融合相似性度量加权核偏最小二乘的烷烃气体定量分析方法

烃类气体含量的有效监测是油气勘探开采过程中安全保障的重要环节。红外光谱法作为一种安全高效的检测方法,受到现场工程师的关注,但主要采用离线模型进行测量,无法较好应对现场复杂的工况及变化多样的非线性影响因素,导致离线模型不更新而难以维持较高的预测精度。为此,提出了一种融合相似性度量加权核偏最小二乘的即时学习建模策略。首先设计了一种多相似性度量准则融合的样本相似性判别依据,有效筛选历史样本用于在线建模,其次在局部PLS模型中引入非线性核函数,实现非线性特征的有效提取,弥补线性偏最小二乘模型的非线性处理能力。在构建的多组分混合气体红外光谱数据上的实验结果验证了该方法的有效性,拟合优度R2达到0.994 1,RMSE和MRE相比PLS模型分别提升了43.6%和85.8%,可有效用于烃类气体红外光谱定量分析模型的在线更新与高精度预测。

基于核函数-Wiener过程的轧辊非线性退化建模与剩余寿命预测

在轧钢生产过程中,由于磨损等原因,长时间复杂工况运行下的轧辊工作性能会呈现逐步衰退的特征.考虑轧辊工作环境具有工况复杂、随机干扰强等特点,提出基于核函数-Wiener过程(KWP)退化模型,使用Wiener过程刻画轧辊退化趋势的强随机性特征,引入核函数捕捉轧辊的非线性退化路径,推导贝叶斯框架下参数估计的解析表达式,并构造轧辊可工作转动量的健康指标,进一步预测轧辊剩余寿命(RUL).结合某钢铁公司1580热轧生产线现场数据,所构建模型拟合优度达到0.989,剩余寿命预测误差低于4.7%,相较常见机器学习算法取得了更好效果,有助于提高设备运转效率与安全性并实现视情维护.

基于混合核函数高斯过程的大坝变形预测方法

传统大坝变形预测方法多基于统计模型,并未考虑输入变量和输出变量间非线性映射关系,且模型调参过程复杂、耗时,易出现过拟合现象。针对上述问题,提出一种组合非线性核函数高斯过程回归的大坝变形预测分析方法,并以某高混凝土拱坝实测监测数据为例,建立预测模型并评估验证,同时用已有的3种常规变形预测方法进行对比。结果表明:该方法多个量化回归精度评估指标均显著优于对比方法,验证了其有效性和泛化能力,该方法对于大坝异常监测数据评估、异常行为诊断均具有重要意义。

一种基于核函数的非线性感知器算法

为了提高经典 Rosenblatt感知器算法的分类能力 ,该文提出一种基于核函数的非线性感知器算法 ,简称核感知器算法 ,其特点是用简单的迭代过程和核函数来实现非线性分类器的一种设计 .核感知器算法能够处理原始属性空间中线性不可分问题和高维特征空间中线性可分问题 .同时 ,文中详细分析了其算法与径向基函数神经网络、势函数方法和支持向量机等非线性算法的关系 .人工和实际数据的计算结果表明 :与线性感知器算法相比 ,核感知器算法可以有效地提高分类精度 .

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机(SVM)核方法和小波框架理论,提出了一种称为小波支持向量机(Wavelet Support Vector Machines,WSVM)的新的机器学习方法,并把这种方法应用于组合预测,得到了一种基于WSVM的非线性组合预测新模型,然后给出了此模型的结构设计和实现算法.通过仿真实验,把该方法与小波神经网络等方法相比较,得到了更好的实验结果,从而验证了该方法的正确性和有效性.

最小二乘支持向量机在信道均衡中的应用

为抵消信道时变多径传播特性引起的码间干扰、准确地识别数字通信系统中的发送信号,满足信道均衡的实时性要求,采用最小二乘支持向量机回归算法对信道进行均衡。首先,分析了最小二乘支持向量机算法应用于信道均衡的机理,与传统的信道均衡方法相比,该算法无需对信道进行估计可直接得到均衡器的参数。其次,与ε-支持向量机算法进行比较,最小二乘支持向量机均衡性能不减,时间复杂度大大降低,可以更好的满足信道更新的实时性要求。同时探讨了2种改善低信噪比下信道均衡性能的方法。结果表明:对于信道环境复杂的通信系统,利用最小二乘支持向量机的非线性均衡速度快、效果良好。在低信噪比情况下,可以通过增加训练序列长度和利用非线性核函数来改善信道均衡的性能。

