基于多维Gaussian Copula的岩土体设计参数概率转换模型构建方法

岩土工程中经常需要基于直接测量参数去预测设计参数,概率转换模型是确定设计参数真实分布范围的有效工具。常用的基于多维正态分布的概率转换模型构建方法容易引起误差且受边缘分布类型限制。为此,提出了基于多维Gaussian Copula的岩土体设计参数概率转换模型构建方法。以全球黏土数据库CLAY/6/535为例验证了所提方法的有效性,分别推导了不排水抗剪强度和超固结比与孔压静力触探试验指标之间的概率转换模型。结果表明:基于多维Gaussian Copula的概率转换模型构建方法可以将相关结构与边缘分布分开构建,该方法不受岩土体参数的边缘分布类型限制,有效地避免了误差由边缘分布向相关结构的传播。在构建的概率转换模型中,岩土体设计参数的不确定性、相关性与直接测量参数的数目以及直接测量参数与设计参数之间的相关性成反比。

Data Fusion about Serviceability Reliability Prediction for the Long-Span Bridge Girder Based on MBDLM and Gaussian Copula Technique

This article presented a new data fusion approach for reasonably predicting dynamic serviceability reliability of the long-span bridge girder.Firstly,multivariate Bayesian dynamic linear model(MBDLM)considering dynamic correlation among the multiple variables is provided to predict dynamic extreme deflections;secondly,with the proposed MBDLM,the dynamic correlation coefficients between any two performance functions can be predicted;finally,based on MBDLM and Gaussian copula technique,a new data fusion method is given to predict the serviceability reliability of the long-span bridge girder,and the monitoring extreme deflection data from an actual bridge is provided to illustrated the feasibility and application of the proposed method.

基于多元GMM的机载多光谱LiDAR点云空谱联合分类

针对传统机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)土地覆盖分类方法空谱信息协同利用能力不足或多类型特征联合利用时特征维数过高的缺陷,提出一种基于多元高斯混合模型(Gaussian mixture model,GMM)的机载MS-LiDAR点云空谱联合分割算法。该算法首先对原始多波段独立点云进行辐射校正、异常剔除及融合,形成同时表达空间位置及其对应多波段光谱信息的多光谱点云;然后,提取各激光点的多光谱、高程等特征构建空谱特征矢量,并通过特征标准化及离散化消除不同类型特征间的单位和尺度差异;再次,构建多元GMM建模目标在空谱特征空间呈现的多峰分布,获取激光点属于各类目标的响应度并按照最大响应度原则确定类属;最后,设计3D多数投票法优化分割结果。实验基于实测的Optech Titan MS-LiDAR数据验证提出算法的有效性和可行性。实验结果表明:联合多波段强度特征及高程特征的多元GMM的分割总体精度可达93.57%,Kappa系数可达0.912,仅联合四维特征即可实现MS-LiDAR点云的高精度分割。该项研究可为综合利用MS-LiDAR数据的多光谱及空间信息提供新途径。

基于多维高斯混合模型的电力系统不确定性建模方法

在基于多维高斯混合模型的电力系统多变量概率建模中,针对期望最大化算法参数估计精度较低的问题,该文引入非参数核密度估计和密度保留的分层期望最大化算法,提出一种基于高斯成分数约简的建模方法。以非参数核密度估计结果作为基高斯混合模型,采用密度保留的分层期望最大化算法约简高斯成分数,能够建立任意高斯成分数的高斯混合模型,克服了期望最大化算法在高斯成分数较多时参数估计精度低的问题。为降低大样本下的建模计算负担,提出按时间尺度分层的建模方法。为解决相互独立的多个随机变量出现高斯成分数组合爆炸的问题,提出“组合–约简”分层建模方法。采用具有复杂分布特性的实测多维风速数据和负荷数据对所提方法作了测试,结果表明,所提方法的精度显著优于基于期望最大化算法的高斯混合模型和Copula函数法。

