基于灰色相关向量机的故障预测模型

针对样本数据量较小条件下的故障预测问题,提出了一种灰色相关向量机（relevance vector machine, RVM）故障预测模型。在模型的训练阶段,根据特征数据序列建立其离散灰色模型（discrete grey model, DGM）,以DGM的预测值作为输入、原始数据序列作为输出,训练得到RVM回归预测模型;在模型的预测阶段,由建立的DGM和RVM回归预测模型组合得到灰色RVM故障预测模型,并通过引入新陈代谢过程,不断更新数据中的信息。实验结果表明,模型的预测性能优于传统的灰色预测模型。     

基于综合健康指数与RVM的系统级失效预测

针对具有多维状态变量、多种工作模式和故障模式的复杂工程系统,提出一种基于综合健康指数(synthesized health index, SHI)与相关向量机(relevance vector machine, RVM)的系统级失效预测方法。在离线训练阶段,先根据有限失效历史数据建立各工作模式下的健康评估模型,并据此获得各历史退化轨迹的SHI序列;然后再使用RVM对这些序列进行回归处理,进而辨识出与回归曲线最为匹配的函数模型。在线预测阶段,先运用健康评估模型计算当前设备的SHI序列并进行RVM回归,再拟合出离线阶段确定的函数模型并添加时变噪声;最后,外推预测出系统剩余使用寿命的概率密度分布。该方法成功应用到涡轮发动机的失效预测案例。     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。     

基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine, RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。     

基于熵的自适应加权投票HRRP融合识别方法

基于不同分类器对同一样本分类能力不同,同一分类器对不同样本可分程度不同的思想,为不同样本赋予不同融合权重,提出了一种基于熵的自适应加权投票高分辨距离像(high range resolution profile, HRRP)融合识别方法。该方法将二分类相关向量机(relevance vector machine,RVM)扩展为多类分类RVM概率模型,并对不同HRRP特征样本进行分类,利用每个多类分类RVM输出的样本后验概率信息计算出的熵值自适应为各个样本赋予权重,使得不同分类器以及同一分类器对不同样本的决策占有不同的比重,熵值越大的样本赋予的融合权重越低,最后通过加权投票方法实现融合识别,得到目标的最终识别结果。仿真实验结果验证了所提方法的有效性。     

复杂曲面拟合的相关向量机模型及其泛化能力

介绍相关向量机回归(RVM,Relevance Vector Machine)的基本原理。分析采用高斯径向基核函数时,核函数参数与模型性能之间的关系,并给出核函数参数选择建议。针对一个复杂非线性函数,采用均匀网格取样,并分别增加正态分布噪声和均匀分布噪声,分析RVM回归分析的拟合和泛化能力并与支持向量机(SVM,Support Vector Machine)回归模型作了比较。结果表明,SVM对样本数据的拟合能力优于RVM。但对于非训练样本,RVM的泛化能力要优于SVM,而且RVM模型更加稀疏,且在给出预测值的同时能够给出预测值的置信区间。     

基于小波核支持向量机的均衡器研究

针对通信系统实时性处理要求,提出了一种快速收敛的支持向量机(support vector machine,SVM)均衡器。该方法以支持向量机为框架,利用判决反馈信号构造SVM的训练样本数据,采用小波核函数,并自适应调整核函数中的伸缩因子,得到具有跟踪能力的自适应SVM均衡器。通过仿真实验,并与采用高斯核函数的支持向量机均衡器进行比较,结果证明该方法提高了收敛速度。     

考虑全过程优化的支持向量机预测方法

针对支持向量机（support vector machine, SVM）预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后，通过案例运算和分析,证明该文方法具有更高的预测精度。     

支持向量机的多分类算法

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两种情况下支持向量机的主要训练算法。与人工神经网络相比,分析了支持向量机算法的优点。归纳了支持向量机在诸如模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子领域中的应用。最后对SVM前景作了展望。     

基于SVM的高技术装备制造业供应风险预测模型

通过对高技术装备制造业与供应商合作中供应风险的相关因素进行识别,确定了供应风险预测的指标体系。运用支持向量机(support vector machine, SVM)等数据挖掘方法和Libsvm(a library for support vector machine)技术建立了供应风险的预测模型。案例研究表明,预测模型的均方误差、平均差、整群剩余系数和确定系数等评价指标皆显现出较好的模拟效果,且系统误差不显著。预测模型在高技术装备制造企业供应风险管理的实践中具有较好的适用性和准确度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine，KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题，提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差，选择具有预定规模的关键节点以构成字典。通过融合遗忘因子，为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则，使用天牛须搜索(beetle antennae search，BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆，实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine，NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法，其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%，最大预测误差减少了67.27%、51.09%，平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于改进稀疏KELM的在线非平稳动态系统状态预测方法

