基于高斯混合过程的空间机器人任务空间预测控制方法

针对空间机器人的精准操控需求和任务空间控制问题,提出了一种基于高斯混合过程的模型预测控制方法。在建立的空间机器人标称模型基础上,考虑实际工作过程中由于关节摩擦、参数测量误差导致的建模误差,利用高斯混合过程对标称模型的不确定性进行精确、高效的分析和修正。其次,基于修正后的模型提出了非线性模型预测控制方法,在考虑实际物理约束,如关节限位、输入饱和等的情况下,实现了空间机器人基座和机械臂末端位姿对期望轨迹的直接精准跟踪。最后,考虑航天器在轨操控中的推力器冗余配置问题,设计了推力分配方案,并通过仿真结果校验了所设计控制方法的有效性。

基于混合高斯过程的多模型热力参数测量软仪表

为了解决工业过程中参数失效和优化运行中参数计算的问题,提出了一种新型软仪表,它是基于混合高斯模型,利用EM算法实现对混合模型中的参数估计。混合模型的使用既有利于降低单一高斯模型的计算负担,又能有效反映工业过程中的工况变化,判断出与特定工况相关程度最大的过程知识,利用它们建立与特定工况对应的局部模型,并将它们合并组成具有多模型结构的全局模型。作为示例,建立了测量火电厂烟气含氧量的软仪表。仿真结果表明,文中提出的方法能有效地实现工业过程参数的软测量,具有较大的实用价值。

从高斯过程到高斯过程混合模型:研究与展望

高斯过程(GP)模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合(MGP)模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.

高斯过程混合模型在含噪输入预测策略下的煤矿瓦斯浓度柔性预测

高斯过程回归是机器学习中解决非线性回归的一种典型回归方法。然而,单一的高斯过程难以拟合非平稳、多模态的时序数据。另外,在实际应用中需要预测的输入数据会受到噪声的干扰。为了克服这些问题,本文提出了含噪输入预测策略下的高斯过程混合回归预测方法(niMGP),并针对煤矿瓦斯浓度数据进行了参数学习和柔性预测。与其他传统回归方法相比,这种柔性预测方法是在测试输入数据具有噪声干扰的情况下进行预测,使其结果更为鲁棒和准确。本文首先通过模拟实验验证了在具有固定信噪比的测试输入数据上,高斯过程混合模型在含噪输入预测策略下的回归结果在稳定性上优于其传统预测策略下的回归结果。本文进一步选取松藻煤矿中打通一矿的333944号传感器获取的实际瓦斯浓度数据片段,对其进行了适当的数据增强之后,通过实际数据的实验进一步表明,高斯过程混合模型采用含噪输入预测策略在数据回归分析的预测上相比传统预测策略具有更好的稳定性。实际中还可以通过调节测试输入数据中噪声分布的方差来调节预测的灵敏度,达到分级预警的效果。

基于高斯过程混合模型的国债收益率预测

债券分析的核心问题是发现偿还期限与到期收益率之间的关系,即利率期限结构,而实际上国债利率期限结构是最为重要和基本的模式。目前人们对于利率期限结构的分析主要采用经济理论模型和数量模型进行,但是这两种方法都难于对国债收益率进行有效的预测。基于高斯过程混合模型强大的数据拟合和分析能力,本文将其应用于国债收益率的建模和预测。本文采用国债收益率数据作为输出变量,筛选出对国债收益率影响最强的一组作用因子作为驱动或输入变量,然后利用高斯过程混合模型对数据进行学习和建模,并依此对国债收益率进行建模和分析。实验结果表明高斯过程混合模型能够更好的描述国债利率期限结构。相比于其他机器学习模型和算法,高斯过程混合模型在国债收益率的测试数据上获得了更好准确的预测结果。

基于高斯过程混合模型的时间序列预测算法研究

针对实时变化且不同时段差异大的时间序列,提出一种基于高斯过程混合模型的预测算法.该算法首先对时间序列进行预处理,并采用密度空间含噪聚类(DBSCAN)去除奇点.然后针对扩展迪基-福勒(ADF)检验结果将时间序列分为常数项、平稳和非平稳三类,最后基于高斯过程混合(GPM)模型对各类时间序列进行预测,并和差分自回归移动平均模型(ARIMA)、支持向量机(SVM)、高斯过程(GP)模型进行性能对比.以采购商品报价时间序列为例进行的预测结果表明:GP模型与GPM模型均能输出预测置信区间,给出预测结果的可信程度;GPM模型的优势是能够更精准刻画时间序列各时段差异,预测精度更高.

