基于改进神经网络PID的主蒸汽温度优化控制研究

针对电厂主蒸汽温度PID串级控制系统参数整定繁琐、自适应性较差的问题,提出一种改进神经网络PID串级控制方法。为了降低主蒸汽温度控制系统的不确定性,基于最小误差熵(MEE)准则训练串级控制中的主神经网络PID控制器,并利用滚动时域窗法递归估计跟踪误差的熵,提升算法运行效率。将主蒸汽温度误差序列和部分可测扰动输入神经网络PID控制器输入层,实现反馈控制与前馈控制相融合,提升控制系统抗干扰能力。通过与采用最小误差平方和(MSE)准则的神经网络PID控制器对比,采用MEE的神经PID控制器可以减小过热汽温的波动,减少控制系统的随机性。

一类线性模型参数的Bayes估计及其优良性

导出了一类线性模型中参数的Bayes线性无偏估计.在均方误差矩阵准则、predictive Pit mancloseness(PRPC)和posterior Pit man closeness(PPC)准则下分别研究了Bayes线性无偏估计相对于广义最小二乘估计的优良性.

关于预测误差平方和最小准则的几点看法

在应用桃棣荣等提出的预测误差平方和（ＰＲＥＳＳ）最小准则逐步算法的过程中，发现单纯应用ＰＲＥＳＳ值来控制引进因子数目有时不很有效。因此建议：１）当引进因子过多时，采用赤池信息准则对因子数做进一步控制。２）当引进因子过少时，取消原算法中关于ＰＲＥＳＳ值上界的规定和增加候选因子数以增加引进因子数。最后。

X-射线荧光光谱分析中偏最小二乘回归技术与基本参数法的研究

将偏最小二乘回归技术(PLS)与X-射线荧光分析中的基本参数法(FP)相结合,编制PLSFP软件,运用熔样技术,可以定量测定地质岩石样品中的十三个主,次量元素,并使准确度提高,模型预测能力增强。模型选择和最佳维数的确定方法是成功的关键。PLSFP软件采用结构化编程,由标准FORTRAN 77语言写成,可在UNIX,XENIX和DOS操作系统下运行。

湖泊水质富营养化评价的多准则神经网络法

提出了基于误差平方和准则与模糊熵准则下的多准则神经网络湖泊水质营养化评价模型,并将其应用于我国五大湖泊水质营养化的评价。结果表明,多准则神经网络用于湖泊水质营养化评价,具有简便、实用、客观和广泛的通用性。

最优组合预测及其在短时交通流预测中的应用

交通流量预测结果的好坏直接关系到交通控制与诱导的效果,因此,短时交通流预测是先进交通管理信息系统中关键技术问题之一。在简要介绍最优组合预测模型基础上,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现交通流预测模型的最优组合,并利用实际数据通过与单一时间序列模型、线性回归模型、卡尔曼滤波模型及人工神经网络模型的预测精度比较分析,验证了交通流最优组合预测模型的有效性和实用性。

基于PRESS准则选取预报因子的逐步算法

本文提出了基于预测平方和(PRESS)准则选取预报因子的逐步算法.通过实例计算表明,这种算法不仅具有向前算法和向后算法的快速特点,而且同时具有相应的功能,因而它能更有效地寻找最优解,使算法更为完善,更具有普遍性和实用意义.

S形增长模型之比较、组合预测及应用

对５种Ｓ形增长模型进行比较，以组合模型的误差平方和最小为目标建立组合预测模型，并以实例说明其应用．

确定监测区域建立森林郁闭度估测方程最优样地的研究

在对监测区域样地进行合理分类的基础上,需抽取一定数量能代表监测区域森林资源分布状况的最优样地,根据所抽样地对应影响郁闭度估测的主要遥感和GIS因子,可建立以样地为单位的郁闭度估测方程.最优样地是指能代表监测区域森林种类及分布状况的样地,它包含样地的数量及样地的代表性两个方面的含义.如何抽取最优样地属多目标优化问题.该文在理论描述特定监测区域最优样地数学模型的基础上,通过实例进行了系统研究与分析,有效解决了最优样地的抽样问题,所得结果可用于指导生产实践.

不确定度评定中多输入量整体相关性判定标准研究及应用

从多输入量的整体角度出发，导出了不确定度评定中多个输入量的整体相关性判定标准和计算方法，为同一测量系统下对比多种不确定度评定方法的优劣提供了量化的判定依据，同时给出了一种计算不确定度的修正方法。

非线性系统有输入饱和时基于平方和的鲁棒模型预测控制器

本文针对带有参数不确定和输入饱和的单输入单输出(SISO)仿射非线性系统,利用反馈线性化,将非线性系统转化为带有扰动和状态依赖输入饱和的多胞线性参变(LPV)模型,进而提出一种基于平方和(SOS)的鲁棒模型预测控制器(RMPC)设计方法.基于多胞RMPC控制器,设计加权状态反馈控制律,通过引入范数有界定理,确保扰动下预测状态收敛到不变集内,并利用勒让德多项式近似和SOS技术,将状态依赖输入饱和约束转化为多项式凸优化问题,以获得实际和辅助状态反馈律,所设计的SOS-RMPC控制器能够保证闭环系统的稳定性.通过与常规多胞RMPC控制器的仿真比较,验证了本方法的有效性,并进一步仿真分析了勒让德多项式阶次对控制器性能的影响.

