融合机制与高斯混合回归算法的成品油管道顺序输送混油长度预测模型

成品油管道顺序输送过程中会出现混油现象,精确预测混油长度对油品批次切割具有重要意义,混油长度机制模型存在精度不高,数值计算量庞杂等问题。当前基于机器学习算法构建的全局预测模型未考虑实际工况多模态特性,预测精度受限;直接引入高斯混合回归算法辨识数据模态难以准确表征变量间复杂非线性关系。采用现有机制计算公式与高斯混合回归算法构建融合机制认知的局部建模算法,基于真实成品油管道顺序输送混油长度数据集进行不同模型预测结果对比试验。结果表明,融合机制认知与局部建模算法能有效表征变量间函数关系,新模型预测精度有明显优势。

基于高斯混合回归的锂离子电池SOC估计

动力电池剩余电量的准确估算是电动汽车续航里程的重要依据和能量管理的基本前提,为降低电池系统因非线性,不平稳因素对荷电状态估计的不利影响。针对锂电池的状态数据采集存在非线性、不平稳以及外界干扰等问题,提出了基于高斯混合回归对荷电状态进行预测,以解决传统高斯过程模型含有异常数据和噪声的问题。利用K-means聚类算法与EM算法对高斯混合模型的超参数进行求解,然后采用高斯混合回归对输出的荷电状态进行预测。最后通过实验验证,并与高斯过程回归进行对比分析,验证了高斯混合回归算法在荷电状态估计过程中具有高精度和有效性。

基于非线性高斯混合回归的燃煤锅炉NO_(x)排放浓度预测模型

为了准确测量锅炉出口的NO_(x)排放浓度,针对燃煤锅炉的复杂非线性,提出了一种基于非线性高斯混合回归(Nonlinear Gaussian Mixture Regression, NGMR)的NO_(x)排放浓度预测方法。采用滑动时间窗方法,结合奇异值分解实现稳态判定;进一步采用互信息(Mutual Information, MI)判断不同变量与NOx排放浓度的相关性,确定模型输入变量;利用选定的输入变量,基于NGMR建立NO_(x)排放浓度预测模型;基于某660 MW燃煤机组运行数据,将提出的NGMR模型分别与人工神经网络(Artificial Neural Network, ANN)模型、支持向量回归(Support Vector Machine, SVR)模型以及极限学习机(Extreme Learning Machine, ELM)模型进行对比分析。结果表明:NGMR模型预测均方根误差(Root Mean Square Error, RMSE)为4.66 mg/m^(3),平均绝对误差(Mean Absolute Error, MAE)为3.98 mg/m^(3);绝对误差系数(R^(2))为0.9;十折交叉验证结果也表明NGMR模型具有良好的预测精度和泛化能力。

基于仿射传播聚类的自适应数据空间划分及发酵过程高斯混合回归软测量模型建模（英文）

由于发酵过程存在多相和多模态特性,不满足高斯分布假设,使得传统软测量模型预测精度较低。基于高斯混合回归(GMR)的软测量模型能够很好的解决这个问题。然而,在确定混合高斯元数目上存在难度并且尚未得到解决。在本研究中,仿射传播聚类算法(AP)及其改进方法—自适应仿射传播聚类算法(ad AP)因其具有对数据空间进行自动划分的能力,被首次应用到基于高斯混合回归软测量建模数据预处理中。通过青霉素发酵过程仿真实验表明,仿射传播聚类方法和自适应仿射传播聚类方法都适用于高斯混合回归建模,但是后者对应软测量模型预测效果更好。

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合,而LS-EM算法则可解决这一模型的参数估计问题.描述了混合高斯自回归模型及其参数估计问题之后,导出了具体的LS-EM算法,并给出了一组仿真实例.这是一种参数耦合估计算法,首先基于传统的最小二乘技术得到功率谱密度参数粗估计,进行预白,然后应用EM迭代得到白激励的概率密度估计,并基于此构建一加权函数,以此权函数改进最小二乘算法,进而得到模型参数的精估计.

混合高斯自回归模型参数估计方法之ML-DC

混合高斯自回归模型可以对有色非高斯数据的概率密度和功率谱密度进行有效的拟合.而ML-DC算法则可解决这一模型的参数估计问题。描述了混合高斯自回归模型及其参数估计问题之后,分别导出了功率谱密度参数的最大似然估计和概率密度参数估计的动态簇算法,并由此组成了参数耦合估计的ML-DC算法。最后结合一组仿真实例对其估计性能进行了详细探讨,指出并解释了算法的适用范围。

有色非高斯背景下微弱信号的Rao有效绩检验

混合高斯Rao有效绩检验是实现有色非高斯背景下微弱信号检测的渐近最佳检测器,预白化和高斯化技术的应用使得它的检测性优于传统的匹配滤波器.在使用混合高斯自回归模型描述检测问题之后,基于功率谱密度和概率密度参数估计,引入预白化和高斯化滤波器,构建起模块化的、实用的混合高斯Rao有效绩检测器.然后对其检测性能进行了深入分析,揭示了预白化和高斯化技术改善检测性能的机理所在.最后给出了一组湖试数据检测实例.

