基于Nadaraya-Watson核回归估计量的南京市日PM2.5浓度预报研究

在环境气象研究中,PM2.5浓度的精确预测一直是热门话题。尤其是只基于PM2.5数据本身的预报研究,其在协变量数据缺失的情况下更具有实际应用价值。因此,本文利用Nadaraya-Watson核回归估计量(N-W Kernel Regression Estimator,N-WKRE)预测了南京市2018年7—12月的PM2.5浓度值。研究结果表明该方法具有良好的预报效果,可以为其他城市PM2.5浓度预报方法的选择提供有益参考。

基于自联想核回归算法的数据驱动电机控制

在电机控制领域,基于模型驱动的控制方法已经广为研究,随着计算机运算能力的提升,给大量数据计算带来了可能性。为进一步提升电机控制性能,研究了一种基于自联想核回归法算法的控制补偿策略,基于运行过程中的大量数据来校正补偿电机控制过程,以提升电机控制性能,平抑运行过程中的波动。通过理论以及仿真分析,该方法能较好完成电机运行控制,加上补偿后的控制策略能减小电流波动以及转矩脉动,有一定的控制补偿效果。此控制算法同样适用于其他电机控制策略的优化过程,有一定的参考价值。

基于神经核网络高斯过程回归的甲板运动预测

甲板运动预测与补偿是舰载机自动着舰的关键技术之一。传统甲板运动预测方法依赖于运动建模的准确性和参数调整,面临复杂海况、不同舰型、航态变化时具有适应性差、预测时长短、结果可靠性低等问题。提出一种基于神经核网络高斯过程回归(NKN-GPR)的甲板运动预测模型,使用神经核网络(NKN)实现高斯过程回归(GPR)模型自动复合核构造,有效改善基于规则库自动核搜索(ACKS)算法依赖人工先验知识的不足。以正弦波组合模型和功率谱模型构造仿真数据,对NKN-GPR模型和基于最小二乘法的自回归(AR)模型进行对比仿真验证,仿真结果表明,NKN-GPR模型在运动预测精度、平滑性、预测时长等方面具有显著优势,证明了所提算法的有效性,可为舰载机自动安全着舰提供理论支撑。

基于改进网络核密度和负二项回归的事故黑点鉴别

已有的交通事故黑点鉴别研究大多基于事故频数或事故率,并未考虑交通事故对不同发生地的影响特征。为了综合考虑交通事故在不同交通环境和路网特征下的差异影响,并解决交通事故数据中零值远超经典离散分布的零膨胀问题,本文提出一种考虑节点综合重要度的改进网络核密度估计法,并基于零膨胀负二项回归模型对城市交通事故黑点进行鉴别。首先,在拓扑路网中综合考虑事故发生地的交通环境和道路条件构建事故综合影响度指标,连同事故严重程度指数嵌入到传统网络核密度估计中,通过在道路网络上生成平滑的密度表面定性体现点事件的空间聚集性。在此基础上,构建基于零膨胀负二项回归鉴别模型,明晰事故高发区域边界范围,定量刻画不同严重等级的事故黑点路段空间分布特征。最后,以深圳市华强北街道为例进行实例分析。结果表明,在90%、80%和70%的阈值水平下本文提出的事故黑点鉴别法的有效搜索率均高于平面核密度估计法,且考虑节点综合影响度后,部分无道路区域不再被误识,模型准确率比传统网络核密度法分别提升了3.60%、5.31%和7.20%。

基于集合经验模态分解的增强核岭回归配电系统状态估计

针对配电网量测信息存在强非高斯噪声时会大幅干扰基于深度学习的状态估计模型滤波精度的问题,提出了一种基于集合经验模态分解的增强核岭回归状态估计方法。首先,使用集合经验模态分解筛除量测信息中的多数噪声数据,保障了后续滤波对数据可靠性的要求。然后,通过构建增强核岭回归状态估计模型,建立了量测信息与估计残差之间的映射关系,输入量测信息后可以得到估计结果与估计残差。最后,在标准IEEE 33节点与某市78节点系统上进行数值仿真,结果证明了该方法在强非高斯噪声干扰下具有较高的精确性和鲁棒性。

