預(yù)測(cè)器
- 基于Venn-Abers預(yù)測(cè)器的系統(tǒng)日志異常檢測(cè)方法
的算法有一致性預(yù)測(cè)器和Venn-Abers預(yù)測(cè)器,一致性預(yù)測(cè)器在置信度下給出p值作為預(yù)測(cè)可靠性的估計(jì)[7],但這不是直接概率。本文將引入一種將常規(guī)預(yù)測(cè)器的結(jié)果轉(zhuǎn)換為概率的算法,給出預(yù)測(cè)結(jié)果的概率估計(jì)值,使結(jié)果更加直觀。引入統(tǒng)計(jì)學(xué)習(xí)算法Venn-Abers預(yù)測(cè)器是具有有效性保證的,該方法可以對(duì)日志異常檢測(cè)結(jié)果進(jìn)行可靠性評(píng)估,也就是對(duì)預(yù)測(cè)結(jié)果的正確性進(jìn)行有效的概率預(yù)測(cè)。它是基于概率對(duì)數(shù)據(jù)進(jìn)行分類的機(jī)器學(xué)習(xí)框架,任何機(jī)器學(xué)習(xí)算法都可以作為它的底層算法。Venn-
計(jì)算機(jī)應(yīng)用與軟件 2023年10期2023-11-02
- 基于預(yù)測(cè)模型的事件觸發(fā)控制
控制方法,使用預(yù)測(cè)器來主動(dòng)補(bǔ)償網(wǎng)絡(luò)引起的通信延遲和數(shù)據(jù)丟包,并實(shí)現(xiàn)了預(yù)期的控制效果。文獻(xiàn)[15]在切換線性系統(tǒng)中,利用預(yù)測(cè)器解決了事件觸發(fā)控制中網(wǎng)絡(luò)系統(tǒng)存在的延遲問題。文獻(xiàn)[16]中,Yang等人提出了一種事件觸發(fā)的預(yù)測(cè)控制方法來穩(wěn)定網(wǎng)絡(luò)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(xiàn)[17]提出了一種新型的網(wǎng)絡(luò)控制系統(tǒng)結(jié)構(gòu),在傳感器設(shè)備和控制器設(shè)備上都設(shè)置了事件觸發(fā)機(jī)制,以減少反饋網(wǎng)絡(luò)流量,通過預(yù)測(cè)被控對(duì)象的未來狀態(tài),設(shè)計(jì)了一種新的數(shù)據(jù)包
計(jì)算機(jī)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(jìn)徑向鍛造道次設(shè)計(jì)技術(shù)
orge?性能預(yù)測(cè)器。未來它的功能還將不斷完善和發(fā)展。ComForge?道次表計(jì)算器自30 多年前西馬克推出第一臺(tái)SMX 徑向鍛造機(jī)以來，ComForge?已被證明是一種高效而強(qiáng)大的工具，可用于創(chuàng)建道次表。ComForge?通過解決工藝設(shè)計(jì)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(xì)記錄的高度可重復(fù)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(jì)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(yù)測(cè)方法及適用性
-KF-BP強(qiáng)預(yù)測(cè)器模型。最后，通過MATLAB軟件分別計(jì)算BP神經(jīng)網(wǎng)絡(luò)模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型預(yù)測(cè)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(luò)BP神經(jīng)網(wǎng)絡(luò)是一種由信息正向傳播和誤差逆向傳播2個(gè)部分組成的多層前饋網(wǎng)絡(luò)，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(jì)算傳至輸出層進(jìn)行輸出，再根據(jù)輸出值與真實(shí)值的差值進(jìn)行誤差反向傳播，以對(duì)網(wǎng)絡(luò)中各層神經(jīng)元的權(quán)值和閾值進(jìn)行
大地測(cè)量與地球動(dòng)力學(xué) 2023年3期2023-02-28
- 基于EEMD-Elman-Adaboost的中美股票價(jià)格預(yù)測(cè)研究
樣本訓(xùn)練不同的預(yù)測(cè)器(弱預(yù)測(cè)器)，然后把這些弱預(yù)測(cè)器集合起來，構(gòu)成一個(gè)更強(qiáng)的預(yù)測(cè)器(強(qiáng)預(yù)測(cè)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(luò)為基礎(chǔ)，通過Adaboost算法將Elman神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，對(duì)Elman神經(jīng)網(wǎng)絡(luò)的樣本輸出進(jìn)行反復(fù)訓(xùn)練，通過Adaboost算法得到由多個(gè)Elman神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器組成的強(qiáng)預(yù)測(cè)器。Adaboost優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)步驟如下：步驟1數(shù)據(jù)獲取及網(wǎng)絡(luò)初始化。從樣
運(yùn)籌與管理 2022年11期2022-12-15
- 多預(yù)測(cè)融合的腦電情緒識(shí)別遷移方法
