基于模糊系统的金具温升预测方法

为了提高直流特高压阀厅连接金具的温升预测准确性,将基本粒子群算法与递推最小二乘算法结合,形成改进粒子群算法。利用试验得到训练数据与测试数据,通过训练数据调整模糊系统。训练算法分别为基本粒子群算法、递推最小二乘算法和改进粒子群算法,其中改进粒子群算法的收敛效果优于其他2种算法。通过训练数据与回归分析对阀厅连接金具的温升进行建模,用测试数据对各方法所得模型进行检验,发现由改进粒子群算法训练模糊系统所得模型的测试效果最好。测试结果表明,若能得到足量训练数据,用改进粒子群算法训练模糊系统的方法预测阀厅连接金具的温升是可行的。     

基于改进线性回归方法的任务自适应排序模型

为解决有人/无人系统协同过程中操作员手动调整任务执行顺序带来的系统设置失效和工作负荷增加问题,基于改进的线性回归方法对操作员任务处理习惯数据进行训练,得到操作员任务处理习惯的任务自适应排序模型,针对操作员处理任务的习惯对任务序列的排列进行自适应调整.仿真结果表明:改进的线性回归方法提高了任务排序的正确率,减少操作员的手动排序过程,降低操作员的工作负荷,并对于不同的操作员的处理习惯有更强的适应性;测试数据规模越大,模型预测的正确率均值越大,而且正确率的上下边界越收敛;得到训练数据规模越大,改进的线性回归模型预测正确率的均值越大.     

基于阈值优化的CDRM-SVM入侵检测算法

为了提高中心距离比值法预选取支撑矢量的效率,降低支撑矢量机的训练时间,引入自适应动态克隆算法对中心距离比值法的阈值进行优化,并将该算法应用于入侵检测中,提出了基于阈值优化的CDRM-SVM入侵检测算法.算法首先利用自适应动态克隆算法对中心距离比值法中的阈值进行优化,获得理想的阈值,从而可以提取出包含全部支撑矢量的边界矢量集,然后使用边界矢量集代替训练样本集进行支持矢量机的训练,大幅度减少了训练样本的数量,使支持矢量机的训练速度显著提高.同时,由于边界矢量集中包含了支撑矢量,因此,支撑矢量机的分类能力没有受到影响.采用KDDCUP 99数据集进行试验,试验结果表明:与传统方法相比,在保证性能的情况下,所提算法能够有效地降低支持向量机的训练时间.     

基于改进人工免疫网络的配电网单相接地故障辨识方法

配电网故障辨识有利于线路的全面分析与后续检修,但过渡电阻较高时单相接地故障稳态特征不明显,辨识正确率受到影响.提出了一种基于改进人工免疫网络的单相接地故障辨识方法,利用希尔伯特-黄变换提取故障暂态过程中零序电压的固有模态分量,得到反映波形变化程度的频域特征,进而构造特征向量;采用记忆细胞方差自适应调整环节对人工免疫网络进行改进,以生成能够体现原有特征且均匀分布的记忆细胞来进行故障判断,可以克服训练数据样本少、分布不均匀的问题,并且网络训练速度快.在MATLAB/Simulink中建立仿真模型,测试集的验证结果表明本文辨识方法在小样本训练的情况下能对故障与正常扰动进行识别,训练时间短,不需要人为设置阈值;同时,在中性点接地方式变化、信号存在噪声以及系统拓扑结构变化时,该方法适应性依然良好.     

加权支持向量机求解路径算法研究

针对不同训练样本重要性的差异对模型推广能力的影响,提出了对各个样本的误差惩罚参数赋予不同权重的加权支持向量机求解路径算法.根据样本重要性的不同,利用分段线性插值得到加权系数,并通过加权系数调整求解路径,从而改变不同样本在回归模型中的作用.采用支持向量机加权求解路径算法对圆柱壳结构在不同边界条件下的时、频域响应数据进行预测,训练样本的重要性通过与测试样本的欧式距离来表达,结果显示所提算法可减小位移响应在多个评价指标下的预测误差,提高支持向量回归机的推广能力.该方法同样适用于其他求解路径算法,如λ-路径算法和ν-支持向量回归路径算法.     

