动态系统的一阶特征模型与直线伺服系统的自适应迭代学习控制

就线性定常/时变系统以及非线性系统,依据特征模型理论,给出动态系统的一阶特征模型.其特征参数随时间变化,即以一阶时变差分方程描述受控系统的动态特性;与二阶和三阶特征模型相比较,一阶模型具更少参数.为解决由一阶特征模型描述的系统的控制问题,提出基于遗忘因子迭代学习辨识的自适应迭代学习控制方法.迭代学习辨识适于时变参数的估计,它允许被估计参数随时间快速变化,抑或突变.以直线伺服系统的位置跟踪控制为例,给出一种基于特征模型与LQ最优控制策略的自适应迭代学习控制方案.仿真与实验结果表明,提出的控制方案能够有效实现受控系统的位置跟踪控制.     

基于贝叶斯和自编码器的社会化推荐算法研究

为提高推荐结果的精度和个性化程度,文章有效利用多种信息源,将贝叶斯方法和深度学习结合,提出一种基于贝叶斯自编码器的社会化推荐算法.算法首先利用混合隶属度随机块模型MMSB (Mixed membership stochastic block)对用户间交互关系建模,结合用户的属性特征,利用自编码器学习用户的隐含特征向量;然后利用主题模型结合自编码模块学习物品特征向量;最后利用概率框架将物品和用户间的各种属性统一起来,共同学习矩阵分解模型中的关系矩阵.模型中的参数利用变分EM算法进行推理.实验结果表明与同类算法比较,算法在精确度和覆盖率上有不同程度的提升,且能够得到比较个性化的推荐结果.     

M-Copula模型在金融时间序列分析中的研究与应用

研究了M-Copula模型的建模方法及应用.运用EM算法估计模型的参数,得到相应的统计结果.并利用M-Copula对上证综指和深证成指做了相关分析.通过分析两样本数据的特征,均建立了GARCH-t的边缘分布模型;根据两个对数收益率序列之间的相关特性,选取M-Copula模型对其相关结构进行建模分析,因M-Copula综合了不同Copula的特点,所以分布形式更加灵活,描述数据的厚尾和相关性特征的能力更突出,效果比单一的Copula更好.     

线性定常系统特征模型的特征参量辨识

说明线性定常系统特征模型的特征参量是一组由高阶线性定常系统的相关信息压缩而成,于是不能简单的作为与状态无关的慢时变参数来处理. 基于特征建模思想,建立了线性定常系统特征模型的特征参量与子空间方法之间的联系,给出了一种该特征模型的特征参量 的合成辨识算法.同时证明了在用于子空间辨识的样本量充分大和用于状态估计的时间充分长的情况下, 特征参量的估计值与真值之间的误差达到充分小. 最后,对于一个六阶的单输入单输出线性定常系统的仿真例子,对投影的带遗忘因子最小二乘算法和合成辨识算法进行了比较,验证了合成辨识算法的有效性.     

具有稳定分布噪声的多重季节模型的贝叶斯分析

本文研究了具有稳定分布噪声的多重季节时间序列模型的建模及应用.稳定分布能够描述诸如方差无限、厚尾、有偏等非正态特征,但该类分布通常没有解析的密度函数,且参数的后验分布比较复杂.本文采用基于抽样的MCMC方法和切片抽样法估计模型参数,将多重季节模型的回归参数和稳定分布中的参数一起估计.通过模拟分析,说明了稳定分布的一些统计性质和文中建模方法的有效性.将模型应用于一个具有季节性和厚尾特征的实际数据集,演示了该类模型的应用价值.     

一类随机时延网络控制系统的神经网络自适应容错控制

针对一类随机时延网络控制系统,提出一种基于RBF神经网络自适应动态补偿的容错控制策略.该方法通过在线估计时延将系统建模为随机切换系统,并在模型参考自适应方法的基础上设计RBF神经网络动态补偿容错控制器,利用Lyapunov稳定性理论给出神经网络补偿器的在线权值学习算法,以保证网络控制系统在故障情况下的跟踪性能和状态一致最终有界稳定.最后通过仿真验证了该方法的有效性.     