非线性格兰杰因果关系在计算神经科学的应用

自从格兰杰1969年提出因果关系的概念之后,格兰杰因果关系的应用越来越广泛,但都是用来分析线性时间序列数据之间的内在联系。将线性格兰杰因果关系推广到非线性的情形,首先利用核函数的方法建立非线性时间序列模型,再按照线性格兰杰因果关系的基本思想定义非线性格兰杰因果关系,最后通过一个模拟的例子验证该方法的有效性。模拟数据的结果表明,该方法能有效地分析非线性数据之间的内在联系。

基于地震数据子集的波形反演思路、方法与应用

地震数据与地下介质物性参数之间的复杂关系,决定了地震全波形反演在理论方法上面临着强烈的非线性难题.地下不同物性参数的不同分量在地震数据上具有不同的表现,勘探的不同阶段对地下介质模型的精度也具有不同的要求,这就决定了在地震全波形反演过程中不必时刻追求地震数据全部信息的匹配,部分信息的匹配就有可能解决现阶段的某些问题,还可以一定程度上规避匹配全部地震信息所遇到的强烈非线性难题.基于这样的考虑,我们提出了利用地震数据子集进行波形反演的思路,给出了统一的反演方法,并通过基于包络数据子集以及反射波数据子集的波形反演的理论模型与实际资料反演试验,证明了所提出的波形反演思路和方法的正确性.

Volterra核函数在齿轮裂纹故障识别上的应用

针对非线性条件下齿轮裂纹故障信号微弱以及受输入量变化的影响,进而给故障精准度带来的严峻考验,提出利用二阶Volterra核函数从系统整体角度分析裂纹故障与非线性因素变化之间的内在联系。利用时间序列辨识齿轮裂纹故障二阶Volterra核函数,分析谱图中反映齿轮运行状态的非线性信息。结果表明:二阶Volterra核函数考虑了输入因素对系统诊断精度的影响,对齿轮箱因工况改变而引起的非线性因素的变化反映十分敏感,从而解决了传统齿轮边频带故障诊断理论的模糊性和不确定性问题,可以将其应用于齿轮裂纹故障诊断。

Volterra高阶核新算法在涡轮转速控制上的应用

给出了对非线性动态系统做任意精度逼近的Volterra级数高阶核的全新估算方法并将其应用于涡喷发动机的转速控制上。该方法在核函数理论基础上,构造线性空间,将求解Volterra级数各阶核的问题转化为求输出观测向量在希尔伯特空间中某一子空间上的投影的问题,使原本复杂的非线性系统的Volterra级数的逼近问题在线性空间中以向量内积的方式得到解决。与其他时域或频域估算Volterra核的方法相比较,该算法的优点在于理论体系严密、计算量不随阶数增高而成几何级数增加、辨识精度高。该方法理论上能够估算任意阶核,弥补了现有方法难以估算四阶以上核的缺点,可应用于动态系统和强非线性系统的建模。将发动机动态过程描述为四阶的Volterra级数模型。

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机(SVM)的性能存在很大差异,核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后,重点对常用的核函数及其参数的选择进行了研究,并采用具有不同核函数的SVM进行非线性系统辨识。大量实验结果表明,采用SVM方法进行系统辨识时,径向基核函数(RBKF)比其它核函数的辨识效果好,且RBKF的参数选择较容易,当参数在有效范围内改变时,空间复杂度变化小,易于实现。因此,RBKF是系统辨识SVM的较好选择。

基于核函数的非线性分类相关分析及其在化学模式识别中的应用

与统计分析和神经网络相比,基于结构风险最小的支持向量机有更好的分类性能。它用于非线性分类时,先将样本映射到更高维的特征空间,往往会增加复共线性与冗余信息,将影响样本分布,降低线性支持向量机分类器(LSVC)的预测性能。本研究提出非线性分类相关分析算法 (NLCCA),利用核函数技术,无需了解非线性映射的算式,从特征空间的样本映像中提取分类相关成分,以消除冗余信息,改善样本分布。由此构建的NLCCA LSVC集成分类器具有优良的预测性能。经模拟数据的测试,并实际用于两个复杂的化学模式识别问题,均取得令人满意的效果,也印证了算法的有效性。

基于核函数的SOM网络流量分类方法

由于网络流量数据高度非线性,传统的自组织映射(self-organizing maps,SOM)网络对此分类的鲁棒性和可靠性较差,提出了一种基于核函数的SOM(kernel SOM,KSOM)网络流量分类方法。该方法用核函数代替原始数据在特征空间中映射值的内积,使输入空间中复杂的流量样本结构在特征空间中得到简化,实现对有多个统计特征属性的网络流量在应用层的分类。实验结果表明,KSOM能识别新应用类型的流量,较传统的SOM更适合对网络流量进行分类,其分类准确率高于NB方法。