基于核回归区间模型的电液位置伺服系统故障检测

针对电液位置伺服系统在运行过程中存在非线性、干扰性、复杂性以及参数不确定性等问题,提出了基于核回归区间模型的电液位置伺服系统故障检测方法。该方法利用反映系统诸多不确定性的无故障可测输入-输出数据,建立能控制核回归模型精度、又能平衡该模型结构复杂性的区间模型,用于判断电液位置伺服系统的实际输出是否越过系统健康运行时的区间输出,进而实现故障检测。该方法由于考虑了基于区间的动态阈值对故障进行检测,消除了传统的固定阈值易引起故障误报现象,所以具有一定的自适应性能力。实验论证了所提出的故障检测方法,可用于电液位置伺服系统故障的实时检测。

基于神经正切核的小数据集回归任务

回归是常见的一类任务,两类特殊的回归模型:支持向量回归(SVR)与核岭回归(KRR)通过核函数解决数据在原始空间线性不可分的问题。一种新型核函数(NTK)被提出用于拟合无限宽神经网络的训练过程,相关研究显示NTK利于处理小数据集。选取多领域数据集在两种模型中比较NTK与常用核的性能,并对NTK进行了鲁棒性研究。结果表明NTK-SVR模型在部分数据集上取得了2.5%~20%的提升。

基于高斯过程时间序列回归最优核函数和历史点数的锚杆支护钻进压力预测

在井下锚杆支护过程中,及时了解工作压力对提高钻机使用寿命、保障煤矿生产安全具有重要的意义。针对目前锚杆支护中钻进压力反馈滞后、煤岩硬度分布非线性、现有方法不适用等问题,提出了一种基于高斯过程时间序列回归最优核函数和历史点数的锚杆支护钻进压力预测方法。这种方法通过高斯随机过程、核函数以及贝叶斯理论进行锚杆支护时间序列煤岩压力预测,是一种对非线性问题适应性高、具有概率意义输出的机器学习方法。以巷道掘进过程中钻箱钻进1000 mm时的钻进压力试验数据作为最优核函数和历史点数的筛选样本,以10种核函数(E、SE、RQ、Matern3/2、Matern5/2、ARDE、ARDSE、ARDRQ、ARDMatern3/2、ARDMatern5/2)和7种历史点数(8、10、12、14、16、18、20)作为筛选对象,通过负对数边缘似然函数为极小化目标函数自适应获取最优超参数,以单步外推的方式和训练集、测试集7∶3的比例对筛选样本进行了70次数值解算。分别以测试集可决系数(R^(2))、测试集均方根误差(RMSE)、测试集平均绝对误差(MAE)为数值解算评价指标,获取了4种锚杆支护钻进压力预测策略的最优核函数和最优历时点数组合(Matern5/2+历时点数10、ARDMatern5/2+历史点数10、SE+历时点数18、RQ+历史点数18)。基于最小化计算量,选取最优核函数为Matern5/2、最优历史点数为10,再次分别对巷道掘进过程中钻箱钻进1200、2400、3000 mm的钻进压力试验数据进行数值解算,给出95%置信区间下锚杆支护钻进压力预测分布。所提出的方法对于钻箱钻进1200 mm的钻进压力的预测数据,R^(2)为0.61317,MAE为0.026957,区间平均宽度百分比为3.072%;所提出的方法对于钻箱钻进2400 mm的钻进压力的预测数据,R^(2)为0.93118,MAE为0.010895,区间平均宽度百分比为0.581%;所提出的方法对于钻箱钻进3000 mm的钻进压力的预测数据,R^(2)为0.99647,MAE为0.0091847,区间平均宽度百分比为0.614%。最终发现,不同核函数和历史点数的组合选择会有较大差距的预测效果,是不可忽略的两个重要因素,本研究方法对围岩硬度分布均匀的数据波段预测结果优秀,对围岩硬度突变的数据波段预测结果在可接受范围内。

