超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm o...超参数优化是减少高斯过程回归(Gaussian process regression,GPR)学习方法计算量,提高高斯模型性能的一个重要问题。为解决超参数优化问题中先验知识匮乏,对初始值过分依赖且易陷入局部最优等问题,文章引入粒子群优化(particle swarm optimization,PSO)算法,并结合差分速度更新公式及自适应变异策略,提出了一种自适应差分粒子群-高斯过程回归优化(adaptive differential particle swarm optimization-Gaussian process regression,ADPSO-GPR)算法对GPR中超参数进行自适应优化。该算法在线性与非线性两类时序回归序列上与多种主流超参数优化算法进行对比,实验结果表明,采用该文算法优化超参数后的GPR具有较高的拟合精度及泛化能力。展开更多
软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自...软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。展开更多
针对传统回归模型监测的精度不足,将高斯过程回归方法引入大坝安全监测领域,采用正弦平方核(Exp Sine Squared kernel)函数进行高斯过程回归分析,通过对小浪底水利枢纽坝顶某监测点历史观测数据构建高斯过程回归(GPR)模型,进行GPR建模,...针对传统回归模型监测的精度不足,将高斯过程回归方法引入大坝安全监测领域,采用正弦平方核(Exp Sine Squared kernel)函数进行高斯过程回归分析,通过对小浪底水利枢纽坝顶某监测点历史观测数据构建高斯过程回归(GPR)模型,进行GPR建模,对其后八期位移进行预测,并进行可视化图表输出并加以分析。结果表明,GPR模型预测精度在一定程度上优于其他回归模型。展开更多
针对随机不确定性可能带来翼吊式飞机严重气动性能波动的问题,提出了一种基于主动学习加点策略的Gauss过程回归(Gaussian process regression,GPR)代理模型方法用于不确定性分析,该主动学习加点策略能够有效地降低模型不确定性,提高不...针对随机不确定性可能带来翼吊式飞机严重气动性能波动的问题,提出了一种基于主动学习加点策略的Gauss过程回归(Gaussian process regression,GPR)代理模型方法用于不确定性分析,该主动学习加点策略能够有效地降低模型不确定性,提高不确定预测的精度。关注来流不确定性输入,分别使用Smolyak稀疏网格多项式混沌展开(polynomial chaos expansion,PCE)方法和基于主动学习加点策略的GPR代理模型方法,结合Sobol灵敏度分析对翼-身-短舱-挂架几何进行了不确定性分析。结果表明,在跨声速条件下,攻角和Mach数的不确定性会引起翼吊式飞机升力系数和阻力系数的剧烈波动,其中升力系数的波动同时受攻角和Mach数的影响,阻力系数的波动主要由Mach数决定。展开更多
确定性的点预测在精度上无法满足大规模光伏并网的调度需求,基于此,提出一种光伏出力区间预测方法。针对光伏功率原始数据的强波动特性,采用变分模态分解(variational model decomposition,VMD)方法将其分解为若干个子序列,并依据样本...确定性的点预测在精度上无法满足大规模光伏并网的调度需求,基于此,提出一种光伏出力区间预测方法。针对光伏功率原始数据的强波动特性,采用变分模态分解(variational model decomposition,VMD)方法将其分解为若干个子序列,并依据样本熵理论,将复杂度较高的子序列重组为波动分量S,采用高斯过程回归(Gaussian process regression,GPR)法对分量S进行预测,得到其波动区间。考虑到GPR本身固有的缺陷,采用纵横交叉(crisscross optimization,CSO)算法对它的超参数寻优过程进行改进,而复杂度相对较低的其他VMD子序列代表光伏出力稳定分量,因此,采用支持向量机(support vector machine,SVM)法直接对它们进行确定性预测,最后通过重组各分量的预测值,得出光伏出力的区间预测结果。展开更多
文摘针对传统回归模型监测的精度不足,将高斯过程回归方法引入大坝安全监测领域,采用正弦平方核(Exp Sine Squared kernel)函数进行高斯过程回归分析,通过对小浪底水利枢纽坝顶某监测点历史观测数据构建高斯过程回归(GPR)模型,进行GPR建模,对其后八期位移进行预测,并进行可视化图表输出并加以分析。结果表明,GPR模型预测精度在一定程度上优于其他回归模型。
文摘针对随机不确定性可能带来翼吊式飞机严重气动性能波动的问题,提出了一种基于主动学习加点策略的Gauss过程回归(Gaussian process regression,GPR)代理模型方法用于不确定性分析,该主动学习加点策略能够有效地降低模型不确定性,提高不确定预测的精度。关注来流不确定性输入,分别使用Smolyak稀疏网格多项式混沌展开(polynomial chaos expansion,PCE)方法和基于主动学习加点策略的GPR代理模型方法,结合Sobol灵敏度分析对翼-身-短舱-挂架几何进行了不确定性分析。结果表明,在跨声速条件下,攻角和Mach数的不确定性会引起翼吊式飞机升力系数和阻力系数的剧烈波动,其中升力系数的波动同时受攻角和Mach数的影响,阻力系数的波动主要由Mach数决定。
文摘确定性的点预测在精度上无法满足大规模光伏并网的调度需求,基于此,提出一种光伏出力区间预测方法。针对光伏功率原始数据的强波动特性,采用变分模态分解(variational model decomposition,VMD)方法将其分解为若干个子序列,并依据样本熵理论,将复杂度较高的子序列重组为波动分量S,采用高斯过程回归(Gaussian process regression,GPR)法对分量S进行预测,得到其波动区间。考虑到GPR本身固有的缺陷,采用纵横交叉(crisscross optimization,CSO)算法对它的超参数寻优过程进行改进,而复杂度相对较低的其他VMD子序列代表光伏出力稳定分量,因此,采用支持向量机(support vector machine,SVM)法直接对它们进行确定性预测,最后通过重组各分量的预测值,得出光伏出力的区间预测结果。
