基于WGKSOM-DRCA自适应即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点碳温的准确预测是实现转炉终点控制的关键。针对转炉生产过程数据存在波动性大和非线性特点引起传统即时学习度量的算法学习集质量低,进而削弱模型预测性能的问题,提出了一种基于加权高斯核自组织映射动态相关成分分析(WGKSOM-DRCA)自适应即时学习软测量建模方法用于转炉炼钢终点碳温预测。首先,采用引入标签信息的WGK度量准则构造WGKSOM聚类算法引导聚类方向,提高算法的聚类质量并降低类簇数据波动性对于建模的影响;其次,利用高斯后验概率计算待测样本的隶属度并通过引入动态因子构建DRCA度量策略,从而实现自适应的样本选择,进一步提升待测样本对应的局部算法学习集质量并用于局部模型训练,最终输出终点碳温的预测结果。实验表明,所提算法在转炉炼钢终点碳温预测上相对于其他算法有更好的表现,在±0.02%的预测误差范围,碳含量的预测精度为92%,在±10℃的误差范围,温度的预测精度为93.5%。

基于熵权距离的图正则局部线性嵌入算法

针对局部线性嵌入(Locally Linear Embedding,LLE)算法在挖掘数据结构时未考虑特征权重且仅局限于数据的线性拟合关系,导致特征提取效果不佳的问题,提出一种基于熵权距离的图正则局部线性嵌入(Graph Regular Local Linear Embedding Algorithm Based on Entropy Weight Distance,EWD-GLLE)算法。首先,采用信息熵加权的余弦距离划分样本邻域,减小不重要特征对邻域划分的影响,提高了邻域划分的准确性;然后,利用融合热核权重与余弦权重的拉普拉斯图约束低维嵌入,以保留更多的原始数据信息,进而提取到更显著的特征。在两种轴承数据集上的实验结果表明:EWD-GLLE算法的特征提取性能明显优于LLE、LTSA、LDA算法。

基于局部线性重构与高斯核映射的聚类研究

针对现有的基于约束的半监督聚类算法获得的聚类结果质量不足的问题,提出一种基于高斯核映射与局部线性重构的主动学习聚类算法。首先利用高斯核映射与局部线性嵌入进行流行学习,将对局部线性重构重要性过低以及非平坦区域的样本作为不重要的样本;然后,为查询选择设立了1个考虑样本所需查询数量的新判断条件;最终,建立must-link并将平坦区域的信息传递至半监督聚类算法。实验结果证明,对于小规模数据与大规模数据,该算法学习的成对约束均可获得较好的聚类结果。

基于高斯核显性映射的核归一化解相关仿射投影P范数算法

为了降低核仿射投影P范数(KAPP)算法的计算量和存储容量,提高在输入信号强相关时KAPP算法的收敛速度和稳态性能,该文提出基于高斯核显性映射的核归一化解相关APP(KNDAPP-GKEM)算法。该算法利用归一化解相关方法预先解除输入信号的相关性;利用高斯核显式映射方法近似得到显式核函数,消除了对历史数据的依赖,解决了KAPP算法因结构不断生长导致的计算量和存储容量过大的问题。α稳定分布噪声背景下的非线性系统辨识仿真结果表明,在输入信号强相关时KNDAPP-GKEM算法收敛速度快,非线性系统辨识稳态均方误差小,训练所需时间呈线性缓慢增长,有利于实际非线性系统辨识的应用。

区域渐近增强与感受野结合的多核近似学习网

为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成。在特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量。在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重。为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率。

特征地图中基于高斯核函数的自动导引车Markov定位算法

针对特征地图中应用Markov定位算法在对自动导引车全局定位时出现传感器观测与地图之间的特征数据关联不唯一而导致定位失败的问题,提出一种不通过数据关联的Markov定位计算新方法。利用高斯核函数将环境中的稀疏特征拟合成平滑致密曲线,通过对比传感器观测和算法预测得到的两个致密曲线相似度来计算Markov定位中的观测模型。建立了模型及算法,设计了两种环境对该方法进行仿真分析,相似环境下的仿真验证了位姿估计的准确性,非相似环境下的仿真验证了全局定位的高效性。通过在半封闭环境的自动导引车对比定位实验,验证了该方法在实际环境中对位姿估计的有效性和优越性。

