預測器
- 基于Venn-Abers預測器的系統(tǒng)日志異常檢測方法
的算法有一致性預測器和Venn-Abers預測器,一致性預測器在置信度下給出p值作為預測可靠性的估計[7],但這不是直接概率。本文將引入一種將常規(guī)預測器的結(jié)果轉(zhuǎn)換為概率的算法,給出預測結(jié)果的概率估計值,使結(jié)果更加直觀。引入統(tǒng)計學習算法Venn-Abers預測器是具有有效性保證的,該方法可以對日志異常檢測結(jié)果進行可靠性評估,也就是對預測結(jié)果的正確性進行有效的概率預測。它是基于概率對數(shù)據(jù)進行分類的機器學習框架,任何機器學習算法都可以作為它的底層算法。Venn-
計算機應用與軟件 2023年10期2023-11-02
- 基于預測模型的事件觸發(fā)控制
控制方法,使用預測器來主動補償網(wǎng)絡引起的通信延遲和數(shù)據(jù)丟包,并實現(xiàn)了預期的控制效果。文獻[15]在切換線性系統(tǒng)中,利用預測器解決了事件觸發(fā)控制中網(wǎng)絡系統(tǒng)存在的延遲問題。文獻[16]中,Yang等人提出了一種事件觸發(fā)的預測控制方法來穩(wěn)定網(wǎng)絡控制系統(tǒng),在保證閉環(huán)系統(tǒng)穩(wěn)定的前提下,提供了最大的觸發(fā)間隔。文獻[17]提出了一種新型的網(wǎng)絡控制系統(tǒng)結(jié)構(gòu),在傳感器設備和控制器設備上都設置了事件觸發(fā)機制,以減少反饋網(wǎng)絡流量,通過預測被控對象的未來狀態(tài),設計了一種新的數(shù)據(jù)包
計算機仿真 2023年4期2023-05-31
- 鍛造工藝軟件套裝
——基于新穎工藝模型的先進徑向鍛造道次設計技術
orge?性能預測器。未來它的功能還將不斷完善和發(fā)展。ComForge?道次表計算器自30 多年前西馬克推出第一臺SMX 徑向鍛造機以來，ComForge?已被證明是一種高效而強大的工具，可用于創(chuàng)建道次表。ComForge?通過解決工藝設計中的主要挑戰(zhàn)，確保始終如一的高水平生產(chǎn)質(zhì)量：⑴提高生產(chǎn)效率→最好的性能；⑵最小公差；⑶具有詳細記錄的高度可重復性。在新的鍛造工藝軟件套裝中，廣為業(yè)界熟知的ComForge?工藝軟件被重新命名為ComForge?道次表計算
鍛造與沖壓 2023年3期2023-02-28
- 多模型融合的礦區(qū)地表沉降預測方法及適用性
-KF-BP強預測器模型。最后，通過MATLAB軟件分別計算BP神經(jīng)網(wǎng)絡模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型預測礦區(qū)地表沉降的精度。1 AdaBoost-KF-BP模型1.1 BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡是一種由信息正向傳播和誤差逆向傳播2個部分組成的多層前饋網(wǎng)絡，其本質(zhì)是將輸入層的數(shù)據(jù)信息通過正向傳遞，經(jīng)隱含層計算傳至輸出層進行輸出，再根據(jù)輸出值與真實值的差值進行誤差反向傳播，以對網(wǎng)絡中各層神經(jīng)元的權(quán)值和閾值進行
大地測量與地球動力學 2023年3期2023-02-28
- 基于EEMD-Elman-Adaboost的中美股票價格預測研究
樣本訓練不同的預測器(弱預測器)，然后把這些弱預測器集合起來，構(gòu)成一個更強的預測器(強預測器)[14]。本文Adaboost算法在Elman-Adaboost組合中發(fā)揮作用，以Elman神經(jīng)網(wǎng)絡為基礎，通過Adaboost算法將Elman神經(jīng)網(wǎng)絡作為弱預測器，對Elman神經(jīng)網(wǎng)絡的樣本輸出進行反復訓練，通過Adaboost算法得到由多個Elman神經(jīng)網(wǎng)絡弱預測器組成的強預測器。Adaboost優(yōu)化Elman神經(jīng)網(wǎng)絡步驟如下：步驟1數(shù)據(jù)獲取及網(wǎng)絡初始化。從樣
運籌與管理 2022年11期2022-12-15
- 多預測融合的腦電情緒識別遷移方法
一個獨立的標簽預測器，以充分利用不同源域的情緒判別信息進行融合預測。最后，在情緒腦電數(shù)據(jù)集上驗證了所提方法的性能。1 方 法1.1 問題定義當測試領域（目標域）完全未知時，只能盡可能地從訓練領域（源域）中學習具有較好泛化能力的模型。在基于腦電信號的情緒識別中，當預先訓練的模型服務于大眾時，它可能會遇到為模型提供過訓練數(shù)據(jù)的人（跨會話場景），但更多時候都會面臨著未知的測試者（跨被試場景）。這些真實的場景對模型的成功應用提出了較高的要求。本文嘗試探索領域泛化在
電視技術 2022年7期2022-08-19
- 輸入延遲系統(tǒng)的切換偽預測鎮(zhèn)定控制器
非線性系統(tǒng)時，預測器的方法依然有效.文獻[11]為一種時滯系統(tǒng)設計了改進無模型自適應預測控制器，使延遲系統(tǒng)穩(wěn)定.文獻[12]研究了一種高能隨機非線性系統(tǒng)，設計了一個自適應神經(jīng)網(wǎng)絡預測控制器，使得閉環(huán)系統(tǒng)在任意切換下所有信號有界.當預測器提供的預測狀態(tài)與系統(tǒng)未來狀態(tài)一致時，利用預測狀態(tài)進行控制相當于去掉了控制通道中的延遲，從而使常規(guī)設計方法得以應用，只是用開環(huán)系統(tǒng)進行系統(tǒng)未來狀態(tài)的預測，會產(chǎn)生關于輸入的積分項，而輸入的積分項只能通過數(shù)值分析的方法進行求解，故
河北大學學報（自然科學版） 2022年3期2022-06-16
- 基于近鄰成分分析的短期風電功率集成預測