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R^2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R^2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。

高斯过程混合模型应用于网络流量预测研究

精准的网络流量预测可以避免网络崩溃,保证网络的流畅度。将高斯过程混合(GPM)模型应用于网络流量的多模态预测。对两段不同地区的网络流量序列进行多模态分析,将之通过归一化和相空间重构后生成样本集并输入GPM模型。采用分类迭代学习算法,利用后验概率最大化和似然函数实现模型参数学习。将GPM模型与支持向量机(SVM)、核回归(KR)、最小最大概率机回归(MPMR)和高斯过程(GP)等模型比较。通过对比均方根误差(RMSE)和决定系数(R^2)评价指标,GPM模型的预测准确度要优于其他四种模型。说明GPM模型能够很好应用于网络流量预测,可以为网络管理者分配网络资源提供参考。

混沌时间序列的高斯过程混合模型预测

高斯过程混合(Gaussian Processes Mixture,GPM)模型现有的学习算法如马尔科夫链蒙特卡洛法、变分法或留一法等,计算复杂度偏高,提出一种隐变量后验硬划分迭代学习算法,简化模型的学习过程,基于该算法将GPM模型用于混沌时间序列预测,并讨论嵌入维、时间延迟、学习样本和测试样本数目等参数对预测性能的影响。实验结果表明,GPM模型预测精度高于支持向量机(Support Vector Machine,SVM)、高斯过程(Gaussian Process,GP)和径向基(Radical Basis Function,RBF)网络,学习速度介于RBF网络、GP和SVM之间。

基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用。由于短时交通流的时变性,传统预测模型效果较差。将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组。将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比。同时将新的学习算法与传统variational和LooCV学习算法比较。结果表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型。

基于高斯过程混合模型的瓦斯安全状态分类研究

针对目前瓦斯浓度预测与瓦斯安全状态分类方法中主观性较强、超参数难以选取、解释性差、无法有效地利用样本之间时序信息等问题,本文提出了基于高斯过程混合模型的瓦斯浓度预测与安全状态分类方法。高斯过程是机器学习领域中解决非线性回归问题的典型方法,能够有效地利用数据之间的相关性,常用于时间序列的建模与预测。然而,单个高斯过程存在着一定的局限性,难以对非平稳、多模态的数据进行有效地建模和回归分析。在高斯过程的基础上引入其混合模型,则可增强模型的表达能力,能够对有复杂结构的数据进行建模。我们将瓦斯安全状态根据风险由高至低分成红橙黄蓝四个等级,在每个风险等级上瓦斯浓度数据采用单个高斯过程进行建模。由于一般瓦斯浓度数据包含着各个风险等级的数据,高斯过程混合模型则可用于对整体数据进行建模和回归分析。根据对数据的参数学习结果,高斯过程混合模型便可自适应地得到每个时刻对应的风险等级,并在预测瓦斯浓度时对各个高斯过程分量的预测进行加权,得到更为鲁棒的预测结果。实验结果表明,基于高斯过程混合模型的方法可有效地预测瓦斯浓度、评估安全状态。

基于高斯混合模型的逆变器故障诊断方法研究

逆变器广泛应用于工业生产中的诸多领域;逆变器在工作过程中会出现元器件性能退化或损坏,造成经济损失甚至人员伤亡,为了提高逆变器工作的可靠性,识别出逆变器出现故障时的故障类型,提出了基于高斯混合模型的逆变器故障诊断方法;以谐振型逆变器的为例,分析了逆变器的四种典型故障,提取出逆变器在不同故障下输出电压的时域特征波峰系数和频域特征小波能量熵;使用时频特征数据训练高斯混合模型,并结合EM算法计算输入数据属于各种故障类型的概率,建立逆变器的故障诊断模型;仿真实验通过Simulink建立了并联谐振型逆变电路的模型,模拟出四种典型的故障状态,并用这些数据训练故障诊断模型;仿真结果验证了基于高斯混合模型的故障诊断方法的有效性和准确性;该故障诊断方法具有较高准确率,对于四种类型故障的总的识别率到达93.2%,可以应用于工业现场逆变器的故障诊断及其他领域。

