多任务LS-SVM在时间序列预测中的应用

针对单任务时间序列中存在的信息挖掘不充分、预测精度低等问题,提出了一种基于多任务最小二乘支持向量机(MTLS-SVM)的时间序列预测方法。该方法将多个时间序列任务同时进行学习,使得在训练过程中任务之间能够相互牵制起到归纳偏置作用,最终有效提高模型的预测精度。首先,利用相邻时间点之间的密切相关性,构造多个相邻时间点的学习任务,然后将每个任务对应的数据集同时训练MTLS-SVM模型并将其用于预测。将该方法用于几个时间序列数据集并与单任务LS-SVM方法相比,实验结果表明该方法具有较高的预测精度,验证了方法的可行性和有效性。

基于改进的高斯混合回归的球磨机料位软测量

针对球磨机系统多模态复杂过程中的料位不确定性,球磨机振动信号存在非线性、噪声和外界干扰等问题,采用一种基于改进的高斯混合回归(GMR)的球磨机料位软测量方法,解决传统高斯混合模型初始化含有噪声和异常值的数据难以聚类的问题。首先,利用改进的K-medoids聚类算法与EM算法分别初始化和优化高斯混合模型(GMM)的最佳高斯分量个数、最优模型参数,然后采用GMR预测输出球磨机料位。最后实验验证了改进GMR模型得到的预测料位可以很好地跟踪真实料位,并且通过实验结果的对比分析,验证了改进模型的有效性和实用性以及较好的预测精度。

基于CART-LSSVM的球磨机料位软测量方法研究

球磨机是用于电力、磨矿和冶金等行业的高能耗设备,准确测量其滚筒料位能够提高运行效率和安全性能。针对其滚筒内料位难以实时检测,球磨机的轴承振动信号中存在较多的冗余特征,提出了一种基于分类回归树和最小二乘支持向量机的软测量方法,首先用Welch法获得振动信号的功率谱密度,并分割得到基本特征,然后建立分类回归树模型,根据最优树模型的分支节点进行特征选择,最后利用最小二乘支持向量机实现特征变量与料位间的非线性映射。通过实验结果的对比分析,验证了该模型的有效性和实用性,以及良好的预测精度。

X线立体摄影测量分析法:技术原理与临床应用(英文)

在手术后前两年里,骨科植入物相对于骨组织的累积微动情况是可以测量的,测量结果可以预测植入物的机械松动。用于三维微动测量的最精确的X线成像方法是X线立体摄影测量分析法(RSA)。已证实的RSA方法的精确度为在移动方面是在0.05mm和0.5mm之间,在转动方面是在0.15度和1.15度之间。RSA方法用来研究植入方法的改变、覆盖物的增加或新型骨水泥等对假体稳固性的影响。RSA方法的优点是一般采用较少病人数量(25位病人)和较短时间的临床研究(2年)就足以预测很长时间内的植入物机械松动情况。这就促使RSA方法成为假体设计和开发研究中的重要检测工具,从而避免使大量病患处于新方法的潜在危险之中。在本文中,作者解释了RSA方法的基本原理,并列举了RSA的临床研究实例以阐释其临床应用。