一個(gè)獨(dú)立的標(biāo)簽預(yù)測(cè)器，以充分利用不同源域的情緒判別信息進(jìn)行融合預(yù)測(cè)。最后，在情緒腦電數(shù)據(jù)集上驗(yàn)證了所提方法的性能。1 方 法1.1 問題定義當(dāng)測(cè)試領(lǐng)域（目標(biāo)域）完全未知時(shí)，只能盡可能地從訓(xùn)練領(lǐng)域（源域）中學(xué)習(xí)具有較好泛化能力的模型。在基于腦電信號(hào)的情緒識(shí)別中，當(dāng)預(yù)先訓(xùn)練的模型服務(wù)于大眾時(shí)，它可能會(huì)遇到為模型提供過訓(xùn)練數(shù)據(jù)的人（跨會(huì)話場(chǎng)景），但更多時(shí)候都會(huì)面臨著未知的測(cè)試者（跨被試場(chǎng)景）。這些真實(shí)的場(chǎng)景對(duì)模型的成功應(yīng)用提出了較高的要求。本文嘗試探索領(lǐng)域泛化在
電視技術(shù) 2022年7期2022-08-19
- 輸入延遲系統(tǒng)的切換偽預(yù)測(cè)鎮(zhèn)定控制器
非線性系統(tǒng)時(shí)，預(yù)測(cè)器的方法依然有效.文獻(xiàn)[11]為一種時(shí)滯系統(tǒng)設(shè)計(jì)了改進(jìn)無模型自適應(yīng)預(yù)測(cè)控制器，使延遲系統(tǒng)穩(wěn)定.文獻(xiàn)[12]研究了一種高能隨機(jī)非線性系統(tǒng)，設(shè)計(jì)了一個(gè)自適應(yīng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制器，使得閉環(huán)系統(tǒng)在任意切換下所有信號(hào)有界.當(dāng)預(yù)測(cè)器提供的預(yù)測(cè)狀態(tài)與系統(tǒng)未來狀態(tài)一致時(shí)，利用預(yù)測(cè)狀態(tài)進(jìn)行控制相當(dāng)于去掉了控制通道中的延遲，從而使常規(guī)設(shè)計(jì)方法得以應(yīng)用，只是用開環(huán)系統(tǒng)進(jìn)行系統(tǒng)未來狀態(tài)的預(yù)測(cè)，會(huì)產(chǎn)生關(guān)于輸入的積分項(xiàng)，而輸入的積分項(xiàng)只能通過數(shù)值分析的方法進(jìn)行求解，故
- 基于近鄰成分分析的短期風(fēng)電功率集成預(yù)測(cè)
型，而是將多個(gè)預(yù)測(cè)器組合，協(xié)調(diào)工作共同完成預(yù)測(cè)任務(wù)。為訓(xùn)練出具有差異的一測(cè)器，一種方法是基于某一學(xué)習(xí)算法，通過設(shè)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(yù)測(cè)模型，常用方法包括Bagging[10]和Boosting[11]，文獻(xiàn)[12]采用自適應(yīng)提升算法將BP神經(jīng)網(wǎng)絡(luò)集成，通過誤差平方倒數(shù)優(yōu)化BP網(wǎng)絡(luò)的結(jié)合權(quán)重，有效地改善了預(yù)測(cè)模型的泛化能力。但同質(zhì)模型基于相近的假設(shè)空間，差異性較小。另一種方法是采用不同的學(xué)習(xí)算法產(chǎn)生異質(zhì)預(yù)測(cè)器，研究以結(jié)合策略為主。除了以傳統(tǒng)
科學(xué)技術(shù)與工程 2022年14期2022-06-14
- 激光測(cè)振儀中最小均方誤差前向預(yù)測(cè)器的研究
陷波器或者前向預(yù)測(cè)器兩種結(jié)構(gòu)，陷波器結(jié)構(gòu)需要獲取振動(dòng)測(cè)量信號(hào)的噪聲分量作為輸入，獲取難度較大；而前向預(yù)測(cè)器結(jié)構(gòu)僅需要測(cè)量信號(hào)作為輸入，可以降低算法應(yīng)用的難度，適用于激光測(cè)振儀的LMS 自適應(yīng)濾波。為了解決高精度激光測(cè)振儀中自適應(yīng)濾波的難題，本文采用LMS 前向預(yù)測(cè)器作為激光測(cè)振儀的自適應(yīng)濾波方法，通過理論推導(dǎo)、仿真和實(shí)驗(yàn)驗(yàn)證，研究了影響LMS 前向預(yù)測(cè)器濾波信噪比的因素。仿真和實(shí)驗(yàn)驗(yàn)證表明，LMS 前向預(yù)測(cè)器的信噪比和收斂速度與振動(dòng)測(cè)量信號(hào)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(gè)權(quán)重一致的弱預(yù)測(cè)器函數(shù)，再用AdaBoost算法將弱預(yù)測(cè)器反復(fù)迭代t次；每次迭代后預(yù)測(cè)，若預(yù)測(cè)結(jié)果誤差大于設(shè)定誤差，則賦予該組樣本較大權(quán)重進(jìn)行加權(quán)學(xué)習(xí).最終由AdaBoost算法進(jìn)行加權(quán)組合T組BP神經(jīng)網(wǎng)絡(luò)弱預(yù)測(cè)器，形成AdaBoost-BP強(qiáng)預(yù)測(cè)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(luò)算法有如下4個(gè)具體的操作步驟.步驟1數(shù)據(jù)初始化.隨機(jī)選擇M組訓(xùn)練數(shù)集，運(yùn)用已優(yōu)化權(quán)值和閾值
- 固定時(shí)間預(yù)測(cè)器下的欠驅(qū)動(dòng)無人艇路徑跟蹤控制
提出了一種基于預(yù)測(cè)器的導(dǎo)航律(predictorbased line-of-sight,PLOS),通過預(yù)測(cè)跟蹤誤差估計(jì)未知側(cè)滑角,對(duì)環(huán)境擾動(dòng)進(jìn)行補(bǔ)償,從而使導(dǎo)航更準(zhǔn)確,減少震蕩.文獻(xiàn)[4]在此基礎(chǔ)上提出一種能在有限時(shí)間收斂的預(yù)測(cè)器,能使預(yù)測(cè)誤差更快收斂到零,還利用徑向基神經(jīng)網(wǎng)絡(luò)(radial basis function neural network,RBFNN)對(duì)無人艇模型進(jìn)行訓(xùn)練,減少模型不確定性,解決了由洋流等因素引起的大測(cè)滑角的問題,提高了跟蹤穩(wěn)