型，而是將多個預測器組合，協(xié)調(diào)工作共同完成預測任務。為訓練出具有差異的一測器，一種方法是基于某一學習算法，通過設置不同的數(shù)據(jù)結(jié)構(gòu)或模型參數(shù)生成同質(zhì)的預測模型，常用方法包括Bagging[10]和Boosting[11]，文獻[12]采用自適應提升算法將BP神經(jīng)網(wǎng)絡集成，通過誤差平方倒數(shù)優(yōu)化BP網(wǎng)絡的結(jié)合權(quán)重，有效地改善了預測模型的泛化能力。但同質(zhì)模型基于相近的假設空間，差異性較小。另一種方法是采用不同的學習算法產(chǎn)生異質(zhì)預測器，研究以結(jié)合策略為主。除了以傳統(tǒng)
科學技術與工程 2022年14期2022-06-14
- 激光測振儀中最小均方誤差前向預測器的研究
陷波器或者前向預測器兩種結(jié)構(gòu)，陷波器結(jié)構(gòu)需要獲取振動測量信號的噪聲分量作為輸入，獲取難度較大；而前向預測器結(jié)構(gòu)僅需要測量信號作為輸入，可以降低算法應用的難度，適用于激光測振儀的LMS 自適應濾波。為了解決高精度激光測振儀中自適應濾波的難題，本文采用LMS 前向預測器作為激光測振儀的自適應濾波方法，通過理論推導、仿真和實驗驗證，研究了影響LMS 前向預測器濾波信噪比的因素。仿真和實驗驗證表明，LMS 前向預測器的信噪比和收斂速度與振動測量信號峰值、濾波器階數(shù)
光電工程 2022年5期2022-06-03
- 采用MEA-AdaBoost-BP模型的工程結(jié)構(gòu)可靠性分析方法
個權(quán)重一致的弱預測器函數(shù)，再用AdaBoost算法將弱預測器反復迭代t次；每次迭代后預測，若預測結(jié)果誤差大于設定誤差，則賦予該組樣本較大權(quán)重進行加權(quán)學習.最終由AdaBoost算法進行加權(quán)組合T組BP神經(jīng)網(wǎng)絡弱預測器，形成AdaBoost-BP強預測函數(shù).AdaBoost-BP算法流程圖，如圖2所示.圖2 AdaBoost-BP算法流程圖AdaBoost-BP神經(jīng)網(wǎng)絡算法有如下4個具體的操作步驟.步驟1數(shù)據(jù)初始化.隨機選擇M組訓練數(shù)集，運用已優(yōu)化權(quán)值和閾值
華僑大學學報（自然科學版） 2022年3期2022-05-11
- 固定時間預測器下的欠驅(qū)動無人艇路徑跟蹤控制
提出了一種基于預測器的導航律(predictorbased line-of-sight,PLOS),通過預測跟蹤誤差估計未知側(cè)滑角,對環(huán)境擾動進行補償,從而使導航更準確,減少震蕩.文獻[4]在此基礎上提出一種能在有限時間收斂的預測器,能使預測誤差更快收斂到零,還利用徑向基神經(jīng)網(wǎng)絡(radial basis function neural network,RBFNN)對無人艇模型進行訓練,減少模型不確定性,解決了由洋流等因素引起的大測滑角的問題,提高了跟蹤穩(wěn)
控制理論與應用 2022年10期2022-02-28
- 基于狀態(tài)維修的備件預測技術
技術，備件需求預測器的預測結(jié)構(gòu)，備件需求預測器體系結(jié)構(gòu)的實現(xiàn)，備件需求預測器的運行，應用實例及結(jié)論。目前國內(nèi)直升機領域也在開展基于狀態(tài)維修的研究工作。通過本文的討論，期與國內(nèi)直升機同行共享國外的技術信息，促進國內(nèi)直升機基于狀態(tài)維修技術的發(fā)展。1 預測技術1.1 敏捷和精業(yè)困境的化解為了實現(xiàn)基于狀態(tài)維修的目標，需要建立機群的基于狀態(tài)維修的備件保障網(wǎng)絡。該網(wǎng)絡根據(jù)直升機的使用狀態(tài)，動態(tài)地提供與維修相匹配的足夠多的備件，使該網(wǎng)絡將所需備件配送到維修場地。從維修的
直升機技術 2021年4期2022-01-12
- 一種用于沙盤推演的規(guī)劃識別方法*
行為不斷訓練弱預測器，最終組成強預測器。并以aerial bombing operations數(shù)據(jù)集為例設計實驗，驗證方法可行性。2 沙盤推演分析模型2.1 模型框架實現(xiàn)沙盤推演分析的模型如圖1所示。首先策略規(guī)劃器將對手的動作或狀態(tài)的改變作為觀察對象，推理出對手規(guī)劃和所有的目標，不僅如此，策略規(guī)劃器會依據(jù)預測的對手規(guī)劃做出應對動作，然后策略規(guī)劃器向動作規(guī)劃器下達指令，動作規(guī)劃器會依照指令，進行有效的信息決策，接著模型要依據(jù)決策進行行為模擬，同時將收集到的有
艦船電子工程 2021年12期2022-01-06
- 基于FEEMD-PACF-BP_AdaBoost模型的風電功率超短期預測
將得到的多個弱預測器組成新的強預測器，提高預測精度。1 算法原理1.1 FEEMD算法實際中的大多數(shù)信號是非穩(wěn)定信號，為此Huang等[9]提出EMD來處理這種非穩(wěn)定的信號，EMD是信號處理上的一個重大突破。但是非穩(wěn)定信號的極值點分布不均勻會在EMD分解的過程中產(chǎn)生嚴重的模態(tài)混疊現(xiàn)象問題。模態(tài)混疊會使臨近的兩個IMF分量波形混疊在一起，無法辨認，致使分解出的IMF分量沒有意義。因此，常鵬等[10-11]提出了一種EMD的改進方法——EEMD，通過在不同的序
計算機應用與軟件 2021年11期2021-11-15
- 具有狀態(tài)預測器的領航-跟隨鄰接輸入飽和時滯多智能體系統(tǒng)的一致性