新能源配电系统非参数概率最优潮流解析方法

分布式新能源的大规模接入给配电系统的安全经济运行带来了严峻的挑战。为准确分析新能源出力不确定性对配电系统运行决策的影响,该文提出一种基于卡罗需–库恩–塔克(Karush-Kuhn-Tucker,KKT)条件与高斯混合模型的新能源配电系统非参数概率最优潮流计算方法。基于最优潮流问题的KKT条件获得从新能源出力等输入变量到机组出力等输出随机变量最优解的解析映射关系,显著简化了优化问题的求解过程。采用多元高斯混合模型对新能源出力概率分布进行描述,准确表征含有相关性的新能源出力的概率特性。最后,采用IEEE-33节点配电系统算例仿真分析验证所提配电系统非参数概率最优潮流计算方法的有效性。

一种融合概率分类模型的精细化室内定位方法

针对大型目标区域室内定位中定位精度低及信号间干扰等问题,提出一种融合概率分类模型的精细化定位方法。对于大型定位区域,采用以RP的信号强度对目标区域聚类分区,缩小信号变化区域。信号的多径效应带来信号依据下的错误分区,该文采用汤普森检验理论对分区参考点进行物理坐标校验以剔除异常点。为减小AP间信号干扰,引入多元高斯的朴素贝叶斯模型对不同AP信号建立高斯概率模型,融合一对多支持向量机概率模型以提高算法定位精度。测试分析表明,该算法实现较好的聚类分区,降低信号间干扰,平均定位精度达到0.4008m,相比于其他传统算法,定位精度提高27%以上。

基于AR和ARMA模型的多变量非高斯风压模拟

基于多变量非高斯随机过程间的相关性,将发展的单变量非高斯过程自回归和自回归滑动平均(AR和ARMA)模型模拟算法扩展至多变量非高斯过程的数值模拟。通过AR和ARMA模型系数考虑多变量非高斯过程间的相关性,建立多变量非高斯过程AR和ARMA模型的模拟算法。多变量非高斯风压的数值模拟表明:AR和ARMA模型算法能有效地模拟低斜度、中斜度和高斜度的多变量非高斯随机过程。

水介质中换能器的声场分布建模及仿真

在水声目标探测的优化中,为精确仿真水声换能器在水中的声场传播分布规律,首先利用多元高斯声束叠加模型,建立水声换能器的表面声压分布模型,然后通过频域有限差分法求解KZK传播方程,得到发射声场在水下分布规律和谐波特性,最后通过MATLAB进行数值仿真,得到各阶次谐波在声轴方向上的径向和轴向的分布情况,结果表明谐波阶次越高,波束越窄,声场能量较集中;各阶次谐波在轴向一定位置附近声压达到最大值,之后由于水介质的吸收效应逐渐衰减。上述研究对开展水下探测、非线性声场成像等具有重要的参考价值。

一种基于非均匀谱系数和GMM的语音质量评估方法

本文提出了一种新的基于GMM和非均匀线性预测倒谱系数(NLPC)的客观语音质量评估方法。首先,通过Bark双线性变换(BBT)对线性频谱进行频谱弯折,弯折后的频谱符合人耳听觉感知的非均匀特性。然后通过对非均匀谱的线性预测计算出NLPC。提取参考语音的NLPC用来对高斯混合模型进行训练。通过训练对参考语音建立参考模型。由参考模型和失真语音的NLPC向量可以得到它们之间的一致性测度。最后,通过多元自适应回归样条函数建立主观MOS分和一致性测度之间的映射关系,可以得到对MOS分的客观预测模型。通过这一模型进行语音质量的客观评价。实验表明,提出算法的性能要好于ITU-T P.563标准中的算法。