控制理論與應(yīng)用 2022年10期2022-02-28
- 基于狀態(tài)維修的備件預(yù)測(cè)技術(shù)
技術(shù)，備件需求預(yù)測(cè)器的預(yù)測(cè)結(jié)構(gòu)，備件需求預(yù)測(cè)器體系結(jié)構(gòu)的實(shí)現(xiàn)，備件需求預(yù)測(cè)器的運(yùn)行，應(yīng)用實(shí)例及結(jié)論。目前國(guó)內(nèi)直升機(jī)領(lǐng)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(guó)內(nèi)直升機(jī)同行共享國(guó)外的技術(shù)信息，促進(jìn)國(guó)內(nèi)直升機(jī)基于狀態(tài)維修技術(shù)的發(fā)展。1 預(yù)測(cè)技術(shù)1.1 敏捷和精業(yè)困境的化解為了實(shí)現(xiàn)基于狀態(tài)維修的目標(biāo)，需要建立機(jī)群的基于狀態(tài)維修的備件保障網(wǎng)絡(luò)。該網(wǎng)絡(luò)根據(jù)直升機(jī)的使用狀態(tài)，動(dòng)態(tài)地提供與維修相匹配的足夠多的備件，使該網(wǎng)絡(luò)將所需備件配送到維修場(chǎng)地。從維修的
直升機(jī)技術(shù) 2021年4期2022-01-12
- 一種用于沙盤推演的規(guī)劃識(shí)別方法*
行為不斷訓(xùn)練弱預(yù)測(cè)器，最終組成強(qiáng)預(yù)測(cè)器。并以aerial bombing operations數(shù)據(jù)集為例設(shè)計(jì)實(shí)驗(yàn)，驗(yàn)證方法可行性。2 沙盤推演分析模型2.1 模型框架實(shí)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(duì)手的動(dòng)作或狀態(tài)的改變作為觀察對(duì)象，推理出對(duì)手規(guī)劃和所有的目標(biāo)，不僅如此，策略規(guī)劃器會(huì)依據(jù)預(yù)測(cè)的對(duì)手規(guī)劃做出應(yīng)對(duì)動(dòng)作，然后策略規(guī)劃器向動(dòng)作規(guī)劃器下達(dá)指令，動(dòng)作規(guī)劃器會(huì)依照指令，進(jìn)行有效的信息決策，接著模型要依據(jù)決策進(jìn)行行為模擬，同時(shí)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(fēng)電功率超短期預(yù)測(cè)
將得到的多個(gè)弱預(yù)測(cè)器組成新的強(qiáng)預(yù)測(cè)器，提高預(yù)測(cè)精度。1 算法原理1.1 FEEMD算法實(shí)際中的大多數(shù)信號(hào)是非穩(wěn)定信號(hào)，為此Huang等[9]提出EMD來處理這種非穩(wěn)定的信號(hào)，EMD是信號(hào)處理上的一個(gè)重大突破。但是非穩(wěn)定信號(hào)的極值點(diǎn)分布不均勻會(huì)在EMD分解的過程中產(chǎn)生嚴(yán)重的模態(tài)混疊現(xiàn)象問題。模態(tài)混疊會(huì)使臨近的兩個(gè)IMF分量波形混疊在一起，無法辨認(rèn)，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(jìn)方法——EEMD，通過在不同的序
計(jì)算機(jī)應(yīng)用與軟件 2021年11期2021-11-15
- 具有狀態(tài)預(yù)測(cè)器的領(lǐng)航-跟隨鄰接輸入飽和時(shí)滯多智能體系統(tǒng)的一致性
統(tǒng),設(shè)計(jì)了狀態(tài)預(yù)測(cè)器,并設(shè)計(jì)了相應(yīng)的一致性控制律,使鄰接輸入飽和時(shí)滯的多智能體系統(tǒng)狀態(tài)更快地達(dá)到了一致。本文主要研究無向圖下具有狀態(tài)預(yù)測(cè)器的領(lǐng)航-跟隨鄰接輸入飽和時(shí)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(xiàng),設(shè)計(jì)適當(dāng)?shù)腖yapunov函數(shù)及一致性控制律,獲得系統(tǒng)狀態(tài)達(dá)到一致的充分條件;并運(yùn)用MATLAB進(jìn)行仿真,驗(yàn)證了方法的有效性。1 預(yù)備知識(shí)定義1[12]給定一個(gè)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
- 一種基于元學(xué)習(xí)框架的時(shí)間序列預(yù)測(cè)方法
都只采用了單一預(yù)測(cè)器模式，但是根據(jù)NFL定理，并不存在一種算法對(duì)所有的任務(wù)都適用。Yao[1]分析指出，將集成學(xué)習(xí)方法應(yīng)用于解決TSP問題具有比單個(gè)模型更優(yōu)良的性能。這類方法在TSP問題中的應(yīng)用包括神經(jīng)網(wǎng)絡(luò)線性集成框架[16]、ELM改進(jìn)層集成架構(gòu)[17]等。同時(shí)，為了降低集成學(xué)習(xí)的空間復(fù)雜度，集成選擇技術(shù)[18-20]更受研究者青睞。該技術(shù)的核心在于定義基預(yù)測(cè)器的性能評(píng)價(jià)準(zhǔn)則，以挑選出最能“勝任”當(dāng)前預(yù)測(cè)任務(wù)的一組預(yù)測(cè)器進(jìn)行組合決策。但是集成選擇技術(shù)在處