基于动态核岭回归的MTO反应器压降软测量

针对甲醇制烯烃反应器生产过程中,测量其压降的仪表可能会出现异常,导致操作人员无法获取准确的测量数据的问题,考虑到实际生产过程的复杂性,过程数据往往具有动态和非线性特征,提出了一种基于动态核岭回归的软测量方法,并在某煤化工生产企业建模。结果表明:该方法能够有效提高模型的精度,相较于传统的线性回归方法,该方法对甲醇制烯烃反应器压降的预测效果更好。

基于核自构建-高斯过程回归的锂离子电池剩余使用寿命预测

高斯过程回归是锂离子电池剩余使用寿命的有效预测方法之一,其中核函数的选择对预测结果有着重要影响。对此,提出了一种自回归核自构建高斯过程回归的锂离子电池剩余寿命预测框架,可结合同型号电池的历史容量退化规律,自动构建出合适的组合核函数。通过与不同的机器学习方法及不同核函数比较,所提方法可在电池退化早期做出长期且准确的电池健康状态退化趋势预测,预测寿命均方根误差小于1%,相对误差小于6%,置信区间也更为集中,证明了所提方法能够有效提高电池剩余使用寿命的长期预测精度。

基于改进核回归的电能质量扰动去噪方法

电能质量扰动信号的噪声问题已经得到人们的广泛关注。为了消除噪声对信号的影响,利用改进核回归的方法,即在经典核回归的方法上增添了自动选择最优带宽的功能,通过改进核回归对带有噪声的电能质量扰动信号进行分解再重构,从而达到去噪的效果。以信噪比和均方误差为评价指标进行仿真试验。结果表明,最终的信噪比上升,均方误差值很小,表示改进算法的去噪效果良好,且一定程度上保留了原始信号的局部信息特征。

基于指数核函数高斯过程回归的短期径流预测研究

径流预测有助于流域水资源综合高效调配和防洪减灾调度,如何精准地开展短期径流预测一直是水文水资源研究领域的重点。高斯过程回归(GPR)凭借其针对复杂非线性回归问题的泛化能力,已在水文过程长中短期预测研究中得到成功应用。而GPR回归分析能力不仅取决于模型参数,还受核函数影响。为此,研究分析了不同核函数作用下GPR预测模型效果,提出了基于指数核函数GPR的流域短期径流预测模型。首先通过多重相关性系数分析筛选相关性系数大且时段最短的预测因子组合,然后分别选用有理二次、径向基、马顿和指数核函数建立不同的GPR短期径流预测模型,同时加入了MLR、RT、SVM、BP等模型方法的预测结果作为对比。以赣江流域吉安水文站短期径流预测(预测步长为6 h,预见期为7 d)为例开展实例分析,相关实验结果表明:①应用不同核函数的GPR模型预测结果表现存在明显差异,不同方法预测表现由好到差分别为指数GPR、有理二次GPR、RT、马顿GPR、径向基GPR、SVM、MLR、BP;②指数GPR预测模型28时段的4项评价指标均表现最佳,DC和QR分别接近1和100%,预报精度达到甲级以上。综上,研究验证了指数核函数GPR短期径流预测模型的有效性和普适性,模型预测精度满足实际工程应用需求,具备实际应用价值。