混合高斯Heston资产定价模型及统计模拟分析

经典Heston模型没有考虑资产的长相依性,金融实践证明其不能很好的刻画资产的真实情况.本文建立了混合高斯Heston资产定价模型,利用股票数据进行实证分析.首先,得到了混合高斯Heston模型满足的随机偏微分方程,并讨论了解的存在性和唯一性以及p阶矩性质.其次,对模型中未知参数进行估计和敏感性分析,通过3只股票的实际数据对Heston模型、混合高斯Heston模型满足的价格路径与真实路径做了对比.研究表明:混合高斯Heston模型比经典的Heston模型更能够刻画资产标的价格.

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。

关于Log Gaussian Mixture Cox过程模型的研究

Log Gaussian Cox过程模型(简称LGCP模型)常用来描述关于空间变化的随机过程,但是它不能很好地拟合强度取对数后是非高斯过程情况下的数据。因此,通过将它的强度取对数后看成是一个混合高斯过程来改进LGCP模型,并研究改进后模型的性质。采用极大似然估计法和MCMC方法来估计模型参数,以及用AIC准则作模型选择。最后通过实例验证,结果显示改进后的模型能够有效地拟合数据。

一种基于高斯过程混合模型的机械臂抓取方法

为了避免现有的基于视觉的机械臂抓取方法中存在的标定繁琐和求逆困难的不足,提出一种基于高斯过程混合模型的机械臂抓取方法.在学习阶段,利用高斯过程混合模型直接构建目标物体的位姿到机械臂关节角度的映射.在抓取阶段,通过相机获取目标物体的位姿,分别计算各个高斯分量下该位姿的生成概率,选取后验概率最大的高斯分量对应的高斯过程回归计算相应的机械臂关节角度.定位容差为20 mm时,仿真抓取成功率达到93.3%,实际抓取成功率达到了88.3%,对于精度要求不高的抓取作业,该方法可以实现机械臂的快速部署和使用.

基于变分贝叶斯推断的DPGMM风电机组异常数据识别研究

为了准确识别和剔除风电机组在实际运行过程中产生的异常数据,以便为功率预测等工作提供有效的数据支持,通过分析风电机组运行数据散点在风速-功率(v-P)坐标系中的分布特征,提出了基于变分贝叶斯推断的狄利克雷过程高斯混合模型异常数据识别方法。将试验机组E17实测数据散点沿水平功率方向以一定间隔划分区间,采用能自适应确定最佳分量个数的狄利克雷过程高斯混合模型对每一个功率区间内的数据散点进行聚类,结合各高斯分量置信椭圆参数及数据散点在v-P坐标系中的分布特征,对试验机组E17各功率区间内的高斯分量及其聚类散点进行异常标识。结果表明:该模型克服了传统高斯混合模型需要人为确定分量个数的缺点,能够对风电机组异常数据进行准确识别。

考虑高阻接地的配电网故障检测方法

实际配电系统中存在一些高阻态的故障,表现为微弱、非线性、随机和不稳定的现象,这对于故障的检测提出了更高的挑战。为此,该文提出一种考虑高阻接地的配电网故障检测方法。首先,通过分析大量的现场波形数据,得到了故障发生前后的波形特性。并且,为减弱噪声的干扰,对现场数据进行预处理。进一步,提出了一种基于数学形态学的故障特征增强方法,以放大故障在发生时刻的响应,同时减弱故障暂态过程以及正常运行状态下的畸变响应。接着,提出了一种基于狄利克雷过程高斯混合模型的故障时刻检测方法,通过对增强后的故障特征进行自适应判断,实现故障时刻的快速准确检测。基于实际配电网现场数据,进一步验证了该文所提方法的优势。实验结果表明,所提方法通用性强,仅需要配电网零序电流数据。同时,该文方法具有较高的检测精度和检测效率,满足配电网的可靠性和安全性要求。

基于VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。