兵器裝備工程學(xué)報(bào) 2021年7期2021-08-04
- 一種低復(fù)雜度聯(lián)合過程估計(jì)干擾對(duì)消方法
方法，利用格型預(yù)測(cè)器將參考信號(hào)轉(zhuǎn)化為彼此之間相互正交的后向預(yù)測(cè)誤差，然后利用多重回歸濾波器將后向預(yù)測(cè)誤差進(jìn)行線性組合，從而實(shí)現(xiàn)對(duì)泄漏和雜波信號(hào)的擬合相消[10-11]。聯(lián)合過程估計(jì)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(jì)算復(fù)雜度明顯提高，不利于工程實(shí)現(xiàn)，尤其是當(dāng)需要對(duì)消的雜波距離很遠(yuǎn)、濾波器長(zhǎng)度很大時(shí)。在連續(xù)波噪聲雷達(dá)中，參考信號(hào)可以用一個(gè)低階的AR過程進(jìn)行擬合，此時(shí)，通過理論分析可以證明，格型預(yù)測(cè)器的高階反射系數(shù)為零。這意味著，使用一個(gè)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(yù)測(cè)★
整樣本權(quán)重和弱預(yù)測(cè)器權(quán)值，從訓(xùn)練出的弱預(yù)測(cè)器中篩選出權(quán)值系數(shù)最小的弱預(yù)測(cè)器組合成一個(gè)最終強(qiáng)預(yù)測(cè)器，使預(yù)測(cè)更加精確。AdaBoost算法的主要思想是用一個(gè)訓(xùn)練集訓(xùn)練不同的預(yù)測(cè)器(弱預(yù)測(cè)器)，然后用一些方法將它們結(jié)合起來構(gòu)造一個(gè)更強(qiáng)的預(yù)測(cè)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(luò)模型當(dāng)成弱預(yù)測(cè)器。通過 AdaBoost算法的訓(xùn)練學(xué)習(xí)得到相應(yīng)的權(quán)重，然后把每個(gè) BP神經(jīng)網(wǎng)絡(luò)改進(jìn)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(luò)實(shí)時(shí)預(yù)測(cè)機(jī)動(dòng)軌跡
分布的最佳線性預(yù)測(cè)器,較大幅度地提高了預(yù)測(cè)精度,但該方法進(jìn)行預(yù)測(cè)會(huì)產(chǎn)生延遲,實(shí)時(shí)性能不夠。文獻(xiàn)[9]提出了基于高斯混合模型的軌跡預(yù)測(cè)方法,利用高斯混合模型計(jì)算不同運(yùn)動(dòng)模式的概率分布,其預(yù)測(cè)結(jié)果是未來所有可能運(yùn)動(dòng)軌跡的概率分布,在自由空戰(zhàn)中三維模型會(huì)產(chǎn)生大量不同的運(yùn)動(dòng)模式,預(yù)測(cè)結(jié)果可能會(huì)變成多種小概率事件,所以在多維運(yùn)動(dòng)中適應(yīng)性不高。文獻(xiàn)[10]將灰色理論和動(dòng)態(tài)測(cè)量理論結(jié)合,利用最小方差估計(jì)值代替實(shí)際值,引入微分方程,求解預(yù)測(cè)軌跡,該方法無法準(zhǔn)確地對(duì)參數(shù)估值
系統(tǒng)工程與電子技術(shù) 2021年6期2021-05-31
- 基于Adaboost的改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)港口吞吐量預(yù)測(cè)方法
t算法將多個(gè)弱預(yù)測(cè)器組合形成強(qiáng)預(yù)測(cè)器，通過對(duì)弱預(yù)測(cè)器設(shè)置不同的權(quán)重，能夠?qū)㈩A(yù)測(cè)誤差大的樣本分離出來，從而更加重視對(duì)誤差較大的數(shù)據(jù)的訓(xùn)練，達(dá)到更高的精度。筆者將Elman神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，進(jìn)行港口吞吐量的預(yù)測(cè)，同時(shí)選擇Adaboost算法將多個(gè)弱預(yù)測(cè)器組成Elman-Adaboost強(qiáng)預(yù)測(cè)器模型。然后采用該方法對(duì)寧波-舟山港的港口吞吐量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)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(luò)的預(yù)測(cè)結(jié)果進(jìn)行比較。1
- 分支預(yù)測(cè)技術(shù)對(duì)性能影響研究
.1 靜態(tài)分支預(yù)測(cè)器靜態(tài)分支預(yù)測(cè)是一種實(shí)現(xiàn)簡(jiǎn)單的方法，比如預(yù)測(cè)永遠(yuǎn)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(cuò)誤才丟棄不正確的中間狀態(tài)，重新取指。靜態(tài)分支預(yù)測(cè)特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，但是預(yù)測(cè)的精度不高，在早期的CPU 設(shè)計(jì)中會(huì)使用這種方式。1.2 動(dòng)態(tài)分支預(yù)測(cè)器現(xiàn)代處理器使用較多的是動(dòng)態(tài)分支預(yù)測(cè)器，該類預(yù)測(cè)器能夠記錄分支的歷史跳轉(zhuǎn)信息，來預(yù)測(cè)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(yù)測(cè)器也會(huì)根據(jù)執(zhí)行情況自動(dòng)調(diào)整，從而擁有較好的預(yù)測(cè)準(zhǔn)確度和自適應(yīng)性