統(tǒng),設計了狀態(tài)預測器,并設計了相應的一致性控制律,使鄰接輸入飽和時滯的多智能體系統(tǒng)狀態(tài)更快地達到了一致。本文主要研究無向圖下具有狀態(tài)預測器的領航-跟隨鄰接輸入飽和時滯多智能體系統(tǒng)的一致性問題,根據(jù)扇形區(qū)域法處理輸入飽和項,設計適當?shù)腖yapunov函數(shù)及一致性控制律,獲得系統(tǒng)狀態(tài)達到一致的充分條件;并運用MATLAB進行仿真,驗證了方法的有效性。1 預備知識定義1[12]給定一個正參量ρ,飽和函數(shù)δρ(·):m→m滿足δρ(x)是分布式的。即δρ(x)=c
沈陽師范大學學報(自然科學版) 2021年3期2021-08-17
- 一種基于元學習框架的時間序列預測方法
都只采用了單一預測器模式，但是根據(jù)NFL定理，并不存在一種算法對所有的任務都適用。Yao[1]分析指出，將集成學習方法應用于解決TSP問題具有比單個模型更優(yōu)良的性能。這類方法在TSP問題中的應用包括神經(jīng)網(wǎng)絡線性集成框架[16]、ELM改進層集成架構(gòu)[17]等。同時，為了降低集成學習的空間復雜度，集成選擇技術[18-20]更受研究者青睞。該技術的核心在于定義基預測器的性能評價準則，以挑選出最能“勝任”當前預測任務的一組預測器進行組合決策。但是集成選擇技術在處
兵器裝備工程學報 2021年7期2021-08-04
- 一種低復雜度聯(lián)合過程估計干擾對消方法
方法，利用格型預測器將參考信號轉(zhuǎn)化為彼此之間相互正交的后向預測誤差，然后利用多重回歸濾波器將后向預測誤差進行線性組合，從而實現(xiàn)對泄漏和雜波信號的擬合相消[10-11]。聯(lián)合過程估計雖然可以提高算法的收斂速度，但是相比于傳統(tǒng)LMS算法，計算復雜度明顯提高，不利于工程實現(xiàn)，尤其是當需要對消的雜波距離很遠、濾波器長度很大時。在連續(xù)波噪聲雷達中，參考信號可以用一個低階的AR過程進行擬合，此時，通過理論分析可以證明，格型預測器的高階反射系數(shù)為零。這意味著，使用一個低
無線電工程 2021年7期2021-07-14
- 混雜纖維混凝土凍融后損傷值預測★
整樣本權(quán)重和弱預測器權(quán)值，從訓練出的弱預測器中篩選出權(quán)值系數(shù)最小的弱預測器組合成一個最終強預測器，使預測更加精確。AdaBoost算法的主要思想是用一個訓練集訓練不同的預測器(弱預測器)，然后用一些方法將它們結(jié)合起來構(gòu)造一個更強的預測器，算法框架如圖2所示。1.3 AdaBoost-BP算法AdaBoost-BP算法的思想是把不同的BP神經(jīng)網(wǎng)絡模型當成弱預測器。通過 AdaBoost算法的訓練學習得到相應的權(quán)重，然后把每個 BP神經(jīng)網(wǎng)絡改進模型的權(quán)重占總權(quán)
山西建筑 2021年12期2021-06-11
- AdaBoost-PSO-LSTM網(wǎng)絡實時預測機動軌跡
分布的最佳線性預測器,較大幅度地提高了預測精度,但該方法進行預測會產(chǎn)生延遲,實時性能不夠。文獻[9]提出了基于高斯混合模型的軌跡預測方法,利用高斯混合模型計算不同運動模式的概率分布,其預測結(jié)果是未來所有可能運動軌跡的概率分布,在自由空戰(zhàn)中三維模型會產(chǎn)生大量不同的運動模式,預測結(jié)果可能會變成多種小概率事件,所以在多維運動中適應性不高。文獻[10]將灰色理論和動態(tài)測量理論結(jié)合,利用最小方差估計值代替實際值,引入微分方程,求解預測軌跡,該方法無法準確地對參數(shù)估值
系統(tǒng)工程與電子技術 2021年6期2021-05-31
- 基于Adaboost的改進Elman神經(jīng)網(wǎng)絡港口吞吐量預測方法
t算法將多個弱預測器組合形成強預測器，通過對弱預測器設置不同的權(quán)重，能夠?qū)㈩A測誤差大的樣本分離出來，從而更加重視對誤差較大的數(shù)據(jù)的訓練，達到更高的精度。筆者將Elman神經(jīng)網(wǎng)絡作為弱預測器，進行港口吞吐量的預測，同時選擇Adaboost算法將多個弱預測器組成Elman-Adaboost強預測器模型。然后采用該方法對寧波-舟山港的港口吞吐量進行預測，并將預測結(jié)果與相同數(shù)據(jù)及構(gòu)建方式下的BP、BP-Adaboost以及Elman神經(jīng)網(wǎng)絡的預測結(jié)果進行比較。1
重慶交通大學學報(自然科學版) 2021年5期2021-05-20
- 分支預測技術對性能影響研究
.1 靜態(tài)分支預測器靜態(tài)分支預測是一種實現(xiàn)簡單的方法，比如預測永遠不發(fā)生跳轉(zhuǎn)，取指單元總是按順序取指，直到發(fā)現(xiàn)錯誤才丟棄不正確的中間狀態(tài)，重新取指。靜態(tài)分支預測特點是實現(xiàn)簡單，但是預測的精度不高，在早期的CPU 設計中會使用這種方式。1.2 動態(tài)分支預測器現(xiàn)代處理器使用較多的是動態(tài)分支預測器，該類預測器能夠記錄分支的歷史跳轉(zhuǎn)信息，來預測將要執(zhí)行的分支跳轉(zhuǎn)行為。如果由于程序執(zhí)行的行為發(fā)生改變，預測器也會根據(jù)執(zhí)行情況自動調(diào)整，從而擁有較好的預測準確度和自適應性
電子技術與軟件工程 2021年1期2021-04-20
- 基于AdaBoost-Elman算法的鋰離子電池荷電狀態(tài)估計方法
st算法提高弱預測器精度的特性，使組合后的強預測器具有較強的泛化能力、估計精度和動態(tài)特性。與BP神經(jīng)網(wǎng)絡和Elman神經(jīng)網(wǎng)絡的估計精度進行比較，AdaBoost-Elman神經(jīng)網(wǎng)絡的估計精度高、動態(tài)特性好，為鋰離子電池估計提供了一種新的途徑。鋰離子電池；估計；神經(jīng)網(wǎng)絡；集成學習0 引言電池值用于計量當前狀態(tài)下電池剩余可用電量，不能直接使用測量手段獲取，從而不滿足實時監(jiān)測的要求。工作狀態(tài)下，電池系統(tǒng)時刻工作于非線性狀態(tài)。目前電池管理系統(tǒng)針對的估計方法主要是通
