计及采样扰动抑制的电压源逆变器三矢量无模型预测电流控制方法

针对传统电压源逆变器无模型预测电流控制(model-free predictive current control,MFPCC)方法存在电流纹波大、电流梯度更新停滞以及预测性能易受采样扰动影响的问题。该文提出一种计及采样扰动的三矢量MFPCC方法。在一个控制周期应用3个基本矢量,并根据价值函数计算矢量作用时间,降低了输出电流纹波;其次,通过建立不同矢量作用下的电流梯度方程组,实现电流梯度数据的实时更新,消除了停滞现象;再次,分析采样扰动对MFPCC的影响,采用扩张状态观测器估计采样扰动以补偿预测电流控制,抑制其对输出电流的影响。最后,通过仿真和实验,对所提方法的有效性进行了验证。

一种基于指令MKS的自动向量化代价模型

自动向量化代价模型是编译器进行自动向量化优化时的重要组成部分,其作用是评估代码在应用向量化转换后能否获得性能提升。当代价模型不准确时,编译器会应用负收益的向量化转换,从而降低程序的执行效率。针对GCC编译器默认代价模型的不精确问题,以Intel Xeon Silver 4214R CPU为平台,提出了一种基于指令MKS的自动向量化代价模型。该模型充分考虑了指令的机器模式、运算类型以及运算强度等,并使用梯度下降算法自动搜索不同指令类型的近似代价。在SPEC2006以及SPEC2017上进行了单线程测试,实验结果表明,该模型能够减少收益评估错误的情况。与默认代价模型生成的向量程序相比,GCC编译器添加MKS代价模型后,在SPEC2006课题上最高获得了4.72%的提速,在SPEC2017课题上最高获得了7.08%的提速。

结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合,增强测试效果,但少有学者将其运用于测试数据生成方面.为进一步提高测试数据生成效率,提出一种结合SVM(support vector machine)和XGBoost(extreme gradient boosting)的链式模型,并基于此模型借助遗传算法实现多路径测试数据生成.首先,利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost),通过子模型的预测精度值筛选最优子模型,并根据路径节点顺序将其依次链接,形成一个链式模型C-SVMXGBoost(chained SVM and XGBoost).在利用遗传算法生成测试用例时,使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径),寻找预测路径与目标路径相似的路径集,对存在相似路径集的预测路径进行插桩验证,获取精确路径,计算适应度值.在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用,生成覆盖目标路径的测试数据.最后,保留进化生成中产生的适应度较高的个体,更新链式模型C-SVMXGBoost,进一步提高测试效率.实验表明,C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题,可提高测试效率.并且通过与已有经典方法相比,所提方法在覆盖率上提高可达15%,平均进化代数也有所降低,在较大规模程序上其降低百分比可达65%.

基于三维激光点云数据的电力电缆绝缘缺陷识别

针对电力电缆绝缘缺陷识别精准度较低的问题,提出一种基于三维激光点云数据的电力电缆绝缘缺陷识别方法。利用剪裁法增强原始三维激光点云数据,通过区域生长法与最小二乘法完整获取电缆绝缘材料的三维结构面信息。借助Canny边缘检测方法求解电缆绝缘表面缺陷与内部缺陷边缘信息,自动识别出电力电缆绝缘的缺陷位置及缺陷类别。结果表明,所提方法可以精准识别电缆绝缘表面的划痕缺陷、电缆外屏蔽表面起泡和孔洞缺陷,识别耗时短,鲁棒性较优,具有较高实际应用价值。

基于FPGA并行实现SVM训练的可重构计算系统

针对支持向量机在处理大规模数据集时所面临的计算复杂度高和训练时间长的问题,设计了一种基于FPGA并行实现支持向量机训练的可重构计算系统,并分析了不同量化方式下的硬件资源消耗与加速性能。通过采用随机梯度下降法训练支持向量机,使得需要求解的维度与样本的维度相关联,相较于传统的基于二次规划的求解方法可以显著降低计算复杂性。同时,利用基于FPGA的可重构硬件平台设计了专用并行计算结构以加速支持向量机的训练过程。对设计的完整系统进行了软硬件联合仿真,在4个公共数据集上的仿真结果表明,整体模型预测准确率达到90%以上;在训练阶段,相较于采用相同算法的软件实现,所提出的浮点数表示下硬件实现的单个样本处理时间至少减少了2个数量级;定点数表示下硬件实现的单个样本处理时间最大减小了3个数量级;与基于二次规划问题求解的硬件实现相比,单个样本处理速度最快提升了394倍。

