Agent信念的遗忘修正方法

为了使信念修正能够满足最小改变原则,首先基于遗忘理论定义遗忘收缩算子,并且证明该算子满足必要AGM收缩假定;然后通过Levi Identity构建遗忘修正算子;最后给出遗忘修正方法和多次遗忘修正算法。实例分析表明,算法具有可行性和有效性,能够得到较满意的修正结果。     

一种集成传感器故障诊断方法

针对传感器故障，提出了一种基于小波奇异性捡测和修正的Bayes算法(MB)的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态进行在线估计，进而得到残差，然后对残差进行小波分析，再用修正的Bayes算法进行传感器故障的在线检测、分离和估计对连续搅拌釜式反应器(CSTR)的仿真结果表明，该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计，克服了传统小波分析方法大尺度下存在时延的缺点，并对传感器故障具有容错性。     

SF与RLS算法结合的时变系统参数辨识

遗忘因子最小二乘算法(RLS)具有对时变系统参数在线估计的能力,而传统的遗忘策略对解决参数辨识矩阵过饱和问题具有一定局限性.为了拓展现有RLS算法在时变系统的适用范围,提出一种将选择遗忘机制(SF)与RLS算法结合的时变系统辨识算法.从而构造出一种基于参数矩阵特征值映射的有界函数,特征值映射函数能够根据系统数据传递过程...     

机械故障诊断中振动参量转换的波形基线修正算法

原始信号的获取及预处理的精度决定着机械状态监测与诊断系统能否正常工作。在分析了振动信号固有特性的基础上,提出了一种基于最小二乘法的积分后波形基线修正算法。方法简单实用,具有很好的精度和通用性,为各种精密分析诊断软件提供了足够精度的数据。该算法已应用于汽轮发电机组在线监测与故障诊断系统(MDS-3)中,并取得了很好的效果,为判断机组运行状态、进行故障诊断提供了准确可靠的数据据和信息。     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.     

一种新的基于遗忘因子的递推子空间辨识算法

针对工业系统中广泛存在的时变特性, 提出一种新的递推子空间辨识算法, 实现对系统状态空间模型的在线递推估计. 为更好地跟踪系统时变特性, 研究基于遗忘因子的输入输出数据矩阵构造机制, 以提高递推算法的收敛速度; 针对算法中奇异值分解的求解问题, 将梯度型算法引入基于遗忘因子的状态子空间跟踪中, 实现对广义能观测矩阵的估计, 避免了子空间近似带来的估计有偏性; 该算法计算简单有效, 且对初值具有更高的鲁棒性; 最后给出该递推算法的性能分析, 理论证明其收敛性, 并通过仿真实例验证算法的有效性.     

一种集成传感器故障诊断方案

针对传感器故障，提出了一种基于小波奇异性检测和修正的Bayes算法(MB)的集成故障诊断方法。用RBF神经网络建立传感器故障模型．对系统的状态进行在线估计．进而得到残差．然后对残差进行小波分析．再用修正的Bayes算法进行传感器故障的在线检测、分离的估计。对连续搅拌釜式反应器(CSTR)的仿真结果表明．该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计．克服了传统小波分析方法大尺度下存在时延的缺点．并对传感器故障具有容错性。     

一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度慢,计算量大,不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.

     

基于改进BP神经网络的传感器集成故障诊断

针对传感器故障，提出了一种基于改进的BP神经网络的集成故障诊断方法。在测量回路中引入“等价偏差”向量，用改进的BP网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合．进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