電力科學與工程 2021年2期2021-03-18
- 基于GSK-AdaBoost-LightGBM的交通事故死亡人數(shù)預測研究
組合形成一個強預測器，以實現(xiàn)提升預測精度的目的，已在冠心病中醫(yī)癥候診斷、人臉檢測、遙感影像水體信息提取以及火災煙霧探測等多個領域得到了廣泛的應用。綜上，本文基于AdaBoost算法集成多個LightGBM模型建立了AdaBoost-LightGBM(Ada-LightGBM)增強集成模型，并應用網(wǎng)格搜索法和K折交叉驗證(Grid Search and K-Cross-Validation，GSK)進行參數(shù)尋優(yōu)，進一步優(yōu)化模型，最終得到了GSK-AdaBoo
安全與環(huán)境工程 2021年1期2021-03-11
- 基于集成學習的交通流短時特性分析與神經(jīng)網(wǎng)絡預測方法
ost算法對弱預測器權(quán)值分布,從而在某輸入狀態(tài)下具有更佳的擬合效果,有效地提供單一模型的泛化能力,從而更好達到交通流的一步或多步預測。1 交通流可預測性分析1.1 重標極差分析法重標極差分析法(rescaled range analysis,R/S)用來分析時間序列的分形特征和長期記憶過程[16],Hurst指數(shù)用以度量趨勢的強度和噪聲的水平隨時間的變化指標。具有Hurst統(tǒng)計特性的系統(tǒng),它反映的是一長串相互聯(lián)系事件的結(jié)果,不依賴于通常概率統(tǒng)計學的獨立隨機
科學技術與工程 2021年4期2021-03-07
- 基于真實歷史反饋的自適應值預測器的設計與優(yōu)化*
最初的研究中值預測器的預測精度一般，并且預測失效的開銷比較大，因此值預測的性能提升有限。Lipasti等[8,9]提出了新值預測方法LVP(Last Value Prediction)，并對Gabbay[5,6]所提出的預測方法在不同情況下性能提升原理進行了分析研究。Sazeides等[9]將值預測的預測器分為計算型預測和上下文型預測2種。計算型預測器通過對所獲得的數(shù)據(jù)進行一定規(guī)則的運算來產(chǎn)生最終的預測數(shù)據(jù)，稱為步長預測器，都是通過將獲得的值加上步長來產(chǎn)生
計算機工程與科學 2021年2期2021-03-01
- 基于BP-AdaBoost的電商短期銷量預測模型①
果,通過增加弱預測器數(shù)量重點學習預測錯誤的樣本并分配預測器權(quán)重,根據(jù)預測器權(quán)重組合多個BP 神經(jīng)網(wǎng)絡(以下簡稱BPN)的模型輸出建立一個準確率更高的預測模型.短期銷量預測對于迅速反應電商行情變化,制訂短期內(nèi)穩(wěn)定銷量的應對方案和促銷計劃具有重要的意義.1 AdaBoost-BPN 預測模型的建立1.1 BPN 弱預測器BPN是機器學習領域應用較為廣泛的一種神經(jīng)網(wǎng)絡算法,常用于模式識別、數(shù)據(jù)分類、數(shù)據(jù)挖掘等領域.BPN 實際上是一個大型的雙向循環(huán)的迭代計算模型
計算機系統(tǒng)應用 2021年2期2021-02-23
- 預測
全稱為神算子牌預測器。沒錯，儀器的用途就是對未來事件進行預測。試用儀器面向全球所有人，說明書有中、英、俄、法、日等幾種語言，但試用儀器卻少得可憐，只有5臺。對試用者倒也沒有太苛刻的要求，只是規(guī)定試用期滿后使用者需要寫一篇盡可能詳盡的體驗報告。米多多迅速按照要求登記注冊，填寫相關資料，確認上傳，就完成了試用申請。他的運氣確實不錯，居然就在眾多報名者中脫穎而出，還真有了試用機會。這幸運來得太容易，開始他還懷疑會不會是某些人的惡作劇呢！三天之后，他收到一個快遞包
第二課堂(初中版) 2021年10期2021-02-12
- 基于Adaboost-PSO-BP模型的開采沉陷預測研究
練，利用多個弱預測器組成強預測器。本文以PSO-BP模型為弱預測器對訓練樣本訓練、預測，將輸出預測誤差大于預定誤差的樣本作為加強訓練樣本，調(diào)整其權(quán)重，以改變之后的權(quán)重計算下一個弱預測器的權(quán)重，多次訓練后，可得到多個弱預測器及其權(quán)重，組合成強預測器進行預測，輸出預測結(jié)果[14]。Adaboost-PSO-BP模型預測具體步驟如下：設訓練數(shù)據(jù)集中存在m組訓練樣本[x1，x2，…，xm]：1)初始化訓練數(shù)據(jù)集中m組訓練樣本權(quán)重wi：式中，wi為初始權(quán)重；m為訓練
煤炭工程 2020年12期2020-12-22
- 基于演化模式挖掘和代價敏感學習的交通擁堵指數(shù)預測①
的交通擁堵指數(shù)預測器。之所以對歷史交通擁堵指數(shù)數(shù)據(jù)進行離散化，是由于演化模式是由離散型數(shù)據(jù)構(gòu)成的。然后，從多個角度對影響交通擁堵指數(shù)的時空特征(如路網(wǎng)特征、區(qū)域特征、時序特征)進行提取，在此基礎上建立基于機器學習的交通擁堵指數(shù)預測器。一方面，為與基于演化模式的交通擁堵指數(shù)預測器進行融合，基于機器學習的交通擁堵指數(shù)預測器的輸出也應為離散型數(shù)據(jù)，因此采用分類模型構(gòu)造預測器；另一方面，由于離散化后的交通擁堵指數(shù)數(shù)據(jù)間仍存在量化比較關系，而普通分類模型無法表示類型
高技術通訊 2020年9期2020-10-19
- 隨機追蹤策略預測鐘差的理論分析