一种加入动态权重的AdaBoost算法

【目的】由于AdaBoost算法弱分类器对各待测样本其投票权重是固定不变的,这会导致使用该算法进行分类时准确性不高,于是针对该问题提出了一种结合静态权重与动态权重的学习算法AdaBoost＿DW。【方法】该算法保留了AdaBoost算法训练阶段产生的全部弱分类器,在预测阶段加入了能度量待测样本与各个弱分类器适应性的动态权重,通过双权重共同决定该弱分类器的投票权重。【结果】实验结果表明,AdaBoost＿DW算法的分类精度绝大多数情况下高于原AdaBoost算法。【结论】证明了动态权重的加入能够提高原AdaBoost算法在各数据集上的分类准确率。     

面向不平衡数据的逻辑回归偏标记学习算法

偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度.     

基于灰色模型的动态功率管理空闲预测算法

为提高空闲预测的准确性,提出基于灰色模型的空闲预测算法.该算法对预测样本的数量和分布特征没有苛刻要求,仅使用少量样本数据就能够进行预测.预测过程可以动态调整预测参数,实现自适应预测,提高预测的准确性.实验结果表明,使用该算法进行预测得到的预测值接近真实值,准确性高于指数平均预测算法.     

一种基于聚类和AdaBoost的自适应集成算法

为同时保证基分类器的准确性和差异性, 提出一种基于聚类和AdaBoost的自适应集成算法. 首先利用聚类算法将训练样本分成多个类簇; 然后分别在每个类簇上进行AdaBoost训练并得到一组分类器; 最后按加权投票策略进行分类器的集成. 每个分类器的权重是自适应的, 且为基于测试样本与每个类簇的相似性及分类器对此测试样本的分类置信度计算得到. 实验结果表明, 与AdaBoost,Bagging(bootstrap aggregating)和随机森林等代表性集成算法相比, 该算法可取得更高的分类精度.     

一种改进的最大相关最小冗余选择性贝叶斯分类器

利用K均值聚类和增量学习算法扩大训练样本规模,提出一种改进的mRMR SBC.一方面,利用K均值聚类预测测试样本的类标签,将已标记的测试样本添加到训练集中,并在属性选择过程中引入一个调节因子以降低K均值聚类误标记带来的风险.另一方面,从测试样本集中选择有助于提高当前分类器精度的实例,把它加入到训练集中,来增量地修正贝叶斯分类器的参数.实验结果表明,与mRMR SBC相比,所提方法具有较好的分类效果,适于解决高维且含有较少类标签的数据集分类问题.     

基于改进Real AdaBoost算法的软件可靠性预测

针对基于单一神经网络的软件可靠性模型预测精度低和可信性差的问题,提出一种基于加权信息熵(WIE)的Real BP-AdaBoost算法。首先,用BP神经网络个体代替Real AdaBoost算法的基分类器,构建Real BP-AdaBoost算法。然后,对Real BP-AdaBoost算法的加权方式进行改进,以基分类器对训练样本的整体分类权值与基分类器对测试样本的个体分类权值的乘积作为最终的加权系数,得到WIE Real BP-AdaBoost算法。最后,通过2组软件实际失效数据对WIE Real BP-AdaBoost算法的有效性进行验证,并与SVM、BP网络、Elman网络和Real BP-AdaBoost算法进行比较研究。实验结果显示,WIE Real BP-AdaBoost算法对2组数据预测的均方误差分别为0.442 87和0.284 71,均低于4个对比模型的均方误差,说明了WIE Real BP-AdaBoost算法模型具有更高的预测精度和可信性。     

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法. 运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数. 最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.     

一种用于方向预测的集成学习算法

对用方向向量标识示例的学习问题,以预测方向与实际方向之间的方向误差最小化为目标,提出了一种可用于方向预测的集成学习算法,详细分析了构造多个预测函数以及组合各个预测函数以实现方向的最优化预测方法. 提出的算法具有广泛的应用特性：当用不同的轴向来标识类别时,可简化得到多分类连续AdaBoost算法,其能确保训练错误率随分类器个数增加而降低;用错分代价组成的向量来标识示例时,可简化得到一种平均错分代价最小化的集成学习算法. 理论分析和实验结果均表明了算法的合理性和有效性.     

基于角度分布的高维数据流异常点检测算法

为了有效检测高维数据流中的异常点,提出一种基于角度分布的高维数据流异常点检测(DSOD)算法.运用基于角度分布的方法准确识别高维数据集中的正常点、边界点以及异常点;构造了基于正常集、边界集的小规模数据流型计算集,以降低算法在空间以及时间上的开销;建立了正常集、边界集的更新机制,以解决大数据流的概念转移问题.在真实数据集上的实验结果表明,所提出的DSOD算法的效率高于Simple VOA算法与ABOD算法,并且适用于大数据流上的异常点检测.     

基于双采样随机森林的临滑阶段的预测算法：以湖北黄石某治理地块为例

针对碎石土边坡监测过程中滑坡稳定变形期与临滑阶段监测数据量严重不匹配,导致临滑阶段数据量偏小,从而产生的非平衡数据集造成预判不准确的问题,提出一种基于DST随机森林的碎石土边坡临滑阶段地表位移的预测算法。首先,采用过采样和欠采样相结合的双采样技术(DST,DoubleSamplingTechnique)对地表位移中的非平衡数据集进行采集,然后,通过随机森林预测算法有放回的随机抽样进行预测,最后,通过实验得出预测结果。结果表明:DST随机森林预测算法相比于普通随机森林预测算法预测误差率降低到3.39%,证明双采样技术(DST)采集临滑阶段非平衡数据集的必要性。     

不均衡数据集中KNN分类器样本裁剪算法

针对KNN算法在分类时的样本相似度计算开销大,在处理不均衡数据集时少数类分类误差大的问题,提出一种在不均衡数据集下基于密度的训练样本裁剪算法。对训练样本的各个样本类进行聚类,删除噪声数据并计算每个样本类的平均相似度和样本平均密度,以此获得样本类裁剪的相似度阈值,然后将样本类内相似度小于类相似度阈值的样本进行合并,减少训练样本总数。实验表明,此样本裁剪算法能够在保持KNN算法分类性能基本稳定的前提下,有效地减少分类计算开销,并能在一定程度上提高少数类的分类性能。     

基于小样本数据的BP神经网络建模

针对小样本条件下BP(back propogation)神经网络存在预测精度不高的问题,将专家知识融入BP神经网络训练过程中解决此问题.首先BP神经网络通过遗传算法获得最优初始权值和阈值;其次对专家知识进行数学表达;最后通过增广拉格朗日乘子法将专家知识融入BP神经网络训练过程中.利用实际中的结晶动力学问题对所提方法进行...     

露天矿行车事故预测方法及应用

为有效解决露天矿山行车事故预测模型建模时,易受小样本数据、离群数据规模影响,导致模型精度损失、算法抗噪容差能力及收敛速度下降等问题,提出一种基于二次惩罚项修正(PTS)的改进支持向量回归机模型(WLSSVR)。根据训练样本的数据分布特性,研究了服从露天矿山现实应用场景的二次惩罚项,进一步提高回归机模型的抗噪容差能力;考虑非线性预测模型影响因子选择困难的问题,研究了数据降维及因子分析方法,并将主成分分析方法引入到输入数据预处理算法中,以保证算法可得到理想的输入;针对传统回归机模型易受核参数选择影响,易导致模型早熟和收敛速度慢等问题,研究了粒子群惯性因子、学习因子的自适应迭代形式,提出了一种应用改进粒子群算法优化回归机模型核参数的方法。以露天矿行车事故频次预测为例,进行了预测和对比实验。实验结果表明:引入PTS模型的测试集预测结果明显优于不采用PTS策略的预测结果。这说明,应用文中提出的二次惩罚策略和参数优化算法对复杂系统的事故预测问题研究是可行且有效的。