基于混合多机器学习算法的燃料电池性能退化预测框架

质子交换膜燃料电池(Proton exchange membrane fuel cell,PEMFC)是当下极具发展潜力的绿色发电装置,对其性能退化状态进行精准预测有助于促进电池健康管理,优化电池成本效益。为提高预测模型拟合度与精确度,提出用鹈鹕算法(Pelican optimization algorithm,POA)优化最小二乘支持向量机(Least squares support vector machine,LSSVM)的PEMFC性能退化预测模型。采用小波阈值去噪(Wavelet threshold denoising,WTD)与轻量级梯度提升机(Light gradient boosting machine,LGBM)进行数据预处理,以摒弃噪声与小关联度输入变量对预测的干扰。通过提供不同工况下电池运行数据和设立对比实验。结果表明,本模型的精度与稳定性优于其他模型,且占用资源较少,均方根误差保持在0.1%内,平均绝对百分比误差小于0.05%,性能优秀。

随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

基于声振特征区分的SMA优化SVM变压器机械松动识别方法

基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法。首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析。结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小。相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出。此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值。

一种改进的增量型随机权神经网络及应用

增量型随机权神经网络(I-RVFL)具有良好的泛化性能,在一定程度上避免了过拟合问题,但是,I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的,可能会导致模型不稳定。针对上述问题,论文提出一种改进的I-RVFL网络。首先,利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点,优化随机分配的输入权值与偏差。然后,将凸函数的下降梯度比应用到模型误差序列中,建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明,改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别,检测准确率达到98%,验证了该网络的有效性和实用性。

基于梯度算法的支持向量机参数优化方法

首先介绍最近出现的参数优化方法,概括了高效率的参数优化算法应具备的若干特点.然后提出了一种新的支持向量机参数优化方法.该方法先在局域内用混沌优化搜索局域最优点,再将此最优点作为梯度方向,通过改变局域范围跳出局部寻优区域.该方法降低了对性能函数连续且可微的要求,收敛速度快,最终优化解与支持向量机的参数初始值无关.最后,通过仿真实验表明了该方法具有更高的分类和回归准确率.

基于正交基函数的矢量磁梯度异常探测

磁异常探测技术是一种快速有效的非接触式感知手段。针对传统的标量正交基函数(OBF)检测器获取的磁场信息有限,而矢量OBF检测器得到的磁场信息受地球磁场晃动影响显著的问题,推导一种兼具丰富磁场信息以及抗晃动性能的矢量磁梯度OBF检测器。证明当测量噪声服从高斯独立同分布时,矢量OBF检测器相较于标量OBF检测器具有更低的检测虚警率,且空间采样长度是影响OBF检测器性能的关键因素。仿真和实测结果表明:矢量磁梯度OBF检测器相对于传统检测器具有更优的检测性能,降低空间采样长度可以明显提升其探测性能;矢量磁梯度OBF检测器在低信噪比条件下可以反演得到磁性目标的磁矢量梯度信号,利用粒子群参数估计算法能估计得到目标的位置参数和磁矩参数。

基于改进的Snake模型的脑部MR图像分割方法

为实现对脑部磁共振图像的分割,提出了一种改进Snake模型的图像分割方法。通过引入轮廓中心的概念,在贪婪Snake模型的能量函数中增加距离势能作为外部约束能量,增大了外能的吸引范围,使分割结果不依赖于初始轮廓;对各能量项进行归一化操作,并以归一化扩散方程各分量的梯度矢量流代替MR图像的梯度,提高了模型处理弱边界和深度凹陷区域的能力;对各能量函数的离散化和参数的选择进行了阐述。实验结果表明,该算法是一种有效的分割脑部MR图像的方法。

基于模糊算法的彩色图像边缘检测

彩色图像的边缘检测算法有很多;但检测结果仍存在细节丢失、抗噪性差的问题。提出一种新的彩色图像边缘检测算法。首先,在RGB空间下,采用矢量梯度算法,分别在三个通道中求出像素的梯度值。然后,采用自适应双阈值算法,对梯度值进行判断,筛选出图像的边缘点。最后,只采用筛选后的边缘点的信息,构造新的模糊矩阵的隶属函数,从而形成新的模糊算法。利用该算法,检测出最终的图像边缘信息。实验证明,该算法得到的图像检测结果,不仅对比度高、边缘连续、细节保存完整;而且具有较强的抗噪性。