追蹤策略由一個預測器組構(gòu)成[7-9]，其中每個預測器工作在一個獨立的子空間，所有預測器對未來預測的加權(quán)平均作為最終預測結(jié)果。具體包括如下幾個部分。1)歷史數(shù)據(jù)設原子鐘相位或頻率數(shù)據(jù)的測量值向量為X,每個數(shù)據(jù)點間隔時間為T，則有X=(x1x2…xn)(1)式中：X——歷史數(shù)據(jù)樣本，即一臺原子鐘相對參考鐘或時標測量得到的相位差或頻率差；xt——t時刻的相位差或頻率差。向量X作為原子鐘測量的歷史數(shù)據(jù)，用于預測原子鐘未來的相位或頻率變化。2)隨機分組3)擬合函數(shù)4
宇航計測技術 2020年3期2020-09-11
- DNA 4mC 甲基化修飾位點預測的研究進展
現(xiàn)有4mC 預測器1.1 iDNA4mCiDNA4mC[4]是最早由陳偉與林昊兩個團隊利用機器學習方法共同提出的預測4mC 修飾位點的預測工具。含4mC 位點的陽性樣本是從MethSMRT 數(shù)據(jù)庫中獲取，涉及線蟲、果蠅、擬南芥、大腸桿菌、嗜堿菌和地桿菌六個物種，最終采用滑窗法（最優(yōu)窗口長度為41bp）構(gòu)建了高質(zhì)量的平衡數(shù)據(jù)集（表1）。表1 基準數(shù)據(jù)集物種正樣本及負樣本數(shù)量分布DNA 樣本序列由核苷酸物理化學屬性和核苷酸密度進行編碼，每個核苷酸被轉(zhuǎn)化為4
科學技術創(chuàng)新 2020年17期2020-06-30
- 一種改進型TAGE分支預測器的實現(xiàn)
型TAGE分支預測器的實現(xiàn)李正平，高 楊（安徽大學 電子信息工程學院，安徽 合肥 230031）針對傳統(tǒng)的TAGE分支預測器存在分支別名沖突以及對與歷史不相關的分支預測準確率較低兩個問題，提出了基于PC特征提取和提升基礎預測表優(yōu)先級的方式對預測器進行改進。將傳統(tǒng)的TAGE分支預測器與本文改進的預測器共同使用SPEC2000的測試程序進行驗證。實驗結(jié)果表明，改進之后的分支預測器能夠有效地解決這兩個問題，預測準確率有著明顯的提升。分支預測；處理器性能；特征提取
遼寧工業(yè)大學學報(自然科學版) 2020年1期2020-01-07
- 衰落信道下的天線選擇空時編碼方案
SE)維納信道預測器是一種改善MIMO時間選擇性衰落信道中反饋延時影響的有效措施[11],文獻[12-14]將MMSE信道預測器應用于預測TAS(TASP)/接收最大比(MRC)無線系統(tǒng)以及TASP-OSTBC之中,研究結(jié)果表明上述設計達到了預期的目標。OSTBC編碼器的輸出通常要經(jīng)過非線性高功率放大器放大后由發(fā)射天線發(fā)射出去,但是高功率放大器的非線性失真會惡化其性能[11-12]。常用的高功率放大器有采用理想預失真的軟包絡限幅器(SEL)、固態(tài)功率放大器
西安交通大學學報 2019年12期2019-12-21
- 基于改進稀疏線性預測的時延估計算法
3]。傳統(tǒng)線性預測器的配置，采用長期預測器和短期預測器級聯(lián)的方式來實現(xiàn)，得到的預測系數(shù)向量非常稀疏[4]。然而，當語音信號被噪聲污染時，這種稀疏性降低甚至不存在，因而導致線性預測器的性能降低。針對這一問題，一種可行的方案是，將線性預測器系數(shù)向量的稀疏性用于構(gòu)造L2/L1范數(shù)優(yōu)化模型，進而預白化用于時間延遲估計的麥克風信號；結(jié)果表明，L2/L1-LP預白化的TDE算法對于噪聲和混響的免疫性得到有效提高[5]?；谙∈栊约s束的原理，本文提出一種基于改進L2/L
傳感器與微系統(tǒng) 2019年11期2019-11-18
- 基于L1自適應的無人飛艇俯仰姿態(tài)控制器設計
礎上，增加狀態(tài)預測器和低通濾波器，使得控制律與自適應律彼此獨立，并通過狀態(tài)預測器與系統(tǒng)狀態(tài)差值迭代，保證系統(tǒng)快速響應與穩(wěn)定。圖1 無人飛艇L1框圖2.1 狀態(tài)反饋配置在設計理想系統(tǒng)時先忽略線性化誤差以及建模誤差，被控系統(tǒng)可描述為：(6)首先對上述系統(tǒng)進行狀態(tài)反饋配置來改善其穩(wěn)定性和動態(tài)特性。狀態(tài)反饋配置的分為兩部分：一是通過LQR設計狀態(tài)調(diào)節(jié)器，求取狀態(tài)反饋矩陣Km1，改變閉環(huán)系統(tǒng)的零極點，改善穩(wěn)定性和系統(tǒng)動態(tài)特性[9]。二是基于上述具備LQR狀態(tài)調(diào)節(jié)器的
測控技術 2019年8期2019-09-10
- 基于LASSO的可逆圖像水印算法
用中值邊緣檢測預測器(Median Edge Detection predictor，MED)，其他像素則使用局部預測來對像素進行預測。Panyindee[19]提出了一個基于二次嵌入測試的CT圖像可逆水印方案。他們先把圖像分為兩個相互獨立的集合，對每一個像素進行兩次水印嵌入測試，把它們分為三類，并用不同的方法進行水印嵌入。由于第三類算法的良好率失真性能，這一類算法得到了廣泛的研究，是目前可逆數(shù)字水印研究的主要研究方向。對于這一類算法，其性能很大程度上取決
計算機應用 2018年8期2018-10-16
- 基于Adaboost算法的水質(zhì)組合預測方法研究
的訓練樣本的弱預測器序f1，f2，…，fn，并且每個弱預測器也具有相應的權(quán)值，預測效果越好，弱預測器權(quán)值越大；最后在迭代完成后將所有弱預測器加權(quán)求和得到強預測器，再用強預測器進行預測[17]。2 組合預測方法2.1 參數(shù)優(yōu)化RBF網(wǎng)絡可以自適應的確定網(wǎng)絡結(jié)構(gòu)，但采用固定的目標誤差goal以及擴展系數(shù)spread，無法針對樣本進行優(yōu)化，導致訓練精度仍有待提升，在此使用梯度下降法得出一系列相對應的目標誤差及擴展系數(shù)，通過試湊法獲取最優(yōu)的預測結(jié)果。關于SVM參數(shù)
計算機測量與控制 2018年8期2018-08-24
- 基于非線性自適應脈沖噪聲處理技術的甚低頻通信大氣噪聲抑制算法及仿真實現(xiàn)?
分是自適應波形預測器。它能夠通過某種自適應算法，自動地調(diào)整權(quán)向量的值，使輸出信號能夠預測出輸入MSK信號的波形。本文采用的自適應算法是：基于雙曲正切函數(shù)的變步長LMS算法。該算法具有能夠在獲得較快收斂速度和跟蹤速度的情況下保證有較小的穩(wěn)態(tài)誤差的優(yōu)點，比單純采用LMS算法能夠保證較快的收斂速度和穩(wěn)態(tài)誤差［8～10］。圖1 非線性自適應噪聲處理器的結(jié)構(gòu)2.1 自適應波形預測器模型自適應波形預測器采用兩組單頻正弦信號作為線性組合器的輸入信號，其頻率分別為載波的中
艦船電子工程 2018年7期2018-08-01
- 基于ELM_AdaBoost強預測器的空戰(zhàn)目標威脅評估
aBoost強預測器。另外,針對傳統(tǒng)數(shù)據(jù)化方法所用空戰(zhàn)數(shù)據(jù)較少的問題,本文利用了空戰(zhàn)訓練測量儀(air combat maneuvering instrument, ACMI)中的空戰(zhàn)數(shù)據(jù),并用威脅指數(shù)法構(gòu)造了目標威脅評估的樣本數(shù)據(jù)。其中,ACMI是一種空戰(zhàn)數(shù)據(jù)記錄設備,可以實時采集、傳輸并保存戰(zhàn)斗機的時間、位置、速度和姿態(tài)等數(shù)據(jù),可為空戰(zhàn)問題的研究提供大量客觀真實的數(shù)據(jù)[17]?；谝陨峡紤],本文在利用ACMI空戰(zhàn)數(shù)據(jù)和威脅指數(shù)法的基礎上,提出了一種基于
系統(tǒng)工程與電子技術 2018年8期2018-07-27
- “神算子”預測器
稱為“神算子”預測器。沒錯，儀器的用途就是對未來事件進行預測。試用者面對全球所有人，說明書有中、英、俄、法、日等幾種文字，但試用品少得可憐，只有5臺。研究所對試用者倒也沒有太苛刻的要求，只是規(guī)定試用期滿后使用者要寫一篇盡可能詳盡的體驗報告。米多多按照要求迅速登記、注冊，填寫相關數(shù)據(jù)，確認上傳，就行了。他的運氣確實不錯，居然在眾多報名者中脫穎而出，真領到了一臺。這幸運來得猝不及防，開始他還懷疑會不會是某些人的惡作劇呢。3天之后，他收到一個快遞包裹。打開包裹，
青少年科技博覽（中學版） 2018年3期2018-05-12
- 基于集成相關向量機的水質(zhì)在線預測模型
型以RVM為弱預測器，利用改進的AdaBoost.RT算法將多個弱預測器集成為強預測器。RVM是建立在貝葉斯理論(Bayesian Principle)下的稀疏核機，不受Mercer定理的限制，可以任意選擇核函數(shù)，具有較好的泛化能力，但污水生化處理的過程，存在著參數(shù)時變的現(xiàn)象，隨著異常值的增多，會使RVM的預測精度下降，針對這一問題，該模型利用改進的AdaBoost.RT算法將RVM弱預測器分層組合，使迭代的重點聚焦與少數(shù)異常樣本上，提高了模型的預測精度的
計算機測量與控制 2018年3期2018-03-27
- 信道預測和聯(lián)合收發(fā)分集的RQAM誤符號率性能分析
MSE維納信道預測器和TAS/MRC天線分集的RQAM、DE-QPSK的平均誤符號率(Average Symbol Error Rate,ASER)精確和近似表達式,并對其進行仿真。1 系統(tǒng)模型(1)其中,τ=DLbTs為信道延時,Ts為RQAM或DE-QPSK的符號周期,D為正整數(shù),fd為多普勒頻移,E[.]表示求期望,J0(.)是第一類零階Bessel函數(shù)[14]。假定使用文獻[13-14]的PSAM技術和N階MMSE維納信道預測器來完成對信道估計和預
計算機工程 2018年1期2018-01-19
- 基于BP-Adaboost算法的棉花采摘機預維修方法研究
構(gòu)建多個BP弱預測器，然后用Adaboost算法將獲得的幾個BP弱預測器形成一個強預測器。具體步驟如下[10]：(1)樣本數(shù)據(jù)選擇和神經(jīng)網(wǎng)絡初始化初始化訓練樣本的權(quán)重，權(quán)重分布如下：Dt(i)=1/Ni=1,2,…,N(1)式中，N為訓練數(shù)據(jù)集中樣本總數(shù)，Dt(i)表示權(quán)重值，t為迭代數(shù)，i為樣本數(shù)。初始化時t=1；設置最大迭代次數(shù)為T。網(wǎng)絡結(jié)構(gòu)設計根據(jù)樣本輸入輸出維度、BP網(wǎng)絡權(quán)重以及閾值φ(0(2)生成預測器首先進行BP弱預測器預測。通過選擇不同的BP
山西農(nóng)業(yè)大學學報（自然科學版） 2018年1期2018-01-17
- 基于回歸分析的早期預警和失效預測技術
(何時發(fā)生)的預測器，充分展現(xiàn)了提前預警的作用，而且在失效模式已知和未知的情況下都能正確預測失效的發(fā)生。實驗結(jié)果表明其預測精度在81.4%～93.0%，平均精度高達87%，失效避免率在70%以上，有很強的優(yōu)越性。失效預測 失效模式 回歸分析法 早期預警0 引 言預測失效是基于運行時系統(tǒng)的當前狀態(tài)預測未來失效的發(fā)生，可以預先避免失效，或至少減輕失效的影響，把損失降到最低，(例如通過建議重新啟動特定系統(tǒng)模塊，保存數(shù)據(jù)等)，因此可以提高系統(tǒng)的可靠性。當前在線故障
計算機應用與軟件 2017年11期2017-12-08
- 一種支持Superscalar-VLIW混合架構(gòu)處理器的混合分支預測設計
確度，設計雙峰預測器與PAp預測器混合型預測結(jié)構(gòu)，充分發(fā)揮兩種預測器的優(yōu)點。在設計完成的處理器上，運行標準DSPstone程序。實驗結(jié)果表明，添加分支預測結(jié)構(gòu)使得處理器性能平均提升23%，并且混合型預測結(jié)構(gòu)相比單一預測結(jié)構(gòu)在準確度方面優(yōu)勢明顯。數(shù)字信號處理器 超標量 超長指令字 分支預測 雙峰預測 PAp0 引 言數(shù)字信號處理器(DSP)已經(jīng)越來越多地應用于通信及多媒體信號處理領域，隨著如視頻、音頻、圖像等多媒體應用越來越復雜多樣，對處理器性能的要求也越來