電子技術(shù)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(jì)方法
st算法提高弱預(yù)測(cè)器精度的特性，使組合后的強(qiáng)預(yù)測(cè)器具有較強(qiáng)的泛化能力、估計(jì)精度和動(dòng)態(tài)特性。與BP神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)的估計(jì)精度進(jìn)行比較，AdaBoost-Elman神經(jīng)網(wǎng)絡(luò)的估計(jì)精度高、動(dòng)態(tài)特性好，為鋰離子電池估計(jì)提供了一種新的途徑。鋰離子電池；估計(jì)；神經(jīng)網(wǎng)絡(luò)；集成學(xué)習(xí)0 引言電池值用于計(jì)量當(dāng)前狀態(tài)下電池剩余可用電量，不能直接使用測(cè)量手段獲取，從而不滿足實(shí)時(shí)監(jiān)測(cè)的要求。工作狀態(tài)下，電池系統(tǒng)時(shí)刻工作于非線性狀態(tài)。目前電池管理系統(tǒng)針對(duì)的估計(jì)方法主要是通
電力科學(xué)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(yù)測(cè)研究
組合形成一個(gè)強(qiáng)預(yù)測(cè)器，以實(shí)現(xiàn)提升預(yù)測(cè)精度的目的，已在冠心病中醫(yī)癥候診斷、人臉檢測(cè)、遙感影像水體信息提取以及火災(zāi)煙霧探測(cè)等多個(gè)領(lǐng)域得到了廣泛的應(yīng)用。綜上，本文基于AdaBoost算法集成多個(gè)LightGBM模型建立了AdaBoost-LightGBM(Ada-LightGBM)增強(qiáng)集成模型，并應(yīng)用網(wǎng)格搜索法和K折交叉驗(yàn)證(Grid Search and K-Cross-Validation，GSK)進(jìn)行參數(shù)尋優(yōu)，進(jìn)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(xué)習(xí)的交通流短時(shí)特性分析與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法
ost算法對(duì)弱預(yù)測(cè)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(dá)到交通流的一步或多步預(yù)測(cè)。1 交通流可預(yù)測(cè)性分析1.1 重標(biāo)極差分析法重標(biāo)極差分析法(rescaled range analysis,R/S)用來分析時(shí)間序列的分形特征和長(zhǎng)期記憶過程[16],Hurst指數(shù)用以度量趨勢(shì)的強(qiáng)度和噪聲的水平隨時(shí)間的變化指標(biāo)。具有Hurst統(tǒng)計(jì)特性的系統(tǒng),它反映的是一長(zhǎng)串相互聯(lián)系事件的結(jié)果,不依賴于通常概率統(tǒng)計(jì)學(xué)的獨(dú)立隨機(jī)
科學(xué)技術(shù)與工程 2021年4期2021-03-07
- 基于真實(shí)歷史反饋的自適應(yīng)值預(yù)測(cè)器的設(shè)計(jì)與優(yōu)化*
最初的研究中值預(yù)測(cè)器的預(yù)測(cè)精度一般，并且預(yù)測(cè)失效的開銷比較大，因此值預(yù)測(cè)的性能提升有限。Lipasti等[8,9]提出了新值預(yù)測(cè)方法LVP(Last Value Prediction)，并對(duì)Gabbay[5,6]所提出的預(yù)測(cè)方法在不同情況下性能提升原理進(jìn)行了分析研究。Sazeides等[9]將值預(yù)測(cè)的預(yù)測(cè)器分為計(jì)算型預(yù)測(cè)和上下文型預(yù)測(cè)2種。計(jì)算型預(yù)測(cè)器通過對(duì)所獲得的數(shù)據(jù)進(jìn)行一定規(guī)則的運(yùn)算來產(chǎn)生最終的預(yù)測(cè)數(shù)據(jù)，稱為步長(zhǎng)預(yù)測(cè)器，都是通過將獲得的值加上步長(zhǎng)來產(chǎn)生
計(jì)算機(jī)工程與科學(xué) 2021年2期2021-03-01
- 基于BP-AdaBoost的電商短期銷量預(yù)測(cè)模型①
果,通過增加弱預(yù)測(cè)器數(shù)量重點(diǎn)學(xué)習(xí)預(yù)測(cè)錯(cuò)誤的樣本并分配預(yù)測(cè)器權(quán)重,根據(jù)預(yù)測(cè)器權(quán)重組合多個(gè)BP 神經(jīng)網(wǎng)絡(luò)(以下簡(jiǎn)稱BPN)的模型輸出建立一個(gè)準(zhǔn)確率更高的預(yù)測(cè)模型.短期銷量預(yù)測(cè)對(duì)于迅速反應(yīng)電商行情變化,制訂短期內(nèi)穩(wěn)定銷量的應(yīng)對(duì)方案和促銷計(jì)劃具有重要的意義.1 AdaBoost-BPN 預(yù)測(cè)模型的建立1.1 BPN 弱預(yù)測(cè)器BPN是機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用較為廣泛的一種神經(jīng)網(wǎng)絡(luò)算法,常用于模式識(shí)別、數(shù)據(jù)分類、數(shù)據(jù)挖掘等領(lǐng)域.BPN 實(shí)際上是一個(gè)大型的雙向循環(huán)的迭代計(jì)算模型
計(jì)算機(jī)系統(tǒng)應(yīng)用 2021年2期2021-02-23
- 預(yù)測(cè)