向量合成加速单纯形算法

提出了一种实现加速单纯形算法的方法。N-M单纯形算法是从最差点出发,以单纯形其他顶点的中心为寻优方向,提出的向量合成加速单纯形算法是以最好点出发,参照梯度算法思想,采用向量合成公式寻得一最好点,此最好点和单纯形除最差点外所有顶点构成新的单纯形,再进行搜索。实验证明,该方法较N-M单纯形算法、拟梯度算法速度更快,效果更好。

一种鲁棒回归支持向量机及其学习算法

为了提高支持向量机的泛化能力,给出了一个鲁棒损失函数,利用它建立了鲁棒支持向量机,并利用对偶原理推导出其对偶优化问题的形式,在此基础上设计了局部梯度算法,在这种算法中每次迭代只改变两个优化变量的值。随后分析了算法的收敛性条件,给出了学习步长的选择依据,最后用一个仿真实例来说明所提出的支持向量机的学习性能,比标准支持向量机具有更好的鲁棒性。

基于HOG的酿酒葡萄叶检测

在酿酒葡萄生长状态与病虫害自动监测中,需要在图像中检测出葡萄叶片,通过提取葡萄叶片图像的方向梯度直方图(HOG)特征投入到支持向量机(SVM)分类器中以实现对葡萄叶片的识别;结合多尺度目标定位和均值漂移算法还可以自动确定图像中葡萄叶片的位置。实验结果表明,使用线性核函数训练后的分类器对葡萄叶片和四种常见杂草的识别率达95.5%。该方法对光照和环境变化有较好的鲁棒性,自然条件下成像的叶片图像的葡萄叶片检出率达到了80%以上。

基于人工神经网络动态标定算法的低成本视线追踪系统

针对视线追踪系统成本高、标定算法复杂的问题,研究了一种低成本视线追踪系统.系统采用低成本网络摄像头,采集到的图像首先采用Haar-like特征与肤色结合算法来进行人脸检测,并利用主动表现模型算法和光流法定位并跟踪人脸特征点;然后利用梯度向量法进行瞳孔中心检测;为了提高系统精度和鲁棒性,提出了一种人工神经网络的动态标定算法.实验表明,视线追踪系统不仅具有很好的鲁棒性,而且具有较高的精度,在头部静止的情况下平均误差为1.34°,在头部运动的情况下平均误差为3.26°.

几种梯度场计算的数值算法及其地学应用

梯度作为标量场在空间上最重要的微观变化特征,能较好地反映其在空间上的变化趋势。本文介绍了中心差分算子、相邻梯度因子和Sobel梯度算子三种梯度数值算法。以点电荷在三维空间中产生的电势场构造了一标量场,通过理论公式求解了其梯度值,并将理论梯度值与三种数值算法的结果进行了对比与统计分析,验证了三种梯度数值算法的有效性和适用性。结果表明,排除场源的影响后,Sobel梯度算子相较其它两种数值算法更逼近于理论梯度值。最后,利用Sobel梯度算子求取了某铜矿区可控源音频大地电磁法(CSAMT)三维视电阻率场的梯度场,用梯度场刻画了视电阻率在空间上的变化趋势,提高了对三维地下空间的电性分布规律和地质情况的认识。

基于梯度矢量方向性分析的线裁剪算法

在传统线裁剪(seam carving)算法中梯度矢量的方向性是一个被忽略的因素,该文提出了一种新的基于梯度矢量方向性分析的线裁剪算法。首先利用随机纹理区域内梯度矢量方向散乱的特点,对局部区域的图像梯度矢量进行低通滤波,使算法能够提取更加合理的像素线路;接着又根据像素线路的走向不同,定义两个不同的像素能量函数,给予像素梯度矢量的x,y分量以不同的权值。实验结果图像显示,文中算法不仅可以更好地保护图像边缘等细节,还可以在整体上达到与原图像更加近似的视觉效果。定量分析结果也显示,相比其它算法该文算法在完整性距离和一致性距离两方面都取得了更好结果。