基于变换核高斯回归模型的无线环境地图构建方法

针对无线环境地图(Radio Environment Map,REM)构建中复杂的地形和地物环境对电波传播影响的问题,提出一种基于变换核高斯回归模型的REM构建算法,并在此构建算法的基础上,提出了2种无线电频谱监测空间选点算法。将高斯过程引入到REM构建中,讨论了环境异质性的影响,设计了3种非线性核变换函数表征电波传播环境的异质性,从群智感知设备采集的数据中学习环境信息,并将这些信息隐含于核变换函数的非线性变换参数中以提升REM构建的准确性。在此基础上,通过优化频谱监测空间选点方案,提升REM中数据的有效性,以较少的数据达到更好的REM构建性能。将基于变换核高斯模型的构建算法与几种经典的REM构建算法进行了对比分析,仿真实现了2种空间选点方案并与传统的均匀随机选点的性能进行了对比。结果表明,当群智传感器的数量足够多、算法可以捕捉到局部环境的异质性时,所提出的变换核学习(Transformed Kernel Learning,TKL)算法优于其他经典的REM构建方法。在有限个可数点集范围内进行选点,互信息最大化(Greedy-based Mutual Information Maximum,GMIM)空间选点算法与均匀随机选点相比,REM构建的RMSE可以降低1.23 dB,连续分级概率评分(Continuous Ranked Probability Score,CRPS)降低0.64;对整个空间任意位置进行选点时,变分推断(Variational Inference,VI)空间选点算法与均匀随机选点相比,REM构建的RMSE可以降低1.56 dB,CRPS降低0.73。

局部高密度残差点包裹相位的解包方法

为了解决在用(0-1)掩膜和最小二乘迭代法处理局部高密度残差点包裹相位解包时,由于真实相位丢失、误差传递和过度平滑作用引起的相位解包精度低的问题,提出一种新的解包方法。采用(2k+1)×(2k+1)维亚像素离散高斯卷积核对高密度残差点区域进行掩膜处理,有效保留该区域真实相位信息。再利用调节度-最大相位梯度质量图定义四向最小二乘迭代法的权值,改善最小二乘迭代法的过度平滑作用,抑制误差在残差点区域的传递,有效提高该区域解包的精确性。实验结果表明,该方法能很好地解决局部存在高密度残差点的解包裹问题,快速有效地还原高密度残差点区域的原始相位。与传统最小二乘迭代法相比,在相同的迭代次数下,该方法高密度残差点区域的平均误差仅为最小二乘迭代法的10%,更适合于高密度残差点较为集中的包裹相位精确解包。

基于多尺度谱映射的基金投资风格显著特征识别方法

风格漂移是证券投资基金常见的现象,辨识投资风格的显著特征对评级和选择证券投资基金有着重要的意义。基于多尺度谱映射的思想,本文提出了一种基金投资风格显著特征识别方法,从逻辑上阐述了该方法的基本原理,用数值模拟展示了该方法相对于传统方法有着明显的优势,并分析了该方法参数选取对识别结果的影响。利用该方法,本文对2012年以来我国24支开放式基金进行了投资风格显著特征的识别,发现这24支基金出现比较严重的风格漂移和趋同现象。

一类基于高斯核的动态聚类算法研究

通过研究核映射机理,提出了用于聚类分析的高斯核聚类算法.采用Mercer核映射将输入空间的样本映射到高维特征空间,在保持样本原有特征的基础上通过核映射使样本的差异性得到一定程度的放大.这样在特征空间中就可以采用传统的k-均值聚类方法,从而弥补k-均值聚类对于各样本的边界是线性不可分以及类分布为非高斯分布或为非椭圆分布时,其聚类效果较差的缺点.这种核聚类方法由于是对样本进行了预处理,增大样本差异的前提下对样本进行聚类,从而提高了聚类精度,获得较好的聚类效果.应用这一算法对几种典型分布的数据进行聚类实验,仿真结果表明高斯核聚类算法性能优于k-均值算法和模糊k-均值算法.

基于改进灰狼算法优化核极限学习机的锂电池动力电池荷电状态估计

动力电池荷电状态(SOC)是电动汽车电池管理系统(BMS)的一个重要技术指标,针对锂电池SOC难以精确估算的问题,提出一种基于改进灰狼算法(IGWO)优化核极限学习机(KELM)的SOC估计方法.为了克服标准GWO算法存在早熟收敛、易陷入局部最优等缺陷,算法首先采用混沌映射和反向学习策略产生初始灰狼种群,其次引入收敛因子非线性调整机制来提升算法的整体收敛速度,最后利用高斯变异及贪婪选择算子更新最优解位置,以降低算法陷入局部极值的概率.通过5个标准测试函数的仿真实验证明了该算法具有更好的寻优能力.利用IGWO算法对核极限学习机的参数进行寻优,并建立起基于KELM的电池SOC估计模型,分别采用美国城市动态循环驱动工况(UDDS)模拟工况下数据和恒流放电实验数据进行仿真研究,结果表明本文所提的方法估算效果优于ELM、KELM、GWO-KELM、扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF),对锂电池系统优化管理具有指导意义.