应用机器学习算法模型预测兴安落叶松地上生物量

为了准确预测兴安落叶松地上生物量,以小兴安岭201株兴安落叶松地上生物量作为研究对象,以胸径(D)和树高(H)为变量,构建随机森林(RF)、人工神经网络(ANN)、支持向量回归(SVR)和梯度提升回归树(GBRT)等4种机器学习模型,并将机器学习算法的预测结果与传统二元生物量模型的预测结果进行对比分析。结果表明:对比传统生物量模型,4种机器学习算法的拟合效果与检验精度均有了大幅度提高。模型拟合精度由高到低的顺序为随机森林、梯度提升回归树、人工神经网络、支持向量回归、传统生物量模型;RF模型在各模型中的拟合精度最高,相对于传统生物量模型,RF模型的确定系数(R~2)提升了3.72%,均方根误差(R_(MSE))降低了44.47%,平均绝对误差(M_(AE))降低了42.81%,相对误差绝对值(M_(PB))降低了42.80%,赤池信息准则值降低了18.17%。模型检验精度由高到低的顺序为随机森林、人工神经网络、梯度提升回归树、支持向量回归、传统生物量模型;RF模型在各模型中的预测精度最高,与传统生物量模型相比,RF模型的确定系数(R~2)提升了1.08%,均方根误差(R_(MSE))降低了10.95%,平均绝对误差(M_(AE))降低了10.34%,相对误差绝对值(M_(PB))降低了10.34%,赤池信息准则值降低了5.20%。因此,相对于传统生物量模型,4种机器学习算法模型均可以提高兴安落叶松地上生物量的预测精度,RF模型的预测精度最高。

基于混合多机器学习算法的燃料电池性能退化预测框架

质子交换膜燃料电池(Proton exchange membrane fuel cell,PEMFC)是当下极具发展潜力的绿色发电装置,对其性能退化状态进行精准预测有助于促进电池健康管理,优化电池成本效益。为提高预测模型拟合度与精确度,提出用鹈鹕算法(Pelican optimization algorithm,POA)优化最小二乘支持向量机(Least squares support vector machine,LSSVM)的PEMFC性能退化预测模型。采用小波阈值去噪(Wavelet threshold denoising,WTD)与轻量级梯度提升机(Light gradient boosting machine,LGBM)进行数据预处理,以摒弃噪声与小关联度输入变量对预测的干扰。通过提供不同工况下电池运行数据和设立对比实验。结果表明,本模型的精度与稳定性优于其他模型,且占用资源较少,均方根误差保持在0.1%内,平均绝对百分比误差小于0.05%,性能优秀。

三相PWM整流器离散空间矢量无模型预测电流控制策略

针对PWM整流器模型预测控制对系数参数准确性高度依赖的问题,提出一种基于离散空间矢量的无模型预测电流控制(MFPCC)策略。该策略通过矢量合成,在每个控制周期应用两个基本矢量,提高了预测电流的准确性;通过峰谷采样,分别测量并存储上一控制周期两个基本矢量作用下的电流梯度;并建立电流梯度方程,从而根据应用矢量的电流梯度进一步更新剩余6个未应用矢量的电流梯度,结合当前时刻的电流采样值,实现未来时刻的电流预测,得到下一时刻最优的虚拟矢量。该方法不依赖于任何系统参数,且消除了传统MFPCC策略中电流梯度更新停滞现象,降低了输出电流谐波。最后,通过实验和仿真验证了所提方法的有效性和优越性。

基于轨道结构和电磁特性的电磁发射器电感梯度分析

根据Kerrisk推导得出的矩形轨道电感梯度计算数学模型,构建出轨道高度h、轨道宽度W和轨道间距s与电感梯度L'之间的四维函数变化关系,从而直观地表明了电感梯度随轨道结构参数变化的趋势。为了了解电感梯度的电磁特性变化机理,通过电磁物理量磁失势A推导得出轨道截面平均磁失势A与电感梯度之间的关系式,从而简化了电感梯度的电磁理论分析。物理概念清晰,易于理解与指导工程实践。同时又分别对不同轨道结构参数、不同轨道截面形式和交变电磁环境下,影响电感梯度的主要因素进行电磁特性变化理论分析与研究,从而了解了这些因素对电感梯度的影响。

