基于移动最小二乘法的气动力数据建模方法

针对一体化飞行器高度耦合的非线性气动问题,提出了一种基于移动最小二乘法的气动力数据建模方法;首先,对影响模型精度的因素进行了分析;接着,在构建移动最小二乘模型时采用遗传算法获取最佳支撑域半径以及最佳影响因子β,提高近似精度从而达到减少样本点的目的;得到泛化能力较强的气动力模型,并与偏最小二乘方法的建模结果进行对比;实验结果表明:移动最小二乘法的建模效果优于偏最小二乘方法,预测误差较小,证明了将该方法应用于气动数据建模是可行的。     

面向非匀点云拟合的RSR移动最小二乘法

针对传统的移动最小二乘法在非均匀分布的采样点集拟合中的不足,提出了影响域半径动态调整的移动最小二乘法（RSRMLS）。在传统移动最小二乘法（MLS）的基础上,根据拟合子区域采样点数据稀疏情况,该方法可自动调整MLS的半径区域大小。通过对相同数据点集的拟合比较,提出的RSRMLS拟合效果明显优于传统MLS。     

基于模糊最小二乘支持向量机的软测量建模

将模糊隶属度概念引入最小二乘支持向量机,提出一种基于支持向量数据域描述的模蝴隶属度函数模型,将输入空间中的样本映射到一个高维的特征空间;然后根据其偏离数据域的程度赋予不同的隶属度．该方法提高了最小二乘支持向量机的抗噪声能力,尤其适用于未能完全揭示输入样本特性的情况．将提出的方法用于催化裂化分馏塔轻柴油凝固点的软测量建模,仿真结果表明,该模糊隶属度函数模型能够提高最小二乘支持向量机的预测精度．     

基于移动最小二乘的传感器数据重构

纳米气体传感器的灵敏度易受温度变化的影响.为了有效改善纳米传感器的温度特性,方便确定其最佳工作条件,利用移动最小二乘法对其灵敏度-温度数据进行拟合,并建立相应的近似模型.移动最小二乘法通过紧支性加权的局部近似,使所建模型较常规最小二乘模型更精确、更光滑.实验证实了基于移动最小二乘拟合的近似性能.该方法在传感器数据精确重构领域具有良好的应用前景.     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

LS-SVM模型选择的秩准则及其比较

在最小二乘支持向量机的模型选择问题中,基于再抽样技术的模型选择方法,不能从根本上解决计算强度过高的问题。为此,提出基于模型复杂程度进行惩罚的新方法——秩准则,给出估计最小二乘支持向量机调谐参数的快速稳健算法。实例研究表明,该方法不仅能保证模型的预测精度和稳健性,而且在计算速度上优于快速Bootstrap方法。     

基于移动最小二乘法的医学图像配准

提出一种基于移动最小二乘法变形模型的医学图像配准技术.首先用蛇模型的方法分割图像感兴趣区域;其次在分割后的图像上半自动地选取对应标记点;最后基于这些标记点采用移动最小二乘法的变形模型对图像进行变形,从而实现医学图像的配准.实验结果表明,该方法克服了手动选点难度大的缺点,提高了配准的精度,是一种有效的医学图像配准方法.     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

模糊最小二乘支持向量机回归研究及应用

针对传统支持向量机对训练样本内的噪声和孤立点比较敏感,导致建模精度不高的问题,将模糊集理论引入到最小二乘支持向量机回归中,建立一种基于数据域描述的模糊最小二乘支持向量机回归的数学模型,该方法将样本映射到高维空间,在高维空间中寻找最小包含超球,然后根据样本到超球心的距离确定模糊隶属度的大小,通过仿真实验验证,该算法提高了支持向量机回归的训练精度,将此模型应用于谷氨酸发酵过程菌体浓度预测,结果表明此方法的有效性。     

一类非平坦函数的多核最小二乘支持向量机的鲁棒回归算法

给出了标准最小二乘支持向量机的数学回归模型,并提出了多核最小二乘支持向量机算法,用于提高非平坦函数的回归精度.运用谱系聚类方法解决多核最小二乘支持向量机的解缺乏稀疏性的问题.利用偏最小二乘回归方法对多核最小二乘支持向量机进行了鲁棒回归.通过仿真实例证实了所提方法的有效性.     

The discrete collocation method for Fredholm–Hammerstein integral equations based on moving least squares method

The purpose of this paper is to investigate the discrete collocation method based on moving least squares (MLS) approximation for Fredholm–Hammerstein integral equations. The scheme utilizes the shape functions of the MLS approximation constructed on scattered points as a basis in the discrete collocation method. The proposed method is meshless, since it does not require any background mesh or domain elements. Error analysis of this method is also investigated. Some numerical examples are provided to illustrate the accuracy and computational efficiency of the method.     

移动最小二乘法在多功能传感器数据重构中的应用

针对传统最小二乘法全局拟合的局限性, 将一种新型的数值算法---移动最小二乘法应用于非线性多功能传感器的信号重构. 通过详细研究插值函数的构造方法及性质, 合理地选取基函数和权函数, 求出试函数的系数, 进而得到信号的重构值. 详细分析了基函数维数、影响域节点数及权函数因子对计算结果的影响, 并对最小二乘法以及移动最小二乘法的重构数据进行了对比, 重构的相对误差分别小于 15.3 % 和 1.03 %, 结果表明移动最小二乘法更适合非线性曲面拟合, 且适当地增加基函数维数或影响域节点数可以进一步提高数据重构的精度.     

用LS-SVMs整体构造B样条曲线

由给定的空间数据点集构造B样条曲线是CAGD中一个重要研究课题,常用的逼近方法实质上是基于“经验风险”意义下的最小二乘逼近。文章讨论了基于“结构风险”意义下用最小二乘支持向量回归机整体构造B样条曲线的逼近问题,其出发点是最小化结构风险,而不是传统学习的经验风险最小化,从而在理论上保证了好的推广能力,能够实现对原始曲线的逼近而不仅仅是对测量数据点的逼近。文章建立了B样条曲线拟合的数学模型,并构造了一种特殊的核函数来保证曲线的B样条表示形式。该方法为曲线拟合问题提供了新思路,数值实验证实了可行性。     

Moving least squares collocation method for Volterra integral equations with proportional delay

In this work, we apply the moving least squares (MLS) method for numerical solution of Volterra integral equations with proportional delay. The scheme utilizes the shape functions of the MLS approximation constructed on scattered points as a basis in the discrete collocation method. The proposed method is meshless, since it does not require any background mesh or domain elements. An error bound is obtained to ensure the convergence and reliability of the method. Numerical results approve the efficiency and applicability of the proposed method.     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

自适应细分二次多项式响应面算法

复杂模型(或黑箱函数,black-box function)的全局近似方法广泛应用于模型简化、灵敏度分析和参数(或控制)优化中。现有的单一响应面存在着采样估值与近似精度之间的矛盾,因此提出自适应细分二次多项式响应面算法:在构造初始响应面基础上,对设计域进行递归分割,每步选择最粗糙单元,沿着最粗糙维度方向进行自适应细分。通过实验测试,该方法以多响应面来近似黑箱函数,从而达到采样点少而响应面精度高的目标。     

Metamodeling development for reliability-based design optimization of automotive body structure

Metamodels are commonly used in reliability-based design optimization (RBDO) due to the enormously expensive computation cost of numerical simulations. However, for large-scale design optimization of automotive body structure, with the increasing number of design variable and enhanced nonlinearity degree of structural performance, polynomial response surface which is commonly used for vehicle design optimization often suffers exponentially increased computation burden and serious loss of approximation accuracy. In this paper, support vector regression, along with other four complex metamodeling techniques including moving least square, artificial neural network, radial basis function and Kriging, is investigated for approximating frontal crashworthiness performance which is one of the most highly nonlinear performances. It aims at testing support vector regression and providing advanced metamodeling technique for RBDO of automotive body structure. Approximation results are compared in both accuracy and computational efficiency. Based on the frontal crashworthiness example, it is found that support vector regression and moving least square are preferable techniques to approximate structural performances with good accuracy. But support vector regression is recommended for its computational efficiency and better approximation potential. Moreover, the ensemble of support vector regression, moving least square, Kriging and artificial neural network is an effective alternative and is proved, in the RBDO example for the lightweight design of front body structure, to outperform any other single metamodel. The remarkable predominance indicates that the ensemble of support vector regression, moving least square, Kriging and artificial neural network holds great potential in approximating highly nonlinear performances for RBDO of automotive body structure.     

一种改进的再生核支持向量机回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数进行改进,给出一种新的支持向量机核函数,并提出一种改进的最小二乘再生核支持向量机的回归模型,该回归模型的参数被减少,且仿真实验结果表明：最小二乘支持向量机的核函数采用改进的再生核函数是可行的,改进后的再生核函数不仅具有核函数的非线性映射特征,而且也继承了该再生核函数对非线性逐级精细逼近的特征,回归的效果比一般的核函数更为细腻。