按摩机器人优化示教策略及BPNN-DMPs轨迹学习模型

针对按摩机器人作业对象面貌个性化差异,引用动态运动基元(DMPs)模型泛化位姿轨迹和力轨迹。为提高DMPs学习精度,提出了优化示教策略,基于按摩区域Mediapipe特征点计算作业对象间相似度,以此优选学习对象;其次,引入高斯混合回归,算法综合多次按摩信息以加强学习能力;最后,构建反向传播神经网络(BPNN)模型拟合DMPs算法的强迫项,从根本上改变了原本模型的局限性。实验表明,不增加运行时间下的BPNN-DMPs模型与DMPs、MDMPs和SADMPs算法相比,位置和姿态平均误差分别减少44.1%和54.5%、44.1%和54.5%、29.7%和46.4%。高斯混合回归能够综合多轨迹规律,优化示教策略实施效果显著,与未做优选对象相比,面部实验中的位置和姿态平均误差降低了52.3%和70.2%,标准差降低了46.3%和71.1%;背部实验中的位置、姿态和力平均误差降低了27.7%、66.7%和24.1%,标准差降低了25.7%、54.4%和44.1%。

GPFR混合模型的动态模型选择算法

作为一种有效的数据建模和分析工具,高斯过程混合(MGP)模型被广泛地应用于时间序列的分析与预测,并成为一种新的机器学习模型。在传统的MGP模型中,高斯过程(GP)的均值被假设为零,这给其应用带来了很大的局限性,因此人们提出了可进行均值函数学习的高斯过程函数回归(GPFR)模型及其混合模型(MGPFR)进行更为精细的数据建模。与MGP模型一样,MGPFR模型同样存在着模型选择的问题。为了解决MGPFR模型的模型选择问题,本文将同步平衡准则进行了推广,并提出了相应的模型选择和动态模型选择算法,并通过实验发现了惩罚项系数的合理区间。实验表明,这些算法在模型选择和预测上均有很好表现,并且能够有效地应用于曲线聚类。

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。

基于Kinect的Nao机器人动作模仿系统的研究与实现

为避开复杂繁琐的底层运动控制,使机器人能够通过学习实现运动技能的获取,有效提高其智能性,将体态感知技术与仿人机器人Nao相结合,以机器人的模仿学习框架为指导,开发并实现了基于Kinect的Nao机器人动作模仿系统。利用Kinect体感摄像机的骨骼跟踪技术,采集示教者骨骼点信息,经预处理后得到示教数据,通过高斯混合模型(GMM)对示教数据进行表征学习,经高斯混合回归(GMR)泛化处理后,映射到Nao机器人中,实现动作的模仿。实验结果表明,Nao机器人能够进行实时和离线的动作模仿,运动轨迹平滑而稳定,动作模仿的效果较好。

在书写任务中的基于轨迹匹配的模仿学习

针对书写任务中运动轨迹较复杂的问题,引入基于轨迹匹配的模仿学习算法对书写轨迹进行表征和泛化,进而实现机器人书写技能的获取.机器人从示教者处获取示教数据,利用高斯混合模型(Gaussian mixture model,GMM)进行编码,学习示教行为的本质特征,通过高斯混合回归进行泛化处理,实现行为再现.实验结果表明:该方法具有良好的行为编码能力和抗干扰性,能够实现轨迹可连续的汉字书写,通过对GMM的扩展能够进行多任务学习,进而实现轨迹不可连续汉字的书写,泛化效果较好.

基于混合高斯回归的子空间聚类视频火焰检测

子空间聚类是寻找从高维空间抽取最适合样本点的多个子空间表示的一个问题。现有的聚类模型一般采用不同的规范来描述噪声,这相当于假设数据被特定类型的噪声所破坏。然而,实际上,噪音要复杂得多。因此,简单地用一定的范数来模拟噪声是不合适的。因此,我们提出了将噪声用混合高斯模型表示的混合高斯回归子空间聚类。混合高斯回归提供了一个有效的模型来表示更广泛的范围内的噪声分布。其结果是,所得到的关联矩阵能够更好地表征实际应用中数据的结构。多个视频火焰数据集上的检测结果表明,混合高斯回归模型大大优于当前最优的子空间聚类方法。