基于核岭回归算法的地层水中CO_(2)溶解度模型研究

碳捕集、利用与封存(CCUS)技术证实了CO_(2)地质埋存可以有效缓解温室效应、提高油田经济效益,而评价CO_(2)的地质埋存能力,需要考虑CO_(2)在地层中与水的互溶情况。本研究利用高温高压反应釜等设备,测量不同温度、压力、矿化度下CO_(2)在水中的溶解度,明确CO_(2)在水中的溶解规律。基于实验测量结果,利用遗传算法优化核岭回归算法(KRR)参数,建立CO_(2)在水中的溶解度预测模型。结果表明:通过56组数据对模型进行精度评估,其皮尔逊相关系数为0.99,平均相对误差为2.98%。分别使用核岭回归模型、Chang模型和Furnival模型预测温度35~135℃、压力8~50 MPa下CO_(2)在地层水中的溶解度,Chang模型和Furnival模型的平均相对误差分别为8.77%和7.44%,核岭回归模型的预测值与实验测量值拟合程度最高。该模型为预测CO_(2)在地层水中的溶解度提供了一种新方法。

一种基于物理核函数高斯过程回归的月径流预报模型及其应用

鉴于传统的单一径流预报模型很难描述径流未来变化规律,将自适应变分模态分解(AVMD)与基于组合物理核函数的高斯过程回归(GPR-CK)相结合,构建了AVMD-GPR-CK预报模型,该模型采用AVMD将实测径流分解为多个子序列,对子序列依据其自身特点分别建模,子序列预报结果叠加重构即为最终预报结果。模型应用于金沙江流域向家坝站未来1~12个月的径流预报的结果表明,所有预见期AVMD-GPR-CK模型的确定性系数均大于0.94,平均绝对百分比误差(M_(MAPE))在±17%以内,预见期在10个月以内时,M_(MAPE)在±10%以内;预报精度明显优于常见的BP、GRNN、RBF、RELM模型。

基于逻辑回归二分类的核素识别算法研究

传统的核素识别主要根据能谱中特征峰确定核材料中放射性核素的种类,当出现叠峰时,常规方法就无法实现核素识别。采用逻辑回归二分类的算法进行核素的识别,利用小波包分解将能谱拆成不同频率信号,再将不同频率信号进行重构,计算频率信号的特征信号。把这个特性信号看作能量,将能量组成特征向量,会得到一组与信号相对应的能量序列,可构成一组特征向量。对测量的所有γ能谱进行特征向量提取用作机器学习的训练集和测试集。将训练集代入进行预测函数模型训练。通过求解损失函数全局最小值得到预测函数模型最优解的参数θ。代入测试集计算核素识别正确率为97%。经过实验验证了所提算法的可行性,对快速识别核素具有一定的实际价值。

基于多核支持向量回归的浓香型白酒风味成分逐步预测模型研究

目的探究白酒感官品评与白酒风味成分之间的关系,实现通过感官品评对风味成分进行预测。方法采用变分自编码器(variational auto encoder,VAE)对原始数据进行增强,以多核支持向量回归(multi-kernel support vector regression,MKSVR)结合遗传算法(genetic algorithm,GA)建立单预测模型,再采取逐步预测的方式按照酸、酯、醇、醛类物质的顺序进行预测,从而构建最终模型。结果在经过VAE对数据进行增强的条件下,多元线性回归(mixed logistic regression,MLR)对酸、酯、醇、醛类物质预测的拟合优度分别为0.9660、0.9106、0.8767、0.8686,随机森林(random forests,RF)对酸、酯、醇、醛类物质预测的拟合优度分别为0.9663、0.9186、0.8805、0.8708,GA-MKSVR对酸、酯、醇、醛类物质预测的拟合优度分别为0.9715、0.9423、0.9072、0.8809,GA-MKSVR逐步预测对酸、酯、醇、醛类物质预测的拟合优度分别为0.9715、0.9447、0.9102、0.8851,GA-MKSVR逐步预测的效果均为最优。结论GA-MKSVR逐步预测方法相较于传统的机器学习方法,具有更好的性能,对数据具有更高的适应性,能更好地构建白酒感官与风味成分之间的关系模型。

