高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于高斯过程回归的机翼/短舱一体化气动优化

为了解决机翼/短舱一体化气动设计的高维非线性优化问题,基于高斯过程回归（GPR）模型提出新型优化设计方法.采用类别形状函数变换（CST）方法对机翼/短舱一体化构型中的翼型进行几何参数化建模;通过控制机翼形状参数、短舱形状参数和短舱安装参数实现机翼/短舱构型变形,该参数化建模过程共计包含50个设计参数.通过GPR模型构建机翼/短舱设计参数与气动性能之间的代理模型,并采用贝叶斯优化（BO）算法实现代理模型的自更新和最优气动外形的获取.结果表明：优化后一体化构型的阻力系数下降了10.95%,通过流场分析发现机翼外形和短舱外形的优化改善了表面流场结构,短舱安装位置的优化减弱了机翼和短舱间的气动干扰.     

隧道围岩变形预报的高斯过程机器学习模型

针对隧道围岩变形过程是一个高度复杂的非线性时间序列的问题,以隧道围岩变形历史资料作为知识源,通过构建围岩变形时间序列,采用高斯过程模型建立隧道围岩当前变形与历史变形的非线性映射关系,在此基础上分别提出了基于静态知识库与基于动态知识库的隧洞围岩变形预报的高斯过程模型。工程实例应用研究表明,围岩变形预报的高斯过程机器学习模型是可行的,无需建立复杂的岩体力学模型,根据历史实测资料就能够对隧道围岩变形做出合理预报,与基于静态知识库的高斯过程模型相比较,基于动态知识库的高斯过程模型的预报精度更高。     

基于高斯过程回归的空天飞行器多精度气动建模方法

为了满足空天飞行器在初步设计阶段宽速域、大空域模型的需求,将传统工程估算方法和计算流体动力学（CFD）数值模拟方法分别作为低精度和高精度气动数据来源,基于高斯过程回归模型提出独立于构型的空天飞行器气动性能多精度气动建模方法.在工程估算方法中,以面元法为基础,建立空天飞行器气动力快速估算模型.在CFD数值模拟中通过求解三维可压缩Euler方程实现空天飞行器气动高精度计算.将所提出的多精度气动建模方法应用于FTB外形的双参数气动建模问题中,通过对比分析,发现所提出的多精度气动模型的预测精度、稳定性均优于用同等数量高精度样本构建的单精度代理模型的,预测的相对误差小于1%.将多精度气动模型作为该空天飞行器再入问题气动数据来源,对比分析单、多精度建模方法对再入轨迹仿真的影响,发现所提出的空天飞行器多精度气动建模方法能够更加快速、准确地给出轨迹仿真所需的气动数据.     

基于高斯过程回归与硬件优化的可见光室内定位设计

为了使可见光室内定位操作更加简单,不依赖于视线视图和位置登记,在硬件方面,使用光电二极管作为接收器,通过组装兼容的光电二极管和紧凑型LED完成硬件方面的优化。在软件算法方面,基于指纹技术,使用高斯过程回归（GPR）算法进行定位。首先对GPR环境进行建模,构建一个强度分布模型。然后,使用贝叶斯理论获得定位的表达形式。实验在3m×3m的平台区域上进行,对25个目标进行测试。与类似的室内定位系统相比,所提系统定位精度更高,实现了厘米级定位。且可以长时间精确定位运动目标,鲁棒性较好。     

基于套索算法和高斯过程回归的中长期居民用电量概率预测

在目前的"新常态"经济模式下,居民电力消费量已经成为中国电力消费增长的主要驱动力。然而其预测精度容易受到社会、经济、环境等多种外部因素的影响,这样会导致预测难度的加大。因此,如何提取这些外部因素中有价值的信息,是预测居民电力消费量成功的关键。针对这个问题,提出了一种基于套索算法和高斯过程回归的中长期居民用电量概率预测模型。首先利用套索算法选取有用的影响因素,从而实现数据降维。其次将被选取的特征当作预测变量,建立了基于高斯过程回归的居民电力消费量概率预测模型。最后以中国居民电力消费量作为算例。结果表明,(1)套索算法可以识别出预测问题中重要的特征,从而能够有效地处理预测问题中的高维数据;(2)高斯过程回归模型可以提高预测精确度,为居民电力消费量的概率预测提供了一种可行思路。     

基于高斯过程的机器人模仿学习研究与实现

针对机器人模仿学习控制策略获取的问题,基于高斯过程的方法,建立示教机器人示教行为的样本数据的高斯过程回归模型并加以训练,以求解示教机器人的感知和行为之间的映射关系,并将此映射关系作为模仿机器人的控制策略来实现对示教行为的模仿.以Braitenberg车为仿真对象,研究趋光模仿学习行为.仿真实验表明:基于高斯过程的机器人模仿学习算法具有有效性,模仿机器人在不同任务环境下具有很好的适应性.     

