基于CMAES集成学习方法的地表水质分类

为了提高人民生活质量,政府部门不断加强水质管理,然而人工分类方法无法满足实时处理的需求,传统机器学习方法的分类准确率又不够高。集成学习使用多种学习算法来获得比单一学习算法更好的预测性能。首先,对集成学习进行概述,简要介绍了Bagging和Boosting算法,并提出基于协方差自适应调整的进化策略算法(CMAES)的集成学习方法。接着,介绍了数据处理方式、模型评估方法和评价指标。最后,用CMAES集成学习方法对逻辑回归、线性判别分析、支持向量机、决策树、完全随机树、朴素贝叶斯、K-邻近算法、随机森林、完全随机树林、深度级联森林十种模型进行集成。实验结果表明,CMAES集成学习方法优于所有其他模型,该方法将继续被应用到未来的研究之中。

基于SGMD-CMAE和WOA-ELM的滚动轴承故障诊断方法

针对滚动轴承的振动信号因其非平稳性和信噪比不高而难以准确提取特征的问题,提出了一种抗噪性能好、识别率高的滚动轴承故障诊断方法。首先,使用辛几何模态分解(symplectic geometry mode decomposition,SGMD)将滚动轴承故障信号分解为多个辛几何分量(symplectic geometry component,SGC),基于相关性原则,选取相关性高的SGC对故障信号进行重构,形成重构信号;然后,提出了复合多尺度注意熵(composite multi-scale attention entropy,CMAE)定量提取重构信号的特征熵值,构建CMAE特征;再选择鲸鱼优化算法(whale optimization algorithm,WOA)对极限学习机(extreme learning machine,ELM)中的有关参数优化处理,构建WOA-ELM模型;最后,将CMAE特征输入到WOA-ELM模型中,实现滚动轴承的故障诊断。仿真实验结果表明:与其他方法相比,文章所提的SGMD-CMAE和WOA-ELM方法识别滚动轴承故障准确率更高。

基于适应性均衡模型的CMAES约束优化算法

提出一种基于适应性均衡模型的协方差矩阵自适应进化策略(ATM-CMAES)用于求解约束优化问题。ATM-CMAES中的CMAES利用当前代最优子群与上一代分布均值之间的关系更新协方差矩阵来调整种群分布,将协方差矩阵秩1和秩μ2种更新机制相结合,克服了传统进化算法对种群大小的过分依赖;将ATM作为约束处理技术,针对群体不可行、半可行和可行这3种不同情形,采用不同的约束违反度与目标函数值之间的均衡机制来指导群体进化。对13个标准测试函数的实验结果表明:ATM-CMAES具有通用、稳健和高效性能。

基于CMAES-SVR的WLAN室内定位算法研究

针对传统WLAN指纹定位算法中存在的定位精度低、稳定性差、实时性不高等问题,提出一种基于CMAES-SVR的WLAN室内定位算法。该算法首先对接入点(AP)的接收信号强度(RSS)进行统计分析,采用高斯滤波对信号进行预处理,然后利用K-means聚类算法将原始指纹数据库中的定位区域进行聚类分块;其次采用协方差矩阵自适应进化策略(CMAES)优化支持向量回归机(SVR)参数,从而建立CMAES-SVR室内定位学习模型,通过该模型分别构建各定位子区域中RSS信号与物理位置非线性映射关系;最后判断测试点所属类簇,根据该类簇中训练好的CMAES-SVR模型进行回归预测。实验结果表明,与WKNN、传统SVR以及PSO-SVR算法相比,该算法在定位精度、稳定性以及实时性方面均有所提高。

最小弹性势能变化为目标的连续体机器人的构形规划与控制

针对连续体机器人的运动规划与控制问题,提出了一种基于最小弹性势能变化的连续体机器人的构形规划与控制方法。首先,基于Cosserat杆件模型建立了连续体机器人的动力学模型。其次,采用贝塞尔曲线表示连续体机器人的曲率,以最小弹性势能变化为目标函数,通过协方差矩阵自适应进化策略(Covariance Matrix Adaptation Evolution Strategy,CMAES)实现了连续体机器人的实时构形规划。接着,在考虑控制输入饱和的约束下,设计了一种参数自整定滑膜控制器,并且通过Lyapunov稳定性分析,验证了该控制系统的稳定性。最后,仿真模拟结果验证了所提出的构形规划与控制方法的正确性和有效性。

求解全局优化问题的正交协方差矩阵自适应进化策略算法

针对协方差矩阵自适应进化策略(CMAES)求解高维多模态函数时存在早熟收敛及求解精度不高的缺陷,提出一种融合量化正交设计(OD/Q)思想的正交CMAES算法。首先利用小种群的CMAES进行快速搜索,当算法陷入局部极值时,依据当前最好解的位置动态选取基向量,接着利用OD/Q构造的试验向量探测包括极值附近区域在内的整个搜索空间,从而引导算法跳出局部最优。通过对6个高维多模态标准函数进行测试并与其他算法相比较,其结果表明,正交CMAES算法具有更好的搜索精度、收敛速度和全局寻优性能。

基于协方差矩阵自适应进化策略的机器人手眼标定算法

针对视觉传感器标定和机器人运动学求解过程中存在噪声干扰,导致传统的手眼标定算法求解误差较大的问题,提出一种基于协方差矩阵自适应进化策略(CMAES)的机器人手眼标定算法。首先,采用对偶四元数(DQ)对旋转和平移分别建立目标函数和几何约束,简化求解模型;其次,采用惩罚函数法将约束问题转化成无约束优化问题;最后,使用CMAES算法逼近手眼标定旋转和平移方程的全局最优解。搭建机器人、相机实测实验平台,将所提算法与Tsai两步法、非线性优化算法INRIA、DQ算法进行对比。实验结果表明:所提算法在旋转和平移上的求解误差和方差均小于传统算法;与Tsai算法相比,所提算法的旋转精度提升了4.58%,平移精度提升了10.54%。可见在存在噪声干扰的实际手眼标定过程中,所提算法具有更好的求解精度与稳定性。