基于核函数距离测度的LLE降维及其在离群聚类中的应用

局部线性嵌入算法(locally linear embedding,LLE)是一种流形降维方法,在高维稀疏数据空间中,针对LLE不适合稀疏采样和欧氏距离公式的缺陷,研究该算法的扩展,引入核函数,并将样本映射到高维特征空间,核映射改善了样本的空间分布,改进的LLE方法在适当选取近邻点个数情况下,可得到良好的效果。对从高维采样数据中恢复得到低维数据集,通过本文提出的离群数据假设,并结合本文给出的离群聚类方法对所得低维数据是否是离群数据进行判别。仿真文验的结果表明了该方法能够有效地发现高维数据集中的离群点,与此同时,该算法具有参数估计简单、参数影响不大等优点,该算法为离群点检测问题的机器学习提供了一条新的途径。

基于非线性频谱特征及核主元分析的模拟电路故障诊断方法

针对模拟电路基于非线性输出频域响应函数(NOFRF)模型进行故障特征提取时,具有维数多、数据量大的特点,提出了采用核主元分析(KPCA)和多类别支持向量机(MSVM)进行故障模式判别的新方法(KPCA-MSVM)。该方法首先采用KPCA对特征向量进行维数压缩、消除变量之间的非线性;其次构造MSVM分类器,在PSpice环境下通过蒙特卡罗仿真生成模拟电路在各种故障状态下的数据,对MSVM分类器进行训练,将训练好的MSVM分类器用于模拟电路的故障状态识别。通过对Sallen-Key带通滤波器模拟电路的故障诊断结果表明,该故障诊断方法对模拟电路参数型故障有很好的识别、定位能力并具有速度快和准确率高的特点。

人体运动的非线性降维及新运动生成

为了提高现有运动数据的可重用性,生成更为丰富的新运动,提出快速自适应比例高斯过程隐变量模型,以及基于该模型的人体运动数据降维及运动生成方法.通过对运动数据进行统计学习,获得运动数据在隐空间的一个低维映射来实现非线性降维,同时获得了该运动的姿态空间的概率分布,其大小反映了该姿态的自然逼真程度;在给定末端约束条件下求取满足约束的、同时概率最大的姿态,并将其作为逆向运动学的解,克服了传统逆向运动学算法计算烦琐、效果不逼真的缺点.实验结果表明,该模型具有更快的收敛速度和更高的收敛精度,同时能够自适应运动编辑的方向,有效地扩大运动的可编辑幅度.

基于Wiener核和BP神经网络的非线性模拟电路故障诊断

研究提出基于非线性电路的Wiener核和BP神经网络的故障诊断方法。在输入为高斯白噪声的情况下,对输入、输出信号进行采样,通过计算各阶相关函数的方法得到正常及各种故障状态下非线性电路的Wiener核。把该核作为状态特征并进行适当的预处理,与对应的状态一起组成BP神经网络的输入和输出样本来对神经网络进行训练,从而实现对模拟非线性电路的故障诊断。文中给出了Wiener核的数字计算方法和诊断神经网络的建立方案,并通过诊断实例加以验证。

基于线性空间投影的计算Volterra级数高阶核的方法

研究了对非线性动态系统作任意精度逼近的Volterra级数高阶核的全新估计方法。该方法在核函数理论基础上构造特殊线性空间,将求解Volterra级数的各阶核的问题转换为求用输出观测向量在希尔伯特空间中某一子空间上的投影问题,使原本复杂、难以计算的非线性系统的Volterra级数的逼近问题在所构建的线性空间中巧妙地以向量内积的方式解决,并给出了具体算法。相比于其他时域或频域估计Volterra核的方法,该算法的优点在于理论体系严密、计算量不会随着阶数增高而呈几何级数增加,辨识精度高,理论上能够辨识出任意阶的核,弥补了迄今现有的各种估计Volterra核的方法难以估计超过四阶或更高阶核的缺点,特别能够应用在对动态系统和强非线性系统的建模上。仿真研究的结果证明了该方法的有效性。

基于双向2DPCA和SVM的胃粘膜肿瘤细胞识别

针对胃粘膜肿瘤细胞图像的高维性、不规则性及复杂性特征,提出基于双向2DPCA(二维主成分分析)和SVM(支持向量机)的肿瘤细胞识别方法。双向2DPCA同时对图像行、列方向进行特征提取运算,大大降低图像特征维数。结合基于统计理论的SVM在分类识别方面的优势,通过引入核函数巧妙地解决非线性问题,从而快速有效地实现细胞分类。实验表明该方法不但有效提高了识别率,而且算法时间明显减少。

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题。该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法。首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数,最后采用最近邻分类器进行识别。由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表明,该方法在识别性能上优于核主分量分析方法。