面向超宽带室内定位的FCM-SSGP方法

受室内墙壁、玻璃、木门等障碍物影响,UWB室内定位中UWB信号的传播环境变为非视距环境,在该环境下定位将极大降低定位精度。现有抑制NLOS误差的方法由于复杂度较大导致定位时间过长,结合模糊C均值(FCM)聚类及稀疏谱高斯过程回归(SSGP)方法,提出一种FCM-SSGP定位方法。对接收到的信道冲击响应信号提取特征,利用FCM聚类识别NLOS信号,并根据NLOS信号传播环境的恶劣程度将NLOS信号划分为轻度NLOS信号和一般NLOS信号。使用SSGP方法分别得到2个不同信道条件下的NLOS误差,将SSGP方法得到的测距误差与FCM聚类得到的隶属度相结合作为权值,以抑制NLOS误差。实验结果表明,FCM-SSGP方法能有效降低不同障碍物带来的NLOS误差,定位误差为21.01 cm,与LS-SVM及SPGP方法相比,其定位误差均值分别提升了8.23 cm和6.73 cm,定位所需时间相比LSTM方法缩短了9.35倍,在保证高定位精度的同时降低了计算复杂度。

基于ECM和SGPR的高鲁棒性锂离子电池健康状态估计方法

锂离子电池健康状态(SOH)的准确估计对于保障电池系统安全运行具有重要意义.针对传统SOH估计方法在可变工况下失效的问题,提出了一种基于等效电路模型和稀疏高斯过程回归的锂离子电池SOH在线估计方法.通过两个在线滤波器,在恒流充电过程中动态地辨识了锂离子电池等效电路模型的各项参数,构建了工况不敏感的健康因子,结合稀疏高斯过程回归实现SOH的间接估计.该方法在多种工况下使用统一的信号处理方法和特征映射模型,兼具鲁棒性强和冗余度低的优点.实验结果表明,该方法在多种工况下的平均绝对误差不超过0.94%,均方根误差不超过1.12%,与现有方法相比,该方法在综合性能上具有显著优势.

面向多智能体协作的环境探索与覆盖算法

针对未知环境下的多智能体覆盖探索问题,提出一种基于稀疏高斯过程回归的环境探索与覆盖方法。该方法利用多智能体在任务区域中的移动探索获取环境信息,并以稀疏高斯过程回归方法构建未知环境的密度函数模型,作为质心维诺划分算法的输入。同时,考虑智能体实际尺寸和定位误差的影响,以引入缓冲因子的质心维诺划分算法为智能体规划任务区域,最终实现自主在线决策和最优覆盖。通过仿真实验证明,相较于传统高斯过程回归在线覆盖算法,所提算法能够保证多智能体编队的安全性,其单次迭代时间仅为3.92 s,且预测模型的最终误差仅增加1.3%,反映出模型改进的有效性。

基于条件生成对抗网络的稀疏样本回归预测模型

自生成对抗网络提出以来,基于生成对抗网络的拓展模型在图像处理等领域均有显著成效,但其在回归预测问题上的应用较少.在概率回归过程中,通过构建条件概率分布模拟特征与实际目标之间的潜在关系是一种常用方法,但在实际问题中条件概率分布过于复杂,似然估计难以捕捉.为此,首先分析高斯过程回归在稀疏样本回归预测中的预测精度,将其作为稀疏样本回归预测的基准线.通过分析条件生成对抗网络的构造,提出利用条件生成对抗网络解决稀疏样本回归预测问题.最终通过对比分析4种非线性模拟数据回归预测结果,发现提出的条件生成对抗网络模型相较基于Matern32核函数的高斯过程回归具有更好的预测精度.

基于孤立森林与稀疏高斯过程回归的风电机组偏航角零点漂移诊断方法

偏航角零点漂移严重影响风电机组性能,将之消除的前提是对其进行可靠且快速的检测。基于风能捕获机理,该文提出一种运用机器学习算法的偏航角零点漂移诊断方法。首先,采用孤立森林(isolated forest,IF)异常值检测算法对数据进行预处理;其次,建立非参数模型稀疏高斯过程回归(sparse Gaussian process regression,SGPR)估计偏航角零点漂移;最后,利用多个风电场的风电机组实际运行数据对所提方法进行验证,并分析不同诊断模型对数据量的依赖性。结果表明:IF+SGPR方法准确性高,所需数据量少,能够快速诊断偏航角零点漂移;该诊断方法能够应用于各种电场不同型号的风电机组,普适性较高。

