自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

序列Kriging仿真优化方法综述

通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点.但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题.如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容.为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战.     

基于支持向量机和深度信念网络的短期光伏发电预测方法CSCD

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于支持向量机和深度信念网络的短期光伏发电预测方法

为了提高光伏发电预测的精度,提出基于支持向量机和深度信念网络的光伏发电预测方法。利用改进的相似日算法选择相似日训练样本,分别构建以线性核函数、多项式核函数、高斯径向基核函数为核函数的支持向量机预测模型作为组合预测模型中的单项模型,再将三种单项模型的预测结果作为深度信念网络的输入,利用深度信念网络对三种单项模型的预测结果进行组合优化输出,根据实际输出与期望输出的误差动态调整组合权值,从而获得更高的预测精度。最后以澳大利亚沙漠太阳能研究中心的实测数据进行仿真验证,仿真结果表明,所提方法相较于其他方法具有较高的预测精度。     

基于动态加点Kriging模型的机床立柱多目标优化

为改善机床性能,提出一种将拉丁超立方实验设计、动态加点准则Kriging模型、NSGA-Ⅱ遗传算法相结合的多目标优化方法.通过特性分析表明机床立柱是整机静动态特性的薄弱环节,选取立柱尺寸参数为设计变量,通过拉丁超立方实验设计法抽取样本点构建机床立柱多目标优化的动态加点Kriging代理模型,利用NSGA-Ⅱ遗传算法对响应面模型进行寻优逼近得到Pareto最优解集,选择符合权重要求的一组数据作为优化结果.验证表明,机床整机前两阶固有频率显著提高,整机刚度得到加强.     

基于SVM的微生物发酵过程软测量建模研究

微生物发酵过程中支持向量机(SVM)软测量模型的预测精度主要取决于SVM参数和输入变量优化选择.提出了一种新的SVM参数选择与输入变量选取方法,将SVM参数的选择和输入变量的选取看作组合优化问题,构造了基于赤池信息准则(AIC)的组合优化目标函数.为提高优化效率,采用遗传模拟退火算法(GSAA)来搜索最优的目标函数值.通过与网格算法、遗传算法等方法对比仿真研究表明,所提SVM微生物发酵过程软测量建模方法在微生物发酵过程的软测量建模中具有优良的性能.     

基于KICA子空间虚假邻点判别的软传感器变量选择方法

针对软传感器建模过程中,高维冗余的非线性辅助变量造成的维度灾难问题,提出一种结合核独立成分分析法(Kernel independent component analysis,KICA)与虚假最近邻点法(False nearest neighbors,FNN)的非线性辅助变量选择方法。主要利用核函数将原始非线性数据映射到线性子空间,并采用独立成分分析消除因子之间的多重共线性,再运用虚假最近邻点法,计算原始数据在KICA子空间中投影的距离,依次判断各辅助变量对主导变量的解释能力,由此进行非线性变量选择。以某企业氢氰酸(Hydrocyanic acid,HCN)生产工艺过程中的转化率为软传感器预测目标,仿真结果表明该方法可有效降低辅助变量的维数、同时提高模型的预测精度。     

质子交换膜燃料电池引射器结构参数优化

对PEMFC氢气引射器结构参数组合进行正交试验设计并仿真分析引射效果。采用Kriging代理模型作为参数优化预测模型，并基于拉定超立方检验预测精度良好。基于Kriging模型进行主效应分析，证明引射器结构参数与引射效果存在复杂非线性关系。基于多岛遗传算法(Multi-island Genetic Algorithm, MIGA),以最大二次回流质量流量为优化目标，完成目标优化设计，并通过贡献度分析确定尺寸参数权重排序。通过帕累托最优解得到最佳结构参数组合并仿真求出最大二次回流质量流量为0.0037 kg/s,最大引射比2.64,对比正交试验最优结果提高了8.8%。     

基于改进PSO-BP算法的快递业务量预测

为了有效监控快递运输过程,对日常快递业务量进行预测,以保证快递包裹能够按时到达。将大量快递包裹运输过程抽象建模以构造多流程实例;提出改进惯性权重的粒子群优化算法和反向传播神经网络的组合模型(IPSO-BP)来预测物流公司日常快递业务量;进而动态申请合适数量云资源以处理变化的业务需求。大量仿真实验证明,在神经网络参数选择合理的情况下,IPSO-BP模型比其他传统方法有更好的预测效果。     

Kriging和距离因子辅助的全局优化方法

基于Kriging元模型的优化方法通常存在优化效率较低、收敛速度较慢、昂贵估值次数较多且难以有效平衡Kriging模型的局部与全局搜索行为等弊端。为此,提出一种序列Kriging和距离因子辅助的全局优化方法。其实现过程主要包含两个阶段:一是利用Kriging模型近似复杂昂贵的黑箱函数;二是利用Kriging模型与距离因子的乘积构造加点采样法则,并通过免于求导的DIRECT算法优化该法则,以获取新的昂贵估值点。六个数值函数测试和一个摆线泵仿真实例验证所提出方法的有效性。