基于神经网络语言模型的动态层序Softmax训练算法

针对词向量训练过程中层序Softmax算法无法进行增量训练及海量数据训练低效的问题,提出了动态层序Softmax算法.通过对数据样本的增量加载,采用结点置换方法动态构建编码树,实现对样本的增量训练.为避免损失函数因样本量较少而呈现震荡式下降,利用梯度的一阶矩估计与二阶矩估计动态调整参数更新方向与学习率,通过梯度迭代缩小权值变化范围和收敛训练误差,提高词向量的训练效率.以维基百科中文语料作为数据进行了试验,完成了训练效率和质量的分析.结果表明:相较于现有方法动态层序Softmax算法显著提高了训练效率,当增量样本大小为10 kB^1 MB时,训练增速有近30倍的提升,有效地缩短训练周期.

基于HSV颜色模型的广义梯度矢量流图像分割方法

采用广义梯度矢量流(G enera lized grad ien t vector flow,GGVF)作为势能函数的Snake算法在处理灰度图像分割时具有较好的性能。但当处理彩色图像时,GGVF模型往往将彩色图像转化为灰度图像进行处理,此过程造成颜色信息丢失,因而容易受到阴影等伪边界灰度变化的干扰。本文提出了基于HSV颜色模型的GGVF,充分利用了图像的色彩信息进行图像分割。实验结果表明,该方法能够有效地区分彩色图像的真实边界与由阴影产生的伪边界,并取得较好的分割结果。

基于SDCS-SVM的大坝安全监测模型

惩罚因子c和核函数参数σ的选择对于支持向量机(SVM)回归模型的拟合和预测精度至关重要.为克服SVM模型易陷入局部最优点的缺陷,利用基于最速下降法的混合布谷鸟搜索算法(SDCS)进行SVM参数的优选,提出了SDCS-SVM模型并运用于大坝的安全监测.通过实例验证分析表明,与多元回归模型相比,SDCS-SVM模型的预测精度和泛化能力均有一定程度的提高.

基于码本的说话人自适应方法

本文提出了一种基于码本的说话人自适应方法 .它可以将变换方法和Bayes估计法这两大类说话人自适应方法的优点有机的结合起来 ,既能实现快速的说话人自适应 ,还具有良好的一致渐进性 .自适应过程可分为两个阶段 :在第一阶段 ,用由大量参考说话人的语音码本构成的线性组合来逼近用户的语音码本 .此时只需要很少的自适应训练数据就可以用基于Rosen梯度投影法的优化算法计算出线性组合中各码本的最佳权值 .在第二阶段 ,码本的最佳线性组合被用作用户码本的先验估计值 .随着更多自适应训练数据的获得 ,系统对用户码本进一步进行Bayes估计 ,从而可以实现累进的自适应 .作者将该方法应用于说话人无关的连续汉语语音识别系统 .一系列的对比实验表明该自适应方法很有前途 .

非凸共轭梯度p范数正则化SVM分类算法

经典的p范数支持向量机分类算法的正则化阶次p往往被选定为0、1或2。但是通过大量的实验可知,p取0、1或2的分类效果并不一定是最佳的。针对不同的数据使用不同的正则化阶次,可以改进分类算法的预测准确率。刘建伟等从目前迭代再权的思想出发讨论了p范数正则化支持向量机问题,但由于每次求解的均是原问题的近似问题,因而得到的解是近似解。从最优化角度出发,应用非凸共轭梯度算法求解0<p<1时的p范数正则化支持向量机问题,分别对3种不同的支持向量机问题进行了求解,并通过处理3种典型的癌症数据集展示了算法的良好分类效果。

梯度向量正交的相关函数自适应滤波算法

该文把Asharif(1999)定义的相关函数均方误差(MSE)准则Jr(n)=E eT(n)Ce(n)]改为时变的遗忘因子指数加权最小二乘误差(LSS)准则Jr(n)= ,对这一准则利用梯度法,使当前时刻的梯度向量正交于前一时刻的梯度向量而得到一种新的相关函数自适应滤波算法。计算机仿真结果表明新算法的收敛性能优于Asharif提出的ECLMS算法。