基于稀疏高斯过程回归的强/台风作用下大跨度桥梁风振响应概率预测

针对有限元模型、风洞试验等难以实时预测风振响应的问题,提出基于稀疏高斯过程回归的强/台风作用下大跨度桥梁风振响应概率预测方法。该方法从数据驱动的角度出发,采用稀疏近似方法降低常规高斯过程模型存储空间,将风特性参数与风振响应的历史监测数据同时作为输入变量,并根据联合假设检验比较各变量的重要性程度以确定最终输入特征,进而实现风振响应的动态预测。采用苏通大桥2008年至2012年的七次台风数据对该方法的预测精度与效率进行验证。结果表明:稀疏高斯过程回归相对于常规高斯过程可有效减少模型训练时间;除风特性参数外,在模型的输入变量中考虑风振响应历史数据可进一步提高预测精度;相较于随机森林算法和多元线性回归,稀疏高斯过程回归表现出更好的预测性能。

基于分数阶微分光谱指数的小麦条锈病遥感监测模型构建

为提高小麦条锈病的遥感监测精度,该研究利用分数阶微分能够突出光谱的细微信息以及描述光谱数据间微小差异的优势,在对条锈病胁迫下小麦冠层光谱数据进行分数阶微分处理的基础上,构建了两波段和三波段分数阶微分光谱指数,并将其应用于小麦条锈病的遥感探测。研究结果表明,1.2阶次微分光谱与小麦条锈病冠层病情严重度的相关性最高,较原始反射率光谱、一阶微分光谱和二阶微分光谱分别提高了20.9%、3.9%和20.5%;基于分数阶微分光谱指数的最优分数阶次及其对应波长构建的三波段分数阶微分光谱指数对小麦条锈病的探测能力优于两波段分数阶微分光谱指数,其中分数阶微分光化学指数与冠层病情严重度的相关系数达到0.875;以分数阶微分光谱指数为自变量构建的高斯过程回归(Gaussian Process Regression,GPR)模型对小麦条锈病冠层病情严重度的预测精度优于反射率光谱指数,其训练数据集及验证数据集病情指数(Disease Index,DI)预测值和实测值间的决定系数较反射率光谱指数分别提高了3.8%和19.1%。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供参考。

基于带有噪声输入的稀疏高斯过程的人体姿态估计

高斯过程回归(Gaussian process regression, GPR)是一种广泛应用的回归方法,可以用于解决输入输出均为多元变量的人体姿态估计问题.计算复杂度是高斯过程回归的一个重要考虑因素,而常用的降低计算复杂度的方法为稀疏表示算法.在稀疏算法中,完全独立训练条件(Fully independent training conditional, FITC)法是一种较为先进的算法,多用于解决输入变量彼此之间完全独立的回归问题.另外,输入变量的噪声问题是高斯过程回归的另一个需要考虑的重要因素.对于测试的输入变量噪声,可以通过矩匹配的方法进行解决,而训练输入样本的噪声则可通过将其转换为输出噪声的方法进行解决,从而得到更高的计算精度.本文基于以上算法,提出一种基于噪声输入的稀疏高斯算法,同时将其应用于解决人体姿态估计问题.本文实验中的数据集来源于之前的众多研究人员,其输入为从视频序列中截取的图像或通过特征提取得到的图像信息,输出为三维的人体姿态.与其他算法相比,本文的算法在准确性,运行时间与算法稳定性方面均达到了令人满意的效果.

基于稀疏高斯过程的多智能体区域覆盖控制

针对未知环境下的多智能体覆盖控制问题,提出一种基于稀疏高斯过程回归的多智能体在线学习区域覆盖控制算法(SGPR-Lloyd)。在基站-多智能体通信框架下,多智能体系统采集环境数据并发送至基站,基站通过一种在线稀疏高斯过程回归方法,根据已有数据对全局环境密度函数进行预测和对预测模型中的超参数进行训练,并给出预测方差;其次,基于预测方差,基站对多智能体进行任务分配,对相应维诺区域预测方差较大的智能体指派学习任务,方差较小的则指派覆盖任务,合理地设计覆盖控制律,实现在线学习区域覆盖控制目标;进而通过仿真实验验证了所提出的在线学习区域覆盖控制算法的有效性。实验结果表明,相对于基于传统GPR的学习覆盖控制算法,SGPR-Lloyd算法在预测性能、覆盖效果及运行效率上表现均更优,是一种新型高效的适用于未知环境的区域覆盖控制算法。

基于稀疏高斯过程的图像超分辨率重建算法

为了克服直接使用高斯过程回归模型对图像超分辨率重建问题进行建模求解时,时间复杂度太高的问题,提出稀疏伪输入高斯过程回归算法。在不同特征子空间中进行单独建模,提高模型准确度,同时使用少量伪输入对模型进行近似求解,以有效减少模型超参数的数量和求解时间。对比实验表明,该算法在降低时间复杂度的同时,保持了较高的图像重建质量。