全稱為神算子牌預(yù)測(cè)器。沒錯(cuò)，儀器的用途就是對(duì)未來事件進(jìn)行預(yù)測(cè)。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(tái)。對(duì)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(yàn)報(bào)告。米多多迅速按照要求登記注冊(cè)，填寫相關(guān)資料，確認(rèn)上傳，就完成了試用申請(qǐng)。他的運(yùn)氣確實(shí)不錯(cuò)，居然就在眾多報(bào)名者中脫穎而出，還真有了試用機(jī)會(huì)。這幸運(yùn)來得太容易，開始他還懷疑會(huì)不會(huì)是某些人的惡作劇呢！三天之后，他收到一個(gè)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(yù)測(cè)研究
練，利用多個(gè)弱預(yù)測(cè)器組成強(qiáng)預(yù)測(cè)器。本文以PSO-BP模型為弱預(yù)測(cè)器對(duì)訓(xùn)練樣本訓(xùn)練、預(yù)測(cè)，將輸出預(yù)測(cè)誤差大于預(yù)定誤差的樣本作為加強(qiáng)訓(xùn)練樣本，調(diào)整其權(quán)重，以改變之后的權(quán)重計(jì)算下一個(gè)弱預(yù)測(cè)器的權(quán)重，多次訓(xùn)練后，可得到多個(gè)弱預(yù)測(cè)器及其權(quán)重，組合成強(qiáng)預(yù)測(cè)器進(jìn)行預(yù)測(cè)，輸出預(yù)測(cè)結(jié)果[14]。Adaboost-PSO-BP模型預(yù)測(cè)具體步驟如下：設(shè)訓(xùn)練數(shù)據(jù)集中存在m組訓(xùn)練樣本[x1，x2，…，xm]：1)初始化訓(xùn)練數(shù)據(jù)集中m組訓(xùn)練樣本權(quán)重wi：式中，wi為初始權(quán)重；m為訓(xùn)練
煤炭工程 2020年12期2020-12-22
- 基于演化模式挖掘和代價(jià)敏感學(xué)習(xí)的交通擁堵指數(shù)預(yù)測(cè)①
的交通擁堵指數(shù)預(yù)測(cè)器。之所以對(duì)歷史交通擁堵指數(shù)數(shù)據(jù)進(jìn)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(gè)角度對(duì)影響交通擁堵指數(shù)的時(shí)空特征(如路網(wǎng)特征、區(qū)域特征、時(shí)序特征)進(jìn)行提取，在此基礎(chǔ)上建立基于機(jī)器學(xué)習(xí)的交通擁堵指數(shù)預(yù)測(cè)器。一方面，為與基于演化模式的交通擁堵指數(shù)預(yù)測(cè)器進(jìn)行融合，基于機(jī)器學(xué)習(xí)的交通擁堵指數(shù)預(yù)測(cè)器的輸出也應(yīng)為離散型數(shù)據(jù)，因此采用分類模型構(gòu)造預(yù)測(cè)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(guān)系，而普通分類模型無法表示類型
高技術(shù)通訊 2020年9期2020-10-19
- 隨機(jī)追蹤策略預(yù)測(cè)鐘差的理論分析
追蹤策略由一個(gè)預(yù)測(cè)器組構(gòu)成[7-9]，其中每個(gè)預(yù)測(cè)器工作在一個(gè)獨(dú)立的子空間，所有預(yù)測(cè)器對(duì)未來預(yù)測(cè)的加權(quán)平均作為最終預(yù)測(cè)結(jié)果。具體包括如下幾個(gè)部分。1)歷史數(shù)據(jù)設(shè)原子鐘相位或頻率數(shù)據(jù)的測(cè)量值向量為X,每個(gè)數(shù)據(jù)點(diǎn)間隔時(shí)間為T，則有X=(x1x2…xn)(1)式中：X——?dú)v史數(shù)據(jù)樣本，即一臺(tái)原子鐘相對(duì)參考鐘或時(shí)標(biāo)測(cè)量得到的相位差或頻率差；xt——t時(shí)刻的相位差或頻率差。向量X作為原子鐘測(cè)量的歷史數(shù)據(jù)，用于預(yù)測(cè)原子鐘未來的相位或頻率變化。2)隨機(jī)分組3)擬合函數(shù)4
宇航計(jì)測(cè)技術(shù) 2020年3期2020-09-11
- DNA 4mC 甲基化修飾位點(diǎn)預(yù)測(cè)的研究進(jìn)展
現(xiàn)有4mC 預(yù)測(cè)器1.1 iDNA4mCiDNA4mC[4]是最早由陳偉與林昊兩個(gè)團(tuán)隊(duì)利用機(jī)器學(xué)習(xí)方法共同提出的預(yù)測(cè)4mC 修飾位點(diǎn)的預(yù)測(cè)工具。含4mC 位點(diǎn)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(gè)物種，最終采用滑窗法（最優(yōu)窗口長(zhǎng)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(zhǔn)數(shù)據(jù)集物種正樣本及負(fù)樣本數(shù)量分布DNA 樣本序列由核苷酸物理化學(xué)屬性和核苷酸密度進(jìn)行編碼，每個(gè)核苷酸被轉(zhuǎn)化為4
科學(xué)技術(shù)創(chuàng)新 2020年17期2020-06-30
- 一種改進(jìn)型TAGE分支預(yù)測(cè)器的實(shí)現(xiàn)
