水文系统抗差权函数分析与检验

抗差权函数的结构设计,是提高抗差估计应用效果的关键。该文的目的是要分析水文模型参数估计问题有效的抗差权函数。论文采用和改进了两种权函数与4种权函数变量,采用了系统参数、输入和输出都是已知真值的理想系统,用两种水文上常见的、具有不同误差统计特点的随机生成模式,每种进行了10万次参数抗差估计试验,通过反复分析与检验,确定了适合于水文问题特点的抗差权函数。     

求解非线性不等式组的LM算法

本文通过最小二乘解的概念,给出了求解非线性不等式组的LM算法,并证明了此算法的收敛性定理。     

非线性模型抗差最小二乘估计及其应用

以经典最小二乘法为基础,详细阐述了抗差因子的选取。从抵抗粗差的角度出发,抗差最小二乘法可提高非线性模型在有粗差干扰条件下参数估计的精度。以广东森林资源调查的样本资料,对提出的方法进行了检验与应用,结果表明提出的方法具有明显的抗粗差性。     

降雨观测误差抗差估计方法比较研究

根据遥测系统雨量观测资料误差的类型和特点,在抗差最小二乘法的基础上提出了雨量观测误差的三步修正方法.其中,每一步都根据雨量资料误差的不同特点,用不同的权函数进行修正.权函数设计包括保权区、降权区、拒绝区的权函数设计3个部分.降权区降权函数的选择无统一标准,所以采用了线性降权函数和抛物线降权函数.同时,根据面平均雨量是否分级2种情况和权函数的类型,组成了4种方案并对其抗差计算结果进行了比较分析.此外,还选用危水水库乌溪沟以上流域1974~1999年间28场洪水的暴雨资料进行了抗差分析计算.结果表明,面平均雨量是否分级对抗差效果的影响较大,而降权函数的形式对抗差效果的影响并不显著.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

LS估计的抗差性分析

依据LS估计的分解，对LS估计的抗差性进行了分析。通过观测数据协方差矩阵的改进，建立了一种抗差参数估计方法。     

基于LM算法的神经网络PID控制器优化设计

神经网络PID控制器具有自组织、自学习能力,可以实现白适应的非线性控制.针对传统神经一络采用的BP算法度很慢,容易陷入局部最优的缺陷,提出一种LM优化算法并用于神经网络PID控制器设计.仿真实验表明,该方法具有很好的寻优能力和较高的参数优化的能力.     

基于不同等价权函数的抗差粒子滤波对比研究

粒子滤波与其他非线性滤波相比,具有更好代表性,因而在实际中得到广泛应用。在状态空间中寻找随机样本来对概率密度函数进行近似,以样本均值代替积分运算,来获得最小方差状态估计。在此过程中,含粗差的观测值对赋权产生干扰影响粒子滤波效果。在已有抗差粒子滤波的基础上,讨论了基于不同权函数的抗差粒子滤波。模拟计算并对数据分析表明,IGGⅢ抗差粒子滤波提高了粒子滤波的鲁棒性。     

抗差自由网、非自由网平差的回归算法

叙述了在回归方法基础上的控制网平差算法,这种方法可以分解探测值粗差和起算数据粗差的过程,因此可以把控制网看作自由网逐步代入任一坐标系统。文中介绍了一系列作者研究的理论,例如,临时绘定未知数个数的方法,回归平差方法的进一步发展等。这种算法可以应用到传统地面网的平差,地面网与卫星空间网的联合平差,以及变形网的平差,而且已编成软件包ＡＤＪＳＴ。     

求解互补支持向量机的LM方法

基于与支持向量机最优化问题等价的互补模型,提出了LM算法.该算法无需计算矩阵的逆或H esse阵,计算量小,易于实现.并在一定条件下证明了算法的全局收敛性,数值实验表明所提出的算法是可行的.     

一种结合遗传算法和LM算法的摄像机自标定方法

提出了一种遗传算法和LM算法相结合的摄像机自标定方法。首先利用遗传算法获得若干组摄相机内外参数的初始值,接着利用LM算法对每一组参数进行优化,然后选取映射误差最小的那组参数。如果这组参数的映射误差满足要求,则将这组参数作为摄相机标定的最终结果;否则利用遗传算法对刚才得到的若干组参数进行交叉和变异操作,再利用LM算法优化每一组参数,直至映射误差满足要求。最后将摄像机标定结果用于视差估计,以判断标定结果的正确性。实验结果表明,提出的结合LM算法和遗传算法的摄像机自标定方法是正确有效的。     

一种动态过程辩识的鲁棒BP算法

提出一种ＢＰ网络的鲁棒算法,该算法克服了ＢＰ网络收敛速度慢,不具有抗强干扰的缺点,并用于动态系统辩识,仿真结果表明了算法的有效性。     

基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

程序设计中算法的物理模式对逻辑算法的反作用

以程序设计中算法模型的确定为背景,分析了逻辑算法和算法的物理模式间的关系,通过例子,着重阐述了后者对前者的反作用效果。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

半参数回归模型的稳健估计

考虑半参数回归模型yi＝Ti^Tβ g(ti)-εi i=1,2,…n,先由稳健估计的原则得出β^Λ和g^Λ（t)，然后基于影响函数得出这些估计的方差——协方差矩阵。     

RBF神经网络的一种鲁棒学习算法

用定标鲁棒代价函数代替传统的二次型指标 ,并结合改进的遗传算法 ,搜索近最优径向基函数神经网络 ( RBFNN)的结构和参数 .实验结果表明该训练方法比其他方法具有更强的鲁棒性 ,可提高 RBFNN的泛化能力 ,自动消除训练数据中的噪声 ,再现训练数据中的潜在规律 .     

基于遗传算法的电梯群控鲁棒优化模型

针对电梯群控调度过程中交通流不确定的问题,建立了鲁棒优化模型,利用遗传算法对所建模型进行求解.对于不确定线性优化问题,研究了不确定集的选择以及模型鲁棒对等式转化方法.仿真实验中,利用电梯群控虚拟仿真环境对鲁棒优化调度算法在不同交通流下进行了验证.以300人/15 min的混合交通流模式为例,鲁棒优化算法的平均候梯时间比静态分区算法降低12.77 s;平均乘梯时间比最小等待时间算法降低9.7 s;电梯启停次数比静态分区算法少8次.实验结果表明,鲁棒优化调度算法对不同交通模式具有更好的适应性,可以减小交通流不确定性的影响,提高电梯群控调度性能.     

一种鲁棒回归支持向量机及其学习算法

为了提高支持向量机的泛化能力,给出了一个鲁棒损失函数,利用它建立了鲁棒支持向量机,并利用对偶原理推导出其对偶优化问题的形式,在此基础上设计了局部梯度算法,在这种算法中每次迭代只改变两个优化变量的值。随后分析了算法的收敛性条件,给出了学习步长的选择依据,最后用一个仿真实例来说明所提出的支持向量机的学习性能,比标准支持向量机具有更好的鲁棒性。     

多变量解耦鲁棒控制的遗传优化方法

提出一种基于遗传算法的鲁棒准优势化算法。该算法将鲁棒对角优势和遗传算法相结合,综合考虑各摄动系统的关联性,搜寻最优的鲁棒解耦控制器。用该算法对一参数不确定性工业对象进行了鲁棒系统设计,结果表明该设计方法比多模型加权准优势化算法具有更好的鲁棒稳定性和鲁棒性能,因而更适于实际工程应用。