具有高区分度的视频火焰检测方法

为了在视频监控系统中准确地判断火焰区域并预测火灾的发生,提出一种新的基于人工神经网络的视频火焰检测方法.该方法在分析火焰的运动和三维颜色特征的基础上,分别通过傅里叶变换和圆形度分析、角点检测的方法研究火焰的闪烁频率、几何形状对应的时空域特征,采用获得的各类特征构成概率向量作为人工神经网络分类模型的输入,输出表示火灾发生的概率.在保持检测准确率的同时,该方法通过实验选择最优的参数组合解决神经网络容易陷入局部极值及收敛慢的问题.该方法可以区分大空间(隧道、仓库、博物馆等建筑物)中闪烁的车灯和真实火焰,能够避免在实际的视频监控系统应用中将闪烁车灯误判为火焰,有效减少环境光对检测结果的影响,降低火灾火焰的误报率.实验结果表明,采用该方法在保持检测实时性的同时,能够达到96%的检测正确率.

基于多元高斯混合模型的离线指纹数据库

针对室内环境下单次采样测量值的波动变化及信号间的相互干扰,该文提出一种基于分区多元高斯混合模型(MVGMM)的室内定位系统。根据信号接入点(AP)铺设位置与空间结构,系统采用一对多支持向量机算法对目标区域做分区操作,以精确信号变化的区域范围。利用狭小分区内信号间的耦合关系,建立基于信号间相互干扰的多元高斯混合模型,以改善信号波动所造成的定位精度下降。当室内环境发生变化时,基于分区多元高斯混合模型的自适应更新算法可对各分区指纹数据的可信度做出判断,并以自适应算法更新信号波动较大分区的模型参数,提高模型与现有环境间的耦合程度。实验结果表明,该文算法可利用相对少量样本数据,构建稳定可维护的室内信号分布模型,相较于其他算法,其定位精度也有一定程度提高。

基于数据驱动的全工况下燃气轮机基准值确定

燃气轮机运行参数基准值模型的准确建立对于机组的运维管理工作具有十分重要的意义。针对燃气轮机运行工况多变、参数基准值难以确定的问题,提出了一套基于数据驱动的运行参数基准值模型。首先,考虑到历史运行数据中非稳态与稳态工况并存的问题,利用功率差值的区间估计对历史数据进行稳态工况筛选。其次,以功率和3个环境因素为边界条件,采用K-均值聚类算法对稳态工况进一步划分。在此基础上,对每个稳态工况内的运行参数建立多元高斯混合模型,选择能耗水平最低时对应的子模型的期望作为基准值。最后,以某实际燃气轮机为例,验证模型的有效性。燃气轮机基准值的计算结果表明,通过运行参数的历史数据进行信息挖掘,可以建立更加贴合机组实际运行水平的基准值模型。

基于多元高斯分布的网络流量异常识别方法

考虑到传统网络流量异常识别数学模型受网络干扰项影响,会降低网络流量异常识别的精度,提出多元高斯分布的网络流量异常识别数学建模.通过引入多元高斯分布理论,解析网络流量数据包,在获取网络端口的基础上,提取网络流量中的TCP网络流量特征和GPRS网络流量特征;将生成的随机梯度序列结合多元高斯分布序列生成新的网络流量分类,对流量分类器统计分析,确定最终的网络流量分类类别,并通过计算网络流量信息增益,确定网络流量异常情况;通过构建网络流量异常识别数学模型,实现网络流量的异常识别.实验结果表明,所提模型在识别网络流量异常时,提高了识别效率和精度.

基于MPSR-MOGPR的平台误差系数建模预测算法

针对平台误差系数建模预测问题,提出了基于多变量相空间重构的多输出高斯过程回归预测算法。通过多变量相空间重构将两个相关性较强的平台误差系数重构在一个相空间中,采用多输出高斯过程回归模型同时预测这两个平台误差系数。该算法充分利用了两个误差系数之间的相关性,提高了预测精度,而且可以得到任意置信度下的预测均值和置信区间,为解决平台误差系数建模预测提供一条新的途径。