基于偏正态数据下联合位置与尺度混合专家回归模型的参数估计

混合专家回归模型广泛应用于异质总体数据的分类,聚类及回归分析中.研究基于偏正态数据,提出了联合位置与尺度混合专家回归模型,该模型同时对位置,尺度和混合比例参数建模,应用MM算法和EM算法研究了该模型参数的极大似然估计.通过随机模拟和实例分析说明了该模型和方法的有效性与实用性.     

基于偏正态数据下联合位置与尺度混合专家回归模型的参数估计北大核心CSCD

混合专家回归模型广泛应用于异质总体数据的分类,聚类及回归分析中.研究基于偏正态数据,提出了联合位置与尺度混合专家回归模型,该模型同时对位置,尺度和混合比例参数建模,应用MM算法和EM算法研究了该模型参数的极大似然估计.通过随机模拟和实例分析说明了该模型和方法的有效性与实用性.     

非线性灰色Bernoulli模型的改进及应用

非线性灰色Bernoulli模型是灰色预测模型的一类拓展,在捕捉序列非线性趋势性能上表现良好,但仍然存在许多改进的空间.在传统的非线性灰色Bernoulli模型的基础上提出一种改进的方法,结合优化初始值,采用Guass-Newton算法求解最优模型参数以及滚动建模机制三个方面对模型进行改进.数值结果表明,优化初始值能够提高模型的预测精度,Guass-Newton算法寻求最优参数以及滚动建模机制能进一步减少预测误差的产生.因此,改进的模型能够有效地提高非线性灰色Bernoulli模型的预测性能.     

灰色预测模型算法的改进研究

为了解决固定模型预测时变系统容易出现较大误差的问题,提出模型更新算法,即采用将移动窗算法与传统灰色预测模型相结合的方法.通过在建模序列中删除一部分旧数据、纳入一部分新数据的方式递推更新预测模型,并分解数学模型所涉及的关键量ab从而简化递推数学公式;利用国家统计年鉴的统计数据验证上述方法的有效性.为了解决传统灰色预测模型建模长度选择的问题,而递推算法能在已知模型参数基础上通过简单计算获得新模型的各项参数,文章给出了详细的递推数学公式;另外对于最小建模长度L_(min)也进行讨论,认为L_(min)≥3,并给出证明.所改进算法提高灰色模型的预测精度,同时也为最优序列长度计算提供理论依据.     

基于鲁棒最优控制的在线机器学习方法

基于再生核Hilbert空间(reproducing kernel Hilbert space,RKHS)的统计学习模型被广泛应用于函数逼近、图像处理、模式识别和回归分析等领域,并且也在非线性随机动力学系统的辨识问题中有着很好的表现.本文提出一个基于鲁棒最优控制的RKHS模型学习方法,来实现对非线性随机动力学系统的高效在线建模.利用本文得到的关于再生核空间的一些理论结果,本文将随机动力学系统的在线学习问题转化为一组具有有界随机扰动的离散时变线性系统的输出反馈镇定问题,并利用模型预测控制技术来设计相应的控制算法和学习算法.与现有的RKHS模型学习方法相比,在不引入任何数据窗口原理、剪枝技术、学习步长的调整机制以及对噪声统计性质的假设的情形下,新方法可以在保证模型参数快速且鲁棒收敛的同时,实现对动力学系统的自适应高精度建模.此外,本文首次从最优控制的视角出发,研究动力学系统的在线核学习问题.在本文提出的研究框架下,现有各种控制技术可以被利用起来开发新的鲁棒学习方法,这也为核学习理论的研究和算法的开发提供一些新的思路.本文亦给出了数值算例和对比结果,用来说明新方法的有效性.     

含方程误差的异方差重复测量误差模型参数估计

对于含测量误差的重复测量数据,协变量与响应变量真值之间可能不存在完全匹配关系,即存在方程误差.且变量真值的测量误差方差可能与样本的某种特征有关,即存在异方差性.以此类数据为驱动,讨论了含方程误差的异方差重复测量误差模型的建模和估计问题,基于EM算法给出了模型参数的显式极大似然迭代估计.最后通过模拟计算和实例分析,讨论了模型和估计方法的有效性.     