三芯电缆中间接头压接缺陷多物理场及温度梯度场分析

为解决传统电缆中间接头压接缺陷识别温度敏感性差、环境影响因素多、设备检测精度低等问题,提出了一种基于温度梯度矢量分析的电缆中间接头缺陷识别方法。通过对10 kV三芯电缆开展多场耦合计算,采用矢量分析方法获得了电缆中间接头的温度梯度场和热流密度分布矢量图,形成了电缆中间接头温度梯度场分布规律。结果表明:电缆中间接头表面温度梯度主要受x方向(电缆径向)温度梯度的影响;正常接头表面温度变化率不超过16.6%,其表面温度梯度变化率达49.8%;缺陷接头表面温度变化率不超过21.8%,其表面温度梯度变化率达57.8%,温度梯度场相较温度场有更高的检测灵敏度。开展电缆中间接头温度梯度场分析研究,对电缆接头致热型缺陷运维效率提升有积极意义。

基于离散空间矢量调制的永磁同步电机无参数预测电流控制

针对传统电流梯度更新的无参数预测电流控制(parameter-free predictive current control,PFPCC)存在电流梯度更新停滞及电流脉动大的问题,提出一种基于离散空间矢量调制(discrete space vector modulation,DSVM)的PFPCC优化方法。首先,通过分析不同电压矢量在α-β轴上的电流梯度关系,得到相邻两个控制周期内各电压矢量与电流梯度的数学关系;然后,在一个控制周期内更新所有电压矢量的电流梯度,有效减小了传统PFPCC中的停滞效应。为了进一步减小电流脉动,将DSVM引入到所提方法中。结合DSVM选矢量的方式,以较小计算量即可将所有的电流梯度更新,从而保证电流预测的可靠性和准确性。实验结果表明:所提PFPCC方法与基于模型的预测电流控制相比,具有类似的动静态性能。与单矢量PFPCC相比,DSVM-PFPCC方法在保证动静态性能的同时,能够显著减小电流脉动,提高在实际系统中的控制性能。

随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

心电向量图参数与儿童肺动脉压相关性及对肺动脉高压的预测效能研究

目的 探讨心电向量图参数与儿童肺动脉压相关性及对肺动脉高压(pulmonary hypertension, PH)的预测效能。方法 选取2020年2月-2024年2月收治的124例疑似PH患儿,根据临床最终诊断结果分为PH组60例和无PH组64例,入院后均行心电图检查,同步记录常规心电图、心电向量图,比较2组基线资料及平均肺动脉压(mPAP)及心电图向量参数(QRS最大向量振幅、心室复极梯度方位角、QRS最大向量仰角、心室复极梯度仰角、QRS最大向量方位角、心室复极梯度振幅、QRS-T比值、QRS-T夹角),分析心电图向量参数与mPAP相关性及对PH的影响,受试者工作特征(ROC)曲线分析心电图向量参数对PH的预测效能。结果 PH组窦性心律患儿占比低于无PH组,房性心动过速、右心室肥大、房室传导阻滞患儿占比及mPAP高于无PH组(P<0.01)。PH组心室复极梯度方位角、QRS最大向量仰角、心室复极梯度仰角、QRS最大向量方位角、QRS-T夹角高于无PH组,心室复极梯度振幅低于无PH组(P<0.01)。心室复极梯度方位角、QRS最大向量仰角、心室复极梯度仰角、QRS最大向量方位角、QRS-T夹角与mPAP呈正相关(r=0.697、0.766、0.836、0.623、0.793,P<0.001、<0.001、<0.001、<0.001、<0.001),心室复极梯度振幅与mPAP呈负相关(r=-0.828,P<0.001)。Logistic回归分析显示,心室复极梯度方位角、QRS最大向量仰角、心室复极梯度仰角、QRS最大向量方位角、心室复极梯度振幅、QRS-T夹角对PH有影响(P<0.01)。ROC曲线分析显示,心室复极梯度方位角、QRS最大向量仰角、心室复极梯度仰角、QRS最大向量方位角、心室复极梯度振幅、QRS-T夹角联合预测PH的AUC为0.924,敏感度为78.33%,特异度为92.19%。结论 心电向量图参数与肺动脉压力具有显著相关性,临床可通过心电向量图参数预测评估PH,以针对性制订干预方案,改善预后。

导数/梯度的几何意义

利用法向量给出导数/梯度的几何意义,不仅具有直观性,而且可以直接推广到高维情形,为梯度下降法等进一步应用提供了几何解释.