基于深度高斯过程的多元类别数据分布估计

多元类别数据的可能取值会随向量长度的增长呈指数级增长,从而造成数据稀疏性问题。通过将观察数据嵌入到连续空间中训练识别数据之间的相似性,构建多元类别数据的线性高斯隐变量模型和类别隐高斯过程(CLGP)。在CLGP模型基础上,建立小样本多元类别数据分布估计的多元类别深度隐高斯过程模型,并结合蒙特卡洛采样的变分推断方法对模型进行参数优化。实验结果表明,与CLGP模型相比,该模型分布估计精确度有所提升。

基于多元高斯模型的跟驰轨迹评价方法研究

针对机器学习跟驰模型中传统轨迹层面误差分析方法考虑因素不够全面、原始数据存在部分不合理驾驶轨迹且难以剔除的问题,提出一种从总体数据角度评价跟驰轨迹的方法——多元高斯模型,将车头间距与相对速度进行联合考虑更能体现个人的驾驶行为。运用高斯分布描述总体数据的概率分布,计算跟驰轨迹的概率值作为对比依据。选用K近邻模型进行轨迹仿真,在NGSIM数据集上进行训练和仿真测试,仿真实验结果表明,多元高斯模型对轨迹的评价更合理,该方法也可用于改善和扩充数据集,剔除部分不合理轨迹,将仿真概率较高轨迹加入到数据集。

基于多维高斯分布概率模型的软件缺陷预测

针对软件缺陷预测中普遍存在的样本特征冗余、缺陷数据集不平衡等问题,采用一种多维高斯分布概率模型来预测软件缺陷。通过均值向量以及协方差矩阵进行训练,根据待预测样本出现在各样本类别的概率判断得到分类结果。此外,还研究了特征个数与分类准确率之间的关系,验证了特征选择的必要性。在不同数据集上的对比实验结果表明,提出的模型具有较好的性能,弥补了普通分类算法忽视少数类样本等不足,保证预测效率的同时提高了模型整体的分类效果。

基于多元高斯分布的数据质量波动监测模型研究

数据质量波动的监测有助于发现网络性能瓶颈或性能故障,对网络系统的稳定运行有很大帮助。为了主动发现数据指标中的异常波动现象,本文首先提出了一种多元高斯分布监测模型,用来检测离群点数据。经过数据预处理、模型训练和输出异常与定位等模块,最终本文实现了监测全网数据并筛选输出异常数据及位置的系统算法,最终模型准确率达到90%以上。

基于多特征融合的无监督图像质量评价算法

随着多媒体的迅猛发展,图像质量评价出现在图像处理的各个方面。提出了一种基于多特征融合的无监督无参考图像质量评价方法,主要分为特征提取和多元高斯模型拟合两方面。在特征提取方面,融合自然图像统计特征,相位一致性特征、KL变换特征、梯度与高斯拉普拉斯算子联合响应特征、堆叠自编码器特征等。该方法使用多元高斯模型框架,将特征拟合模型参数之间的差异作为图像质量分数。在5个数据库中的实验表明,所提出的方法不仅有较好的评价表现和泛化性能,而且时间复杂度也很有竞争力。

基于多元时间序列的自适应贪婪高斯分段算法

现有多元时间序列分段算法中分段点的选择以及分段个数的确定往往需要分别独立完成,大大增加了算法的计算复杂度.为解决上述问题,提出一种基于多元时间序列的自适应贪婪高斯分段算法.该算法将多元时间序列各个分段所对应的数据解释为来自不同多元高斯分布的独立样本,进而将分段问题转化为协方差正则化的最大似然估计问题进行求解.为提高学习效率,采用贪婪搜寻方法使每个段的似然值最大化进而近似地找到最优分段点,并且在搜寻的过程中利用信息增益方法自适应地获取最优的分段个数,避免分段个数确定和分段点选择分别独立进行,从而减少计算的复杂度.基于多种领域的真实数据集实验结果表明,所提出方法的分段精度以及运行效率均优于传统方法,并且能够有效完成多元时间序列的异常检测任务.