填充式防护结构弹道极限方程的多指标寻优

为获得适用于国内填充式防护结构超高速撞击的弹道极限方程,采用多指标寻优的方法,对NASA填充式防护结构的弹道极限方程以国内实验数据为依据进行修正.结果发现:采用第1类指标(总体预测率和安全预测率)和第2类指标(预测误差平方和)联合对方程的系数进行修正,可获得预测效果更好的修正方程.通过对方程低速段和高速段的整体系数进行修正,最终获得单填充组、单一材料的双填充组以及两种材料的双填充组防护结构弹道极限方程的总体预测率分别为93.3%,90%和88.9%,而安全预测率全部高达100%,可很好满足工程的需求.可见,基于不同填充式防护结构的实验数据分别进行弹道极限方程的修正,可获得相应结构预测能力较优的方程.

基于功角曲线拟合的快速暂态稳定预估分析

根据单机等面积稳定判据原理,把发电机功角曲线展开成自变量为功角的高阶泰勒级数,采用时域仿真的办法对受扰系统进行短时间的仿真,根据仿真结果对机组电磁功率与转子相对角曲线进行拟合。用得到的功角曲线预测机组的最大减速面积之差,从而可以计算出系统的稳定裕度与不稳定裕度。采用的单机等面积技术既具有时域仿真方法的精确性与良好的适应性,又能适用于大规模电力系统,可得出基于加速面积与减速面积的能量型稳定裕度。与其它能量函数法相比,该方法不必进行失稳模式的判别。实例计算表明所提出方法能充分满足工程应用中的可靠性、有效性和计算效率,具有广泛的工程应用前景。

两个多重相关变量组的统计分析(2)

本文介绍用最小二乘准则建立多对多线性回归模型 (MLR) ,以及建立主成分回归 (PCR) ,并通过例子比较之。

线性模型中Bayes线性无偏最小方差估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(Bayes linear unbiasedminimum variance estimator,BLUMV)估计相对于最小二乘(least square,LS)估计的优良性,并讨论了3种不同相对效率的界.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.

南海台风路径预报试验

利用预测误差平方和最小准则（ＰＲＥＳＳ）的逐步算法对台风路径进行拟合和预测试验，试验结果表明ＰＲＥＳＳ方法得到的模型具有较强的预测能力。因而，ＰＲＥＳＳ方法同逐步回归一样，也是一种预报台风路径客观有效的方法。

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.

基于最大相关熵准则的网络流量预测

为提高网络流量预测的精度，针对网络流量的非线性特征提出了一种基于新的误差评价准则——最大相关熵准则（MCC）的网络流量预测方法。该方法使用MCC对Elman神经网络进行训练。该评价准则是基于新的相似度函数——广义相关熵（corrent．ropy）函数的概念建立的，此相似度函数以误差概率密度函数的Parzen窗估计和瑞利熵为基础。同时结合MCC和最小均方误差（MMSE）准则提出了一种混合的评价准则MCC-MMSE。针对网络流量的非线性、非高斯性、突变性等特性，分别以MCC、MCC-MMSE准则进行了Elman神经网络的训练，使用训练好的神经网络进行网络流量预测，仿真结果表明预测结果的精度优于以MMSE为准则的Elman神经网络的预测结果。

基于预测残差平方和的飞机干扰磁场模型求解

针对飞机干扰磁场模型求解时均方误差较大的问题,本文提出了将岭估计的预测残差平方和(PRESS)方法引入飞机干扰磁场模型求解。PRESS法通过计算时间序列的预测残差平方和,选取最小预测残差平方和意义下的最优岭参数。仿真表明:岭估计的均方误差明显小于LS估计,并且PRESS法的均方误差小于岭迹法和GCV法。实验表明:采用PRESS法的岭估计补偿后的信噪比最高,在飞机磁补偿中与其它方法相比具有明显的优越性。

一种基于κ-最近邻的无监督文本分类算法

κ-最近邻分类（KNN）是一种广泛使用的文本分类方法，但是该方法并不适用分布不均匀的数据集，同时对κ值也比较敏感。本文分析了传统KNN方法的不足及产生这些不足的根本原因，并提出一种无监督的KNN文本分类算法（UKNNC）。该方法先采用误差平方和准则自适应地从κ个最近邻居所包含的各类别中挑选与输入文档于同一簇的部分邻居作为参照，然后根据输入文档对各类参照邻居核密度的扰动程度进行分类。实验证明该方法具有更高的分类质量，能够有效适用于分布复杂的数据集，同时分类结果对κ值不敏感。