基于机器学习的KRAS抑制剂活性预测模型研究

Kirsten大鼠肉瘤病毒癌基因同系物(Kirsten rat sarcoma viral oncogene homolog,KRAS)基因是最常见的突变癌基因之一,发现KRAS抑制剂对存在该基因突变的癌症患者具有潜在的治疗作用。本研究将机器学习应用于KRAS抑制剂的定量构效关系(quantitative structure-activity relationship,QSAR)模型,从ChEMBL、BindingDB、PubChem 3个数据库中收集了1857条KRAS小分子抑制剂的IC50和SMILES(simplified molecular input line entry system),采用3种不同的特征筛选方式结合随机森林、支持向量机、极端梯度提升机3种机器学习模型,构建了9个不同的分类器。结果表明,SVM模型结合互信息筛选显示出最佳性能:AUC_(test)=0.912,ACC_(test)=0.859,F1_(test)=0.890,并且在外部验证集上也表现出良好的预测性能(AUC_(Ext)=0.944,Recall_(Ext)=0.856,FPR_(Ext)=0.111)。该研究为使用人工智能方法在天然产物数据库中进行KRAS抑制剂筛选提供了新的技术路线。

基于DT‒SVM优化算法的人体姿态特征提取与识别研究

为确定人体运动行为在空间环境中的表现情况,实现对姿态特征的准确定义,针对基于DT‒SVM优化算法的人体姿态特征提取与识别方法展开研究.利用DT‒SVM优化算法,推荐必要的姿态特征节点,确定人体运动行为所处空间平面.实施对姿态特征的梯度化处理,根据获取到的轮廓节点,计算夹角向量的具体数值,从而求解姿态特征提取与识别的数学表达式,完成基于DT‒SVM优化算法的人体姿态特征提取与识别方法的设计.实验结果表明,上述方法的应用,可同时在X轴、Y轴、Z轴三个方向上,控制人体运动行为,使其偏向角数值均不超过12°,符合精准定义人体姿态特征的实际应用需求.

梯度提升最小二乘支持向量回归的压电执行器磁滞特性建模

针对用于精密运动定位的压电执行器具有磁滞效应的问题,本文提出一种基于梯度提升最小二乘支持向量回归(GB-LSSVR)的建模方法.首先,通过引入磁滞算子构造拓展的输入空间,将磁滞的多值映射转换为一对一映射.然后,建立基于GB-LSSVR的磁滞模型,设计可保证收敛粒子群算法(GCPSO)对GB-LSSVR模型参数进行优化.最后,将所提出方法用于实际预测一个压电执行器的位移.结果表明,该方法相对于经典的最小二乘支持向量回归(LSSVR)和截断最小二乘支持向量回归(T-LSSVR)算法,能得到更加准确的结果.

基于天气二次分类的地表太阳辐射预测方法

为提高地表太阳辐射在复杂天气情况下的预报精确度并减小预报的时间成本,结合广州市白云区的历史气象数据,提出了一种以中国气象局的天气划分标准对历史天气进行分类的方法,并在各天气的子模型下使用支持向量回归(support vector regression, SVR)对地表辐照度进行预报。由于天气类型较多,因此对各子模型利用极限梯度提升(extreme gradient boosting, XGBoost)算法进行特征分析,并利用Mann-Whitney检验,合并了特征重要性类似的序列,实现了天气的二次分类,降低了模型的复杂度。结果显示,本文模型在连续12个月的预报中,相关系数、准确率和合格率均超过了评判指标的要求,具有较高的预测精度。且预报总计用时10.633 h,相比其余模型的13~34 h,预报速度更快,迎合了光伏电站中对太阳辐射预报的及时性的需求。

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。

基于机器学习的日间手术患者住院费用预测研究

目的 探讨XGBoost、BP神经网络和支持向量机对日间手术患者住院费用的预测价值,选择最优模型,为医院合理优化日间手术医疗资源配置提供科学依据。方法 利用某三甲医院2018年1月—2021年8月日间手术中心患者病案首页共9 064份,通过Excel建立数据库,采用SPSS 21.0软件进行描述性分析。对于日间手术患者住院费用的分析预测,利用Python建立XGBoost、BP神经网络和支持向量机模型,比较评价指标选出最优模型,从而对医院日间手术患者的住院费用作出精准预测。结果 该院患者住院费用的中位数为2 872.11元。XGBoost模型预测住院费用的R方值为0.854,MAPE值为0.209;BP神经网络的R方值为0.837,MAPE值为0.240;支持向量机的R方值为0.730,MAPE值为0.225。综合两个评价指标,XGBoost预测的准确性比BP神经网络和支持向量机更高。结论 XGBoost比BP神经网络和支持向量机在日间手术患者住院费用预测研究中表现更具优势,具有较高的估算精度和可靠性。通过对住院费用的精准预测,可为相关医疗运营管理者提供决策参考,在保证医疗质量的情况下主动控费,从而达到引导医疗行为、提升医院资源使用效率的效果。