計算機應用與軟件 2017年2期2017-02-27
- 愛情預測器
□陰玉軍愛情預測器□陰玉軍“哈哈，我終于成功了?！卑私淌谂d奮地一下子從自己的座位上蹦了起來。經(jīng)過二十余年的努力，他終于研制出了愛情預測器，能不高興嗎？艾克不敢懈怠，馬上到專利局申請專利。專利局專家對艾克的發(fā)明進行驗證：先輸入愛因斯坦和米列娃的出生日期、血型、DNA等數(shù)據(jù)，預測器上顯示了17。從1903年倆人結(jié)婚，到米列娃1919年答應離婚，不正好17年嗎？專家又輸入居里夫人和皮埃爾的有關信息，顯示12。他們1895結(jié)婚，到皮埃爾1906年遇車禍身亡正好1
微型小說選刊 2016年6期2016-12-08
- 提升小波變換在煤礦軸承故障診斷中的應用研究
自適應提升小波預測器和升級濾波器。仿真結(jié)果表明，軸承故障信號實際測量值與理論值平均誤差小于3%，說明利用提升小波變換能夠?qū)崿F(xiàn)噪聲條件下軸承故障信號的準確識別。軸承故障診斷； 提升小波變換； 自適應提升小波網(wǎng)絡出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1019.018.html0 引言當煤礦關鍵電動機軸承出現(xiàn)損傷類故障時，其測量信號中會出現(xiàn)以軸承元件固有頻率為載波頻率的多頻率調(diào)制信號，主
工礦自動化 2016年9期2016-09-20
- 基于CCSDS的高光譜壓縮空譜聯(lián)合FPGA設計與實現(xiàn)
功能模塊：一是預測器，用于去除高光譜圖像數(shù)據(jù)冗余，另一是編碼器，用于對去除冗余后的數(shù)據(jù)進行編碼，如圖1所示。圖1 CCSDS壓縮算法主要模塊Fig.1 Main module of CCSDS compression algorithmCCSDS高光譜壓縮預測器模型如圖2所示，從預測采 樣 值 ｛Sz，y，x｝預 測 殘 差 ｛δz，y，x｝集 合 的 計算［5］。在采樣點Sz，y，x處計算預測采樣點值和無符號整型δ，一般通過當前采樣點的周邊值和P個相鄰譜
上海航天 2015年6期2015-12-31
- 基于BP－Adaboost模型的年降水量預測研究
并多個BP 弱預測器以產(chǎn)生強預測器，彌補了易陷入局部極值、收斂速度慢的缺點，從而使組合后得到的強預測器具有較強的泛化能力．算法流程如圖1 所示．圖1 BP-Adaboost 算法預測流程具體算法步驟如下:1)樣本數(shù)據(jù)采集和網(wǎng)絡的初始化． 從樣本空間中隨機選擇m 組訓練數(shù)據(jù)，初始化數(shù)據(jù)的分布權(quán)值Dt=1 m－1，根據(jù)樣本輸入和輸出維數(shù)確定神經(jīng)網(wǎng)絡結(jié)構(gòu)，并初始化BP 神經(jīng)網(wǎng)絡權(quán)值和閾值．2)弱預測器的訓練．訓練第t 個弱預測器時，用訓練數(shù)據(jù)訓練BP 神經(jīng)網(wǎng)絡并
華北水利水電大學學報(自然科學版) 2014年5期2014-12-11
- 基于Kalman預測器的改進的CAMShift目標跟蹤
于Kalman預測器的改進的CAMShift目標跟蹤閆鈞華1,2，陳少華3，艾淑芳2，李大雷2，段 賀1(1. 南京航空航天大學 航天學院，南京 210016；2. 光電控制技術重點實驗室，洛陽 471009；3. 中國電子科技集團公司 第二十八研究所，南京 210007)CAMShift目標跟蹤算法遇到目標被遮擋時容易陷入局部最大值，對快速運動目標容易跟蹤失敗，且無法從失敗中復原。針對該問題，利用Kalman預測器改進CAMShift算法。首先利用Kal
中國慣性技術學報 2014年4期2014-10-21
- 自適應系統(tǒng)中基于場景的信噪比預測算法*
法中使用了系統(tǒng)預測器和保留預測器,系統(tǒng)預測器是當前系統(tǒng)進行信噪比預測所使用的預測器,輸出預測信噪比值,保留預測器用于信道突變場景的信噪比預測中,在滿足突變標志位flag=0的條件下,如果信道在i時刻發(fā)生突變,則i-1時刻的系統(tǒng)預測器成為保留預測器,保留預測器輸出的預測信噪比稱為保留預測信噪比,保留預測器以保留預測信噪比值作為保留預測器的輸入,同時輸出下一時刻的保留預測信噪比值,當保留預測器成為系統(tǒng)預測器時,保留預測信噪比即成為預測信噪比?！舅惴?】步驟1:
通信技術 2014年3期2014-02-09
- 基于分類預測器及退化模型的圖像超分辨率快速重建
96)基于分類預測器及退化模型的圖像超分辨率快速重建楊 欣1，2費樹岷2周大可1唐庭閣1(1南京航空航天大學自動化學院，南京 210016)(2東南大學自動化學院，南京 210096)對基于學習的領域嵌套超分辨率重建方法進行了有效改進，提出了一種基于分類預測器以及退化模型的圖像超分辨率重建技術.首先，利用退化模型得到圖像訓練集，并基于鄰域嵌套進行分塊;其次，根據(jù)圖像各自特點提取灰度和梯度特征，并進行特征融合，從而實現(xiàn)了訓練過程中噪聲信息的有效抑制及圖像中邊
東南大學學報（自然科學版） 2013年1期2013-09-17
- Adaboost算法改進BP神經(jīng)網(wǎng)絡預測研究＊
t算法組成的強預測器的方法，并用UCI數(shù)據(jù)庫中的數(shù)據(jù)集進行仿真實驗，證明本文所提方法的有效性。2 BP神經(jīng)網(wǎng)絡與Adaboost算法2.1 BP神經(jīng)網(wǎng)絡原理BP神經(jīng)網(wǎng)絡是一種有監(jiān)督學習多層前饋神經(jīng)網(wǎng)絡，其主要特點是信號前向傳遞、誤差反向傳播［7］。在信號前向傳遞過程中，輸入信號從輸入層進入，經(jīng)過隱含層處理，到達輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。判斷輸出層的結(jié)果是否為期望輸出，如果不是，則轉(zhuǎn)入反向傳播，然后根據(jù)預測誤差調(diào)整網(wǎng)絡權(quán)值和閾值，從