一类平稳高斯过程象集代数和的性质

研究了指数为α的一类平稳高斯过程象集代数和的性质，得到了它们的Ｈａｕｓｄｏｒｆｆ维数及Ｐａｃｋｉｎｇ维数，还得到了它们的内点存在性条件，Ｐｏｌｙａ过程为其特例．     

基于动作轮廓特征的人体动作识别

提出了一种人工挑选关键帧的人体动作识别方法.先从标准视频中提取出能代表姿势的关键动作,然后对待测视频中每一帧图像中人体动作和关键动作比较分类来确定动作时间的相关度和相似度.实验结果表明人工挑选关键帧具有数量少和动作代表性强的特性,基于动作轮廓特征的人体动作识别方法在识别速度上比传统的方法快,识别率也较高.     

支持向量机及其应用研究

支持向量机是一种新型机器学习方法,因其出色的学习性能,已成为当前国际机器学习界的研究热点.作者介绍了支持向量机的理论依据及其研究进展.     

回归模型中基于机器学习的流量预测算法

在基于机器学习的流量预测算法中,详细研究了基于回归模型的预测算法,将机器学习算法引入到网络流量预测中,提出了不同的弱回归算予用来描述网络流量中的非线性特性。针对网络流量中的自相似特性,提出两种不同的机制,即用主成分分析作为预处理和为每一维特征保留一组权重分布;同时,针对实验中发现的过匹配现象提出一种自适应的权重更新准则。     

基于改进的高斯混合模型算法的说话人识别

高斯混合模型（GMM）已广泛运用于文本无关的说话人识别系统中,该方法具有简单高效的特点。在使用EM算法训练GMM时,GMM模型的初始化参数必须首先确定。本文采用改进后的模糊C均值聚类（FCM）方法将特征矢量归为与混合数相等的各个类中,然后计算参数作为初始值。实验表明,此训练方法能够获得更优的模型参数且识别率有较大的提高。     

SVM模式识别技术及在机械故障诊断中的应用进展

支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.     

Lightweight deep neural network for point cloud classification

For point cloud classification, deep learning based methods use operations like voxelization to generate regular 3D grids or render the 3D mesh into a collection of images from multiple angles. However, the conversion will introduce additional computing and storage consumption. Some methods directly consume the raw point cloud. But their network scale and computational complexity make it difficult for them to deploy in embedded environments. On the basis of intensive studies of these algorithms, a novel lightweight dual path way network is proposed in this paper. Without additional conversion, our network attains a comparable performance but has 0.8 million floating parameters only. With point-wise and neighbor-wise representations, our approach incorporates global and local features of the point cloud. Experimental results on ModelNet40 and MNIST data-set demonstrate that our method achieves a good accuracy, and prove the effectiveness of our design.     

基于混合梯度提升决策树和逻辑回归模型的分组密码算法识别方案

针对密码算法识别工作中因密码算法数量增多、密文数据复杂化以及数据间干扰增加,导致单层识别方案的识别准确率和稳定性变差等问题,提出一种基于混合梯度提升决策树和逻辑回归模型,并基于该模型构造分组密码算法识别方案。在该方案中,首先用原始十组特征训练梯度提升决策树模型,然后利用其学习而生成的树来构造新特征,再将新特征做one-hot编码,最后把这些新特征加入到原有特征中,训练逻辑回归模型进行预测。在唯密文情况下,针对AES、3DES、Blowfish、CAST和RC2五种典型的分组密码开展密码算法识别研究。当密文大小及其它实验条件都相同时,其二分类的识别准确率最高可达70%,五分类准确率最高达32%;高于基于单一梯度提升决策树分类方案的52.5%和27.2%分类准确率,以及单一逻辑回归模型分类方案的45%和25.6%分类准确率;显著优于二分类50%以及五分类20%的随机猜测正确率。实验结果表明,在分组密码算法上开展二分类和五分类识别,相较于其它识别方案,当密文长度相同时,该方案具有更高的分类准确率。同时随着密文长度的变化,识别准确率呈波动性变化,该方案波动幅度最小,受影响程度最小,稳定性最高。