有限时间迭代学习控制

针对任意初态情形, 借助于初始修正吸引子的概念,讨论不确定时变系统能够达到实际完全跟踪性能的迭代学习控制方法.闭环系统中含有限时间控制作用, 在预先指定的区间上实现零误差跟踪,且起始段的系统输出轨迹也可预先规划.分别讨论部分限幅学习与完全限幅学习, 证明闭环系统中各变量的一致有界性以及误差序列的一致收敛性. 变量有界性证明得益于提出的限幅学习算法,特别是完全限幅学习算法可确保参数估值的变化范围.     

经济时间序列的连续参数小波网络预测模型

本文利用连续小波变换方法,给出一种连续参数小波网络。网络参数的学习采用一种类似神经网络的后向传播学习算法的随机梯度算法。另外,提出了一种借助小波分析理论指导网络参数赋初值的方法。进一步,通过对中国进出口贸易额时间序列预测建模的研究和仿真预测,提出了用连续参数小波网络建立经济时间序列预测模型的一般步骤和方法。预测结果表明,此模型具有较好的泛化、学习能力,可以有效地在数值上逼近时间序列难以定量描述的相互关系,所以利用连续参数小波网络建立的时间序列预测模型有较高的预测精度。     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

对参数带约束条件的生存模型的回归分析

为了降低成本、提高研究效率,对与时间相依的数据,有偏抽样方法是广泛应用的基础抽样方法.在建模过程中,它可以从参数的先验信息中提取更有价值的信息.随着数字信息的发展,在许多领域都可以收集到协变量维数大于样本容量的高维数据.变量选择法和独立筛选法是非常有效的降维方法.在比例风险模型中,对参数带有约束条件的回归分析,采用了修正的MM算法,但对不同的模型,此优化算法不再适用.为了克服优化问题的计算复杂难实现的困难,将蚁群算法和粒子群算法等优化算法应用到参数带约束条件的回归分析中.     

基于蚁群算法的模糊分类系统设计

提出了一种基于最大-最小蚁群算法的模糊分类系统设计方法.该方法通过两个阶段来实现:特征变量选择和模型参数优化.首先采用蚁群算法对特征变量进行选择,得到一组具有较高分辩性能的特征变量,提高模型的解释性;在模型结构确定后,蚁群算法从训练样本中提取信息对模型的参数进行优化,在保证模型精确性的前提下,构造具有较少变量数目及规则数目的模糊模型,实现了精确性与解释性的折衷.最后将本方法运用到Iris和Wine数据样本分类问题中,并将结果与其它方法进行比较,仿真结果证明了该方法的有效性.     

基于准ARX多层学习网络模型的非线性系统自适应控制

建立了准ARX多层学习网络预测模型,并用于非线性系统自适应控制问题.该模型的内核部分为一个改进的神经模糊网络(NFNs):一部分为三层非线性网络结构,采用自联想网络进行离线训练;另一部分为三层NFNs,采取在线调整.据此对参数进行分类,给出相应调整算法. 然后,基于模型宏观结构的优势给出控制器设计方案.仿真分析给出该建模方法的有效性.     

次最优节点样条函数在准实时数据处理中的应用

针对准实时数据处理的特点，本文通过对飞行器弹道用次最优节点的样条函数表示，建立了多设备跟踪同一弹道的参数融合处理模型。与实时处理相比，由于考虑了弹道的节省参数表示，融合模型可同时提供较高精度的飞行器轨道参数和飞行器轨道跟踪系统误差的估计；与事后处理相比，由于在特征点间采用的是等距节点，因此算法的速度快，可以满足准实时数据处理的要求。     

舰船运动预报模型算法及软件

本文根据仿真模型的现代建模理论与方法 ,采用 AR(p )模型参数法 ,用模型参数的递推算法 ,对舰船运动状态的四个指标进行估计、预报和修正 ,并给出程序流程图和部分结果