計算機工程與科學 2013年8期2013-09-05
- 多項式預測濾波技術在智能控制中的應用
方法，如牛頓型預測器。對于確定性信號預測也可以應用牛頓型預測器、FIR預測器、IIR預測器、神經(jīng)網(wǎng)絡預測器[1]和模糊系統(tǒng)預測器[2]等。多項式預測濾波技術可以應用在平滑的實際信號采樣處理過程中。將平滑信號建模為多項式信號模型并作為多項式預測濾波器的處理對象，是基于兩點原因：首先，假定采樣速率足夠大，所有客觀存在的信號會表現(xiàn)出類似分段多項式的特征；其次，基于多項式的信號處理計算效率高[3]。從定義上看，多項式預測濾波器能夠估計類似多項式形式的信號的未來值。
長春師范大學學報 2013年4期2013-08-08
- 多自由度遙操作系統(tǒng)的適應性波預測控制
結(jié)合，同時利用預測器的預測效果和波變量法的魯棒穩(wěn)定性，能夠在保證系統(tǒng)穩(wěn)定的基礎上提高系統(tǒng)的透明性[3-8]。系統(tǒng)執(zhí)行任務過程中，從端環(huán)境往往是變化的，例如從端機器人從自由空間到剛性接觸的過程中，預測模型和實際模型就產(chǎn)生了偏差。錯誤的預測模型會影響遙操作系統(tǒng)的穩(wěn)定性和透明性[9]。要求預測模型能夠隨著從端環(huán)境的變化而變化，目前這種具有適應能力的遙操作系統(tǒng)的波預測方法研究得還很少。此外，目前大多數(shù)有關波變量的研究都是針對單自由度的主從遙操作系統(tǒng)。實際上，就遙操
計算機工程與應用 2013年11期2013-08-04
- 基于預測極性動態(tài)變換的分支預測框架研究
令分配一個分支預測器[5]，預測器通過訓練記錄對應分支指令最近的分支跳轉(zhuǎn)信息，為分支指令再次執(zhí)行提供預測信息。分支預測錯誤的主要原因是破壞性分支重名[6,7]，因此很多研究將重點放在減小破壞性分支重名概率上。文獻[8]改變分支模式表中預測器的表征意義，表征的內(nèi)容由原本的分支跳轉(zhuǎn)方向改變?yōu)榉种D(zhuǎn)方向是否和分支目標緩存器(BTB)中的偏置比特一致，該方法減小了破壞性分支重名概率，其缺點是需要結(jié)合BTB協(xié)同工作，設計復雜度高。文獻[9]將分支模式表分為一個跳轉(zhuǎn)
電子與信息學報 2013年4期2013-05-27
- 改進的時變非線性負荷預測組合算法
法，該算法在基預測器中增加了基于最大Lyapunov指數(shù)的混沌時間序列預測模型，其中最大Lyapunov指數(shù)為序列特征屬性，在進行組合預測時將序列的特征屬性和基預測器預測的結(jié)果形成元知識，作為元預測器的輸入，從而發(fā)現(xiàn)并且糾正基預測器的系統(tǒng)偏差。在元預測器中，通過門控網(wǎng)絡確定各基預測器的權(quán)重，保證了權(quán)重的時變性和非負性。預測結(jié)果表明，該算法的預測精度較高，具有實際應用價值。組合預測； 元學習； 門控網(wǎng)絡； 最大李雅普諾夫指數(shù)； 超短期負荷預測數(shù)學模型是理想的
電力系統(tǒng)及其自動化學報 2012年1期2012-11-09
- 基于AdaBoost與BP神經(jīng)網(wǎng)絡的風速預測研究
神經(jīng)網(wǎng)絡作為弱預測器，通過反復的訓練BP神經(jīng)網(wǎng)絡預測輸出，最終得到由多個BP神經(jīng)網(wǎng)絡組成的強預測器。1 預測模型1.1 BP神經(jīng)網(wǎng)絡BP神經(jīng)網(wǎng)絡即采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡。其重要特點是信號前向傳遞，誤差反向傳播。前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。相鄰兩層神經(jīng)元完全互連，不相鄰層無連接。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)，如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡權(quán)值和閥值，使BP神經(jīng)網(wǎng)絡預測輸
電網(wǎng)與清潔能源 2012年2期2012-10-16
- 大型燃煤鍋爐氮氧化物排放預測模型
提高任意給定弱預測器的預測精度，在許多機器學習的問題中都得到了成功的應用。為了提高BP神經(jīng)網(wǎng)絡的預測精度，克服BP神經(jīng)網(wǎng)絡權(quán)值初始化的局限性和訓練樣本的主觀因素，本文將AdaBoost算法與BP神經(jīng)網(wǎng)絡相結(jié)合，構(gòu)建了BP-adaboost算法來預測電廠氮氧化物排放量。本文利用BP-adaboost算法，以某電廠600MW機組鍋爐為例建立了氮氧化物排放特性預測模型。結(jié)果表明，與單純的 BP網(wǎng)絡所建模型相比，所建模型能夠更加準確地預測不同運行工況下的氮氧化物排
電氣技術 2012年5期2012-06-23
- 預測飛行路徑透視顯示方法研究
［1］。而帶有預測器的透視飛行路徑顯示不僅以隧道的形式提供給飛行員指令信息，而且還以三維的形式提供給飛行員預測位置信息，飛行員只需在一個接近真實情景中控制飛機沿隧道中心飛行，即可完成對航跡的控制，從而大大減輕了駕駛員的負擔。預測飛行路徑顯示有多種算法，文獻［2］中給出了“圓形預測算法”和“全圍預測算法”，文獻［3］應用這些算法設計了橫側(cè)向預測顯示器，文獻［4］基于人工控制理論從駕駛員角度進行了分析，文獻［5］對縱向和橫側(cè)向通道預測顯示器進行了初步的設計。但
電光與控制 2010年8期2010-07-04