型TAGE分支預(yù)測(cè)器的實(shí)現(xiàn)李正平，高 楊（安徽大學(xué) 電子信息工程學(xué)院，安徽 合肥 230031）針對(duì)傳統(tǒng)的TAGE分支預(yù)測(cè)器存在分支別名沖突以及對(duì)與歷史不相關(guān)的分支預(yù)測(cè)準(zhǔn)確率較低兩個(gè)問題，提出了基于PC特征提取和提升基礎(chǔ)預(yù)測(cè)表優(yōu)先級(jí)的方式對(duì)預(yù)測(cè)器進(jìn)行改進(jìn)。將傳統(tǒng)的TAGE分支預(yù)測(cè)器與本文改進(jìn)的預(yù)測(cè)器共同使用SPEC2000的測(cè)試程序進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，改進(jìn)之后的分支預(yù)測(cè)器能夠有效地解決這兩個(gè)問題，預(yù)測(cè)準(zhǔn)確率有著明顯的提升。分支預(yù)測(cè)；處理器性能；特征提取
- 衰落信道下的天線選擇空時(shí)編碼方案
SE)維納信道預(yù)測(cè)器是一種改善MIMO時(shí)間選擇性衰落信道中反饋延時(shí)影響的有效措施[11],文獻(xiàn)[12-14]將MMSE信道預(yù)測(cè)器應(yīng)用于預(yù)測(cè)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(shè)計(jì)達(dá)到了預(yù)期的目標(biāo)。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(huì)惡化其性能[11-12]。常用的高功率放大器有采用理想預(yù)失真的軟包絡(luò)限幅器(SEL)、固態(tài)功率放大器
西安交通大學(xué)學(xué)報(bào) 2019年12期2019-12-21
- 基于改進(jìn)稀疏線性預(yù)測(cè)的時(shí)延估計(jì)算法
3]。傳統(tǒng)線性預(yù)測(cè)器的配置，采用長(zhǎng)期預(yù)測(cè)器和短期預(yù)測(cè)器級(jí)聯(lián)的方式來實(shí)現(xiàn)，得到的預(yù)測(cè)系數(shù)向量非常稀疏[4]。然而，當(dāng)語音信號(hào)被噪聲污染時(shí)，這種稀疏性降低甚至不存在，因而導(dǎo)致線性預(yù)測(cè)器的性能降低。針對(duì)這一問題，一種可行的方案是，將線性預(yù)測(cè)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(jìn)而預(yù)白化用于時(shí)間延遲估計(jì)的麥克風(fēng)信號(hào)；結(jié)果表明，L2/L1-LP預(yù)白化的TDE算法對(duì)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(jìn)L2/L
傳感器與微系統(tǒng) 2019年11期2019-11-18
- 基于L1自適應(yīng)的無人飛艇俯仰姿態(tài)控制器設(shè)計(jì)
礎(chǔ)上，增加狀態(tài)預(yù)測(cè)器和低通濾波器，使得控制律與自適應(yīng)律彼此獨(dú)立，并通過狀態(tài)預(yù)測(cè)器與系統(tǒng)狀態(tài)差值迭代，保證系統(tǒng)快速響應(yīng)與穩(wěn)定。圖1 無人飛艇L1框圖2.1 狀態(tài)反饋配置在設(shè)計(jì)理想系統(tǒng)時(shí)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(duì)上述系統(tǒng)進(jìn)行狀態(tài)反饋配置來改善其穩(wěn)定性和動(dòng)態(tài)特性。狀態(tài)反饋配置的分為兩部分：一是通過LQR設(shè)計(jì)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(diǎn)，改善穩(wěn)定性和系統(tǒng)動(dòng)態(tài)特性[9]。二是基于上述具備LQR狀態(tài)調(diào)節(jié)器的
測(cè)控技術(shù) 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(cè)預(yù)測(cè)器(Median Edge Detection predictor，MED)，其他像素則使用局部預(yù)測(cè)來對(duì)像素進(jìn)行預(yù)測(cè)。Panyindee[19]提出了一個(gè)基于二次嵌入測(cè)試的CT圖像可逆水印方案。他們先把圖像分為兩個(gè)相互獨(dú)立的集合，對(duì)每一個(gè)像素進(jìn)行兩次水印嵌入測(cè)試，把它們分為三類，并用不同的方法進(jìn)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(duì)于這一類算法，其性能很大程度上取決
計(jì)算機(jī)應(yīng)用 2018年8期2018-10-16
- 基于Adaboost算法的水質(zhì)組合預(yù)測(cè)方法研究
的訓(xùn)練樣本的弱預(yù)測(cè)器序f1，f2，…，fn，并且每個(gè)弱預(yù)測(cè)器也具有相應(yīng)的權(quán)值，預(yù)測(cè)效果越好，弱預(yù)測(cè)器權(quán)值越大；最后在迭代完成后將所有弱預(yù)測(cè)器加權(quán)求和得到強(qiáng)預(yù)測(cè)器，再用強(qiáng)預(yù)測(cè)器進(jìn)行預(yù)測(cè)[17]。2 組合預(yù)測(cè)方法2.1 參數(shù)優(yōu)化RBF網(wǎng)絡(luò)可以自適應(yīng)的確定網(wǎng)絡(luò)結(jié)構(gòu)，但采用固定的目標(biāo)誤差goal以及擴(kuò)展系數(shù)spread，無法針對(duì)樣本進(jìn)行優(yōu)化，導(dǎo)致訓(xùn)練精度仍有待提升，在此使用梯度下降法得出一系列相對(duì)應(yīng)的目標(biāo)誤差及擴(kuò)展系數(shù)，通過試湊法獲取最優(yōu)的預(yù)測(cè)結(jié)果。關(guān)于SVM參數(shù)
計(jì)算機(jī)測(cè)量與控制 2018年8期2018-08-24
- 基于非線性自適應(yīng)脈沖噪聲處理技術(shù)的甚低頻通信大氣噪聲抑制算法及仿真實(shí)現(xiàn)?