基于强化学习和蚁群算法的WSN节点故障诊断

为了克服现有的WSN节点故障诊断方法所具有的难以实现在线诊断和诊断精度仍然不够高的缺点,设计了一种基于Sarsa算法和改进蚁群算法的WSN节点在线故障诊断方法;首先,建立了监测区域的网络模型和WSN节点故障诊断模型,然后,采用主成分分析法对节点故障样本数据进行降维,从而提高诊断效率,将样本数据作为层次,将故障诊断类作为各层节点建立层次树,采用改进的Sarsa算法求取各层节点的Q值,并将其用于初始化蚁群算法中路径的信息素,最后,提出了一种改进的蚁群算法求取从第一层出发的蚁群到各层节点之间的路径,将各层中信息素最大的节点作为最终的故障诊断类别;在Matlab环境下进行仿真实验,结果证明文中方法能有效实现WSN节点故障诊断,且与其它方法相比,具有故障诊断精确度高且能在线故障的优点,是一种有效的节点故障诊断方法.     

WSSUS衰落信道下的跟踪算法研究

无线WSSUS衰落信道是时变信道,其信道参数随着时间的变化而变化。通常采用的经典跟踪算法（RLS算法）中的重要参数遗忘因子是固定值,这使得算法跟踪时变信道时性能无法保障。对均方误差（MSE）进行了分析,并在此基础上得到基于MSE梯度控制的可变遗忘因子VFF-RLS算法。仿真结果表明MSE分析结果正确;与经典算法相比较,VFF-RLS具有较小的MSE,更适合跟踪WSSUS信道。     

基于RBF神经网络的可疑交易监测模型

针对国内外金融领域可疑交易的低检测率问题,通过对RBF（Radial Basis Function）神经网络技术的分析与研究,提出了一种基于APC-III聚类算法和RLS（Recursive Least Square）算法的面向反洗钱的RBF神经网络模型并加以实现。APC-III聚类算法用于确定RBF神经网络隐含层的中心向量,RLS算法用来调整隐含层与输出层之间的连接权值。RBF神经网络与支持向量机（SVM）和孤立点检测相比,有更高的检测率和较低的误检率,因此,提出的模型具有重要的理论和实用价值。     

基于LabVIEW的自适应滤波器设计与研究

针对自适应滤波器编程复杂,难以按照虚拟仪器系统的形式来测试工程应用中的实际性能等问题。文中利用LabVIEW8.6提供的自适应滤波器工具包,设计了基于最小均方误差算法、递推最小二乘算法的自适应滤波器,并对影响两种算法的参数对滤波器的敏感性进行了分析;进而,利用音频信号验证了滤波器性能。仿真结果表明,所设计的自适应滤波器功能全面,人机交互界面良好,便于工程技术人员快速开发,具有较好的工程实用价值。     

基于RBF神经网络与RLS算法的均衡器

将径向基函数神经网络与横向均衡器相结合,采用递推最小二乘算法更新权值。将最小二乘误差作为代价函数以及与误差相关的变步长,使输出误差较传统的神经网络均衡器进一步减小,收敛速度得到提高。仿真结果表明,该均衡器对线性信道和非线性信道都表现出较好的性能,在较严重的非线性情况下其优越性更明显。     

Adaptive filtering of EEG/ERP through Bounded Range Artificial Bee Colony (BR-ABC) algorithm

In this paper, the Artificial Bee Colony (ABC) algorithm is applied to construct Adaptive Noise Canceller (ANC) for electroencephalogram (EEG)/Event Related Potential (ERP) filtering with modified range selection, described as Bounded Range ABC (BR-ABC). ERP generated due to hand movement is filtered through Adaptive Noise Canceller (ANC) from the EEG signals. ANCs are also implemented with Least Mean Square (LMS) and Recursive Least Square (RLS) algorithm. Performance of the algorithms is evaluated in terms of Signal-to-Noise Ratio (SNR) in dB, correlation between resultant and template ERP, and mean value difference. Testing of their noise attenuation capability is done on contaminated ERP with white noise at different SNR levels. A comparative study of the performance of conventional gradient based methods like LMS, RLS, and ABC algorithm is also made which reveals that ABC algorithm gives better performance in highly noisy environment.     

比特交织编码调制系统中的均衡技术仿真研究

判决反馈迭代译码的比特交织编码调制(BICM-ID)技术是一种高性能、低复杂度的先进信道调制方案.分析了BICM-ID系统的结构和迭代译码方法,研究了最小均方(LMS)和最小二乘(RLS)自适应均衡算法以及线性(LE)和判决反馈(DFE)均衡器.设计了在ISI信道下BICM-ID使用DFE-RLS均衡器的系统,计算机仿真证明其能够自适应地快速估计、跟踪信道,对于码间干扰严重的信道有良好的均衡效果,经过迭代译码有良好的误码性能-分别在ISI干扰轻微和严重的W2.9和W3.5信道下,经过3次迭代译码,在信噪比分别为7.6 dB和12.8 dB时误码率可达10-4.     

一种基于小波分解的非线性系统辨识的新方法

提出了一种结合小波理论和NARX模型的新辨识算法．该算法利用小波(多维小波)函数有效的逼近能力避免了通常确定NARX模型结构时的复杂过程，构成了一个相当通用且不依赖于系统先验信息的辨识框架．应用递推最小二乘算法估计模型参数时，该算法可实现系统的在线辨识．两仿真算例说明了这种算法的有效性．     

Modified Recursive Least Squares algorithm to train the Hybrid Multilayered Perceptron (HMLP) network

In this paper, a new learning algorithm, called the Modified Recursive Least Square (MRLS), is introduced for the Hybrid Multilayered Perceptron (HMLP) network. Adopting the Recursive Least Square (RLS) algorithm as its basis, the MRLS algorithm differs from RLS in the way that the weight of the linear connections for the HMLP network is estimated. The convergence rate of the MRLS algorithm is further improved by varying the forgetting factor, optimizing the way the momentum and learning rate are assigned. To investigate its applicability, the MRLS algorithm is demonstrated on the HMLP network using six benchmark data sets obtained from the UCI repository. The classification performance of the HMLP network trained with the MRLS algorithm is compared with those of the HMLP network trained with the Modified Recursive Prediction Error (MRPE) algorithm and the MLP trained with the standard RLS algorithm as well as with other commonly adopted machine learning classifiers. The comparison results indicated that the proposed MRLS trained HMLP network provides significant improvement over RLS trained MLP network, MRPE trained HMLP network, and other machine learning classifiers in terms of accuracy, convergence rate and mean square error (MSE).     

基于递推最小二乘的自适应滤波振动主动控制算法分析

针对自适应滤波X最小均方差(FXLMS)和滤波U最小均方差(FULMS)振动主动控制算法收敛性较为缓慢的问题,给出一种基于递归最小二乘(RLS)方法的自适应滤波控制算法。该算法大致有无限长脉冲响应(IIR)滤波器结构和RLS算法两部分组成,IIR滤波器作为整个算法的主体框架,采用RLS算法针对滤波器的权值进行实时调整,实现了自适应滤波控制算法的功能。仿真对比分析表明,所提算法收敛速度较快。经过实验平台验证,被控对象的整体振动响应下降了65%左右,证明了算法的有效性和可行性。     

基于动态遗忘因子递推最小二乘算法的船舶航向模型辨识

为提高遗忘因子递推最小二乘（RLS）算法辨识船舶航向运动数学模型参数的快速性和鲁棒性,在分析遗忘因子大小对算法特性影响的基础上,提出一种基于模糊控制的动态遗忘因子RLS算法。该算法从理论模型输出与实际模型输出之间的残差入手来构造评估参数辨识误差大小的评价函数,并将评价函数及其变化率作为模糊控制器的输入,利用模糊控制器结合制定的规则表进行模糊推理并计算遗忘因子的修正量,从而实现遗忘因子的动态调整。仿真结果表明,与恒定遗忘因子RLS算法的对比,该算法能够根据参数辨识误差实时调整遗忘因子的大小,使算法在模型参数平稳时有更高的辨识精度,在模型参数突变时有更快的收敛速度,验证了所提算法的优越性。