众数自适应Lasso回归的统计推断

本文给出了自适应Lasso的众数回归模型,用来对众数回归模型的变量进行选择.对比传统的均值回归模型和中位数回归模型,众数回归在解决重尾、多峰分布问题时更加稳健.众数回归模型的主要估计方法是核估计方法,当自变量的数目较大时,该方法会产生难以忽略的计算误差.本文在核估计方法的众数回归模型基础上添加惩罚项,并通过自适应Lasso方法进行参数估计,有效的剔除了贡献率低的自变量,同时提高了计算的准确性.本文详细阐述了该计算方法,并在一些正则条件下,给出了模型的参数的估计方法和估计值的渐近正态性.模拟实验和实证分析研究了所提方法在有限样本下的性质.对比均值回归模型和传统的众数回归模型,添加自适应Lasso惩罚项的众数回归模型极大地提高了参数估计的准确性.

基于高斯过程回归的岩石抗剪强度参数不确定性估测

为克服以往岩石抗剪强度参数估测方法无法反映并量化其不确定性的问题,提出一种基于高斯过程回归(Gaussian processregression,GPR)的岩石抗剪强度参数不确定性估测方法,实现具有概率意义的不确定性分析。基于岩石强度参数数据集,利用高斯过程理论建立不同核函数下岩石单轴抗压强度(uniaxial compressive strength,UCS)和抗拉强度(uniaxial tensilestrength,UTS)与抗剪强度参数的映射关系。通过最大化对数边缘似然函数优化GPR模型超参数,然后根据预测效果与不确定性程度,确定合适的核函数及其GPR模型。结果表明,在给定UCS和UTS数据下,建议采用Matérn核函数构建黏聚力GPR模型,采用有理二次核函数构建内摩擦角GPR模型。对比传统机器学习方法,GPR方法不仅可准确地预测岩石抗剪强度参数,还给出了预测结果的不确定性程度,具有较强的科学性和可解释性,证明了GPR模型的可行性与有效性。

基于核脊回归方法预测的中子俘获率在s-过程模拟中的应用

慢中子俘获过程(s-过程)产生了自然界中约一半比Fe重的元素,中子俘获率是s-过程研究的关键核物理输入量。近年来,机器学习方法在核物理研究中的应用取得了很大的成功,其中包括了机器学习核脊回归方法对中子俘获率的研究。为了探究机器学习方法对中子俘获率的修正对s-过程研究的影响,本文分别利用修正前后的中子俘获率数据,基于核反应网络进行了s-过程模拟,并对所得s-过程丰度进行了对比分析。结果表明,机器学习对中子俘获率的修正对s-过程模拟所得的丰度分布整体影响较小,但对处于s-过程路径上的个别重要核素的丰度影响可达30%左右。

基于自联想核回归的带离群值化工过程故障检测

基于数据驱动的故障检测模型通常要求训练数据必须是正常操作条件下的测量值.然而在实际工业生产过程中,即使在正常工况下,数据集中也难以避免存在离群值.此时若仍采用传统的基于多元统计分析的方法,其监测模型的控制限会受到严重影响,造成故障漏报.因此,为了确保当训练数据包含离群值时,监测模型仍然呈现较好的故障检测效果,本文提出了一种基于自联想核回归的故障检测方法.首先基于最小化β散度的鲁棒预白化算法对训练集进行白化计算,消除变量之间相关性对样本相似度度量的影响.然后通过自联想核回归算法重构正常工况下的验证数据,根据重构误差建立模型监测指标.为了消除离群值对故障样本重构的影响,构造截断函数来避免离群样本参与相似故障数据的重构,并对所有参与构建Q统计量的残差变量基于指数加权滑动平均方法自适应加权,得到新的监测统计量.将该方法运用于田纳西–伊斯曼过程并与其他方法进行比较,验证了本文所提故障检测算法的有效性.