,并采用高斯回归模型将低分辨率的重建结果转化为高分辨率图像。仿真模拟测试结果表明,该算法重建图像误差小、分辨率较高,能满足实时成像要求。

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年—2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归(GPR)等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林(RF)、支持向量回归(SVR)、高斯过程回归-随机森林(GPR-RF)、高斯过程回归-支持向量回归(GPR-SVR)和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明:GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R^(2)为0.79,验证集R^(2)为0.84;冠层最佳模型建模集R^(2)为0.80,验证集R^(2)为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小(R^(2)>0.80,NRMSE<10%)。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R^(2)>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性(R^(2)增加0.02,NRMSE降低1.2%)。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。

基于离群点检测和高斯回归的PLC信道估计方法

针对低信噪比条件下电力线通信(PLC)系统信道估计性能不高的问题,提出了一种基于离群点检测和高斯回归的PLC信道估计方法。该方法利用高斯回归优化最小二乘估计结果,提升算法抗噪性。针对脉冲噪声干扰问题,引入离群点检测,利用格拉布斯准则计算估计结果中的突变值。实验结果表明,该方法提高了电力线通信系统信道估计的准确性,降低了通信误码率。

基于高斯回归的百万二次再热机组NO_(x)排放预测分析及应用

研究百万二次再热机组的NO_(x)排放量预测模型。采用高斯回归对锅炉燃烧过程进行建模,采用Spearman相关性系数对建模历史数据进行相关性分析,从49项测点数据中选取相关性较高的28项测点数据作为自变量,NO_(x)生成量为标签变量。结果显示:测试数据显示搭建回归模型的R~2为0.913 271,相对误差在10%范围内;现场部署该模型并实时计算,结果的准确性较高,为运行调整提供参考意见。