本文针对基于核的增量超限学习机(kernel based incremental extreme learning machine,KB-IELM)对非平稳动态系统的时变状态跟踪能力不足的问题,提出一种新型的状态预测方法。通过融合遗忘因子和自适应时变正则化因子构建新的目标函数。通过最小化字典的快速留一交叉验证(fast leave-one-out cross-validation, FLOO-CV)误差,选择具有预定规模的关键节点以构成字典。通过融合遗忘因子,为字典中各关键节点按时间顺序分配不同权重。基于FLOO-CV原则,使用天牛须搜索(beetle antennae search,BAS)算法为不同的非线性区域赋予不同的正则化参数。通过矩阵初等变换和分块求逆,实现核权重向量的在线递推更新。将模型应用于非平稳Mackey-Glass混沌时间序列预测和某型飞机发动机的状态预测。所提算法相比于最新的非平稳在线序列核超限学习机(non-stationary online sequential kernel extreme learning machine,NOS-KELM)和融合自适应正则化因子的在线稀疏核超限学习机(online sparse kernel extreme learning machine with adaptive regulation factor, OSKELM-ARF)两种方法,其训练精度分别提升了66.67%、50.72%、预测精度提升了67.02%、56.34%,最大预测误差减少了67.27%、51.09%,平均相对误差率分别减少了67.18%、59.62%。实验证明所提算法有效提升了在线预测的精度。     

基于核和灰度的灰色马尔可夫预测模型及应用

在处理预测问题时,常有原始数据为区间数组成的随机波动性较大的区间数列的状况。为进一步提高区间灰数预测精度,提出基于核和灰度的灰色马尔可夫预测模型。该方法以区间灰数核序列为依托建立预测模型,实现区间灰数核的预测;又根据“灰度不减公理”,由灰数核为中心延伸得出区间灰数的上下界;在保持区间灰数独立完整的前提下,构建了区间灰数预测模型,在此基础上用马尔可夫预测模型修正预测结果。该模型在航空货运量的趋势预测中显示马式链修正结果较区间灰数预测数据呈低估状态。结果有助于加强市场参与者对航空货运市场的宏观认识,并为经济决策行为提供参考。     

基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在. 传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响. 本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合 核函数,并植入SVM中,对水文时序建立自回归预测模型. 基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及 均方误差明显优于任一单一核函数. 这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度. 该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

复杂系统态势评估模型及其本体论实现方法

针对复杂系统的在线态势评估问题，依据信息融合理论，提出了一种新的网络在线态势评估模型。它采用定性与定量、局部与综合相结合的评估策略，即首先进行快速定性评估，一旦系统异常，立即启动集成神经网络组对来自系统多侧面的故障特征信息进行定量分析和分类，最后两级D-S证据推理模型在各自的融合中心实现对各子网络的融合，提高了评估的精度和可靠性。基于本体论成功地实现了该模型，在丰满水电数字仿真系统的成功应用验证了模型的有效性和实际应用价值。     

电子设备健康状态评估与故障预测方法

针对电子设备的健康性能退化问题,提出一种改进流形学算法与隐半马尔可夫模型(hidden semi Markov model, HSMM)相结合的电子设备健康评估与故障预测方法。首先,在有监督邻域保持投影(supervised neighborhood preserving projection, SNPP)算法中引入非相关约束并加入核函数形成核有监督非相关邻域保持投影(kernel supervised uncorrelated neighborhood preserving projection,KSUNPP)算法,将其用于原始特征的提取,获得有效的特征集作为HSMM的输入进行训练|其次,建立了电子设备健康评估与故障预测模型,该模型用Kullback Leibler (KL)距离来衡量故障程度,实现设备退化程度的评估,又可根据各状态驻留时间,预测出设备故障发生的时间。最后,将该方法应用于某型导弹电子设备的健康评估与故障预测,验证其有效性。     

考虑合成灰数灰度性质的改进区间灰数预测模型

基于核和灰度的区间灰数预测模型,初步解决了区间灰数序列预测问题,但模型中灰度预测值的确定方法存在不足,且模型不支持误差分析。提出了合成灰数灰度的定义及其性质,据此分析了模型存在的问题,并建立灰度序列的预测模型实现灰度预测,以代替原有模型中灰度预测值的确定方法,从而改进和完善了原有区间灰数预测模型。改进模型从核和灰度两个方面同时发掘区间灰数序列的内蕴信息与发展趋势,克服了原有模型存在的不足,且支持误差分析和精度检验。算例表明了改进模型的有效性和可用性。