基于独立电驱动履带车辆的地面参量估计方法研究

以独立电驱动履带车辆的大量试验数据为依托,提出一种基于驱动力统计学预测模型与车辆动力学模型相结合的算法,对道路阻力系数与转向阻力系数进行估计。根据过零航向角偏差点对车辆的行驶路径进行分割,并利用高斯混合模型对各路径段进行多元聚类,利用连续3个路径段的聚类标签表征运动基元的类型;以基元类型为依据实现数据的分组,利用高斯混合模型构建驱动力统计学预测模型。在进行地面参量估计时,当确定运动基元类型后,通过调用对应的驱动力统计学预测模型,利用高斯混合回归对两侧主动轮转矩进行预测。利用非线性最小二乘法,使得基于驱动力统计学预测模型得到的转矩预测值与基于动力学方程表征的转矩理论值误差最小,从而获得地面参量估计值。对实车采集到的数据进行处理,得到地面参量的测试值并与估计值进行对比,证明了该方法可以在使用较少传感器前提下,保证预测结果的精度与整体算法的效率。

机器人示教缝纫动作的学习方法

提出了一种基于高斯混合模型(Gaussian mixture model,GMM)-高斯混合回归(Gaussian mixture regression,GMR)的机器人动作学习方法,以实现机器人对示教缝纫动作的学习。采用改进的OPENPOSE模型识别示教缝纫动作,并运用标签融合方法更正关节点标签,解决缝纫过程中因布料遮挡造成的关节定位失败问题。以人体上肢关节的坐标变化作为缝纫动作训练样本,采用时间间隔将轨迹样本分割成运动基元,并运用GMM对每段运动基元和时间进行混合编码,得到高斯分量的回归函数。应用GMR对运动基元进行运动预测,生成缝纫动作轨迹,更新回归函数的高斯参数,实现工人上肢缝纫动作的学习。通过轨迹跟踪的仿真实验以及与Kalman方法进行实验对比,验证了本文缝纫动作学习方法的平稳性和有效性。

基于GPR-PSO模型的永磁同步电机气隙磁密波形优化

为了使永磁同步电动机气隙磁密波形具有良好的正弦性,以气隙径向磁密波形的谐波畸变率为目标,磁钢的偏心距、极弧系数、磁钢厚度以及磁钢的充磁方向为因素变量进行优化。引进了正交实验设计的方法合理地安排了实验因素变量的搭配,利用有限元软件ANSYS Maxwell2D仿真分析得到数据样本集,采用了高斯混合回归模型(GPR)对数据样本集进行拟合,得到拟合回归模型。采用方差分析方法分析了各个因素对于谐波畸变率的影响的程度。将拟合回归函数作为适应度函数,通过粒子群算法(PSO)寻优,得到最优的磁钢参数。以一台48槽8极的永磁同步电动机为例进行仿真实验,结果表明,通过GPR-PSO模型的方法可以有效降低永磁同步电机的气隙磁密波形畸变率,使波形得到良好的改善。

混响背景下GTM回波检测算法研究

为改善混响背景下传统匹配滤波算法效果不佳问题,在分析其非平稳性、有色性和非高斯性的基础上,提出了混合高斯时变自回归模型(Gaussian mixture Tvar Model,GTM),推导了模型公式及其参数求解方法,形成了GTM回波检测算法。为对混响特性及滤波效果进行定量描述进而验证算法性能,给出了一种定量衡量混响非平稳性、有色性、非高斯特性的滤波效果评价方法。通过实测混响分析表明,GTM模型能够较好地拟合实测混响的概率密度曲线和功率谱密度曲线,实现了混响背景下回波的有效检测并改善混响特性。

基于谱聚类的视频火焰检测

子空间聚类是一个多子空间表示的问题,它最适合高维空间中的样本点。现有的聚类模型一般采用不同的准则来描述噪声,这相当于假设数据被特定类型的噪声破坏。然而,在实践中,噪音要复杂得多。因此,简单地使用某种规范来模拟噪声是不合适的。谱聚类是解决子空间聚类的一种有效方法。

基于双空间交替学习的机器人运动技能获取

针对如何基于示范任务学习让机器人自主获得完成新任务的能力的难题,提出一种高斯混合回归结合路径积分策略提升(GMR-PI2)的表达、模仿和优化框架,同时采用基函数、策略表达权系数两个空间上交替搜索执行方案来解决上述问题.核心思想是当权系数探索到最佳逼近点附近时,根据经验最优轨迹集进行基函数的自重组,然后再重启权系数搜索,从而实现从示范任务到指标集约束任务的渐进运动技能获取.经典的轨迹规划过点实验结果表明该方法是有效和可行的.

一种基于机器学习的轴孔拆卸框架

在机器人拆卸轴孔过程中,卡阻和楔入现象通常会出现.为了解决这一问题,本文提出一种基于机器学习实现自动拆卸轴孔配合的框架.机器人记录演示数据中,动态时间规整算法同步数据集.而后用高斯混合回归算法进行训练,得到控制策略.控制策略应用于机器人KUKA iiwa 14,实现轴孔的自动拆卸.本文针对两种情况进行测试,一种将轴孔置于原位置,另一种将轴孔置于距原位置30cm处.成功率均100%.试验平均时间分别为2.8 s和3.0 s.平均接触力分别为16.3 N和17.1 N.