分是自適應(yīng)波形預(yù)測(cè)器。它能夠通過某種自適應(yīng)算法，自動(dòng)地調(diào)整權(quán)向量的值，使輸出信號(hào)能夠預(yù)測(cè)出輸入MSK信號(hào)的波形。本文采用的自適應(yīng)算法是：基于雙曲正切函數(shù)的變步長(zhǎng)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(diǎn)，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(yīng)噪聲處理器的結(jié)構(gòu)2.1 自適應(yīng)波形預(yù)測(cè)器模型自適應(yīng)波形預(yù)測(cè)器采用兩組單頻正弦信號(hào)作為線性組合器的輸入信號(hào)，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(qiáng)預(yù)測(cè)器的空戰(zhàn)目標(biāo)威脅評(píng)估
aBoost強(qiáng)預(yù)測(cè)器。另外,針對(duì)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(xùn)練測(cè)量?jī)x(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(biāo)威脅評(píng)估的樣本數(shù)據(jù)。其中,ACMI是一種空戰(zhàn)數(shù)據(jù)記錄設(shè)備,可以實(shí)時(shí)采集、傳輸并保存戰(zhàn)斗機(jī)的時(shí)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(shí)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(chǔ)上,提出了一種基于
系統(tǒng)工程與電子技術(shù) 2018年8期2018-07-27
- “神算子”預(yù)測(cè)器
稱為“神算子”預(yù)測(cè)器。沒錯(cuò)，儀器的用途就是對(duì)未來事件進(jìn)行預(yù)測(cè)。試用者面對(duì)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(tái)。研究所對(duì)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(yàn)報(bào)告。米多多按照要求迅速登記、注冊(cè)，填寫相關(guān)數(shù)據(jù)，確認(rèn)上傳，就行了。他的運(yùn)氣確實(shí)不錯(cuò)，居然在眾多報(bào)名者中脫穎而出，真領(lǐng)到了一臺(tái)。這幸運(yùn)來得猝不及防，開始他還懷疑會(huì)不會(huì)是某些人的惡作劇呢。3天之后，他收到一個(gè)快遞包裹。打開包裹，
青少年科技博覽（中學(xué)版） 2018年3期2018-05-12
- 基于集成相關(guān)向量機(jī)的水質(zhì)在線預(yù)測(cè)模型
型以RVM為弱預(yù)測(cè)器，利用改進(jìn)的AdaBoost.RT算法將多個(gè)弱預(yù)測(cè)器集成為強(qiáng)預(yù)測(cè)器。RVM是建立在貝葉斯理論(Bayesian Principle)下的稀疏核機(jī)，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(shí)變的現(xiàn)象，隨著異常值的增多，會(huì)使RVM的預(yù)測(cè)精度下降，針對(duì)這一問題，該模型利用改進(jìn)的AdaBoost.RT算法將RVM弱預(yù)測(cè)器分層組合，使迭代的重點(diǎn)聚焦與少數(shù)異常樣本上，提高了模型的預(yù)測(cè)精度的
計(jì)算機(jī)測(cè)量與控制 2018年3期2018-03-27
- 信道預(yù)測(cè)和聯(lián)合收發(fā)分集的RQAM誤符號(hào)率性能分析
MSE維納信道預(yù)測(cè)器和TAS/MRC天線分集的RQAM、DE-QPSK的平均誤符號(hào)率(Average Symbol Error Rate,ASER)精確和近似表達(dá)式,并對(duì)其進(jìn)行仿真。1 系統(tǒng)模型(1)其中,τ=DLbTs為信道延時(shí),Ts為RQAM或DE-QPSK的符號(hào)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(xiàn)[13-14]的PSAM技術(shù)和N階MMSE維納信道預(yù)測(cè)器來完成對(duì)信道估計(jì)和預(yù)
計(jì)算機(jī)工程 2018年1期2018-01-19
- 基于BP-Adaboost算法的棉花采摘機(jī)預(yù)維修方法研究
構(gòu)建多個(gè)BP弱預(yù)測(cè)器，然后用Adaboost算法將獲得的幾個(gè)BP弱預(yù)測(cè)器形成一個(gè)強(qiáng)預(yù)測(cè)器。具體步驟如下[10]：(1)樣本數(shù)據(jù)選擇和神經(jīng)網(wǎng)絡(luò)初始化初始化訓(xùn)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(xùn)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(shí)t=1；設(shè)置最大迭代次數(shù)為T。網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)根據(jù)樣本輸入輸出維度、BP網(wǎng)絡(luò)權(quán)重以及閾值φ(0(2)生成預(yù)測(cè)器首先進(jìn)行BP弱預(yù)測(cè)器預(yù)測(cè)。通過選擇不同的BP
山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版） 2018年1期2018-01-17
- 基于回歸分析的早期預(yù)警和失效預(yù)測(cè)技術(shù)
(何時(shí)發(fā)生)的預(yù)測(cè)器，充分展現(xiàn)了提前預(yù)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(yù)測(cè)失效的發(fā)生。實(shí)驗(yàn)結(jié)果表明其預(yù)測(cè)精度在81.4%～93.0%，平均精度高達(dá)87%，失效避免率在70%以上，有很強(qiáng)的優(yōu)越性。失效預(yù)測(cè) 失效模式 回歸分析法 早期預(yù)警0 引 言預(yù)測(cè)失效是基于運(yùn)行時(shí)系統(tǒng)的當(dāng)前狀態(tài)預(yù)測(cè)未來失效的發(fā)生，可以預(yù)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(dòng)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(dāng)前在線故障
計(jì)算機(jī)應(yīng)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(yù)測(cè)設(shè)計(jì)
確度，設(shè)計(jì)雙峰預(yù)測(cè)器與PAp預(yù)測(cè)器混合型預(yù)測(cè)結(jié)構(gòu)，充分發(fā)揮兩種預(yù)測(cè)器的優(yōu)點(diǎn)。在設(shè)計(jì)完成的處理器上，運(yùn)行標(biāo)準(zhǔn)DSPstone程序。實(shí)驗(yàