为解决传统多元线性回归(Multivariate linear regression,MLR)模型在煤炭发热量预测方面精度不足和适用性有限的问题,提出了一种基于改进自适应增强算法(Adaptive boosting,Adaboost)的煤发热量的预测模型。将随机森林(Random forest,...为解决传统多元线性回归(Multivariate linear regression,MLR)模型在煤炭发热量预测方面精度不足和适用性有限的问题,提出了一种基于改进自适应增强算法(Adaptive boosting,Adaboost)的煤发热量的预测模型。将随机森林(Random forest,RF)作为Adaboost的基学习器,以提高模型在工业煤质分析中的发热量预测精度和泛化能力。研究基于某电厂1万组入炉煤的工业分析数据,选取水分、挥发分、灰分和固定碳作为模型输入,建立煤炭低位发热量的预测模型。通过与传统的多元线性回归方程及其他非线性模型比较,模型展现出更高的预测精度和更好的泛化能力。大样本测试的实验结果表明,本模型的平均绝对百分比误差为0.5417%,均方根误差为0.1304 MJ/kg,拟合度(R^(2))达到0.9799,其在煤炭发热量预测方面优于其他模型。此外,200组真实的混煤工业分析数据的模拟验证,进一步确认了本模型较优的泛化性能。展开更多
针对重复运行的未知非最小相位系统的轨迹跟踪问题,结合时域稳定逆特点,提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control,BFAILC)算法.该算法在迭代控制过程中应用自适应迭代学习...针对重复运行的未知非最小相位系统的轨迹跟踪问题,结合时域稳定逆特点,提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control,BFAILC)算法.该算法在迭代控制过程中应用自适应迭代学习辨识算法估计基函数模型,采用伪逆型学习律逼近系统的稳定逆,保证了迭代学习控制的收敛性和鲁棒性.以傅里叶基函数为例,通过在非最小相位系统上的控制仿真,验证了算法的有效性.展开更多
提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法...提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法对多个基学习器进行GPR集成,最大限度地降低噪声信号的影响;最后根据贝叶斯后验概率计算得到各子模型的权重,对子模型的输出进行融合,得到全局预测值。进行对比分析实验,验证了该方法的有效性,较之人工神经网络和支持向量机,该方法预测精度更好,具有一定的工程实用意义。展开更多
文摘针对重复运行的未知非最小相位系统的轨迹跟踪问题,结合时域稳定逆特点,提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control,BFAILC)算法.该算法在迭代控制过程中应用自适应迭代学习辨识算法估计基函数模型,采用伪逆型学习律逼近系统的稳定逆,保证了迭代学习控制的收敛性和鲁棒性.以傅里叶基函数为例,通过在非最小相位系统上的控制仿真,验证了算法的有效性.
文摘提出了一种集成高斯过程回归(Gaussian process regression,GPR)模型的预测方法,首先将信号进行时域和频域分析,提取信号时频域特征,再结合距离相关系数(distance correlation,DC)进行特征筛选;为了提高模型的预测精度,采用Bagging算法对多个基学习器进行GPR集成,最大限度地降低噪声信号的影响;最后根据贝叶斯后验概率计算得到各子模型的权重,对子模型的输出进行融合,得到全局预测值。进行对比分析实验,验证了该方法的有效性,较之人工神经网络和支持向量机,该方法预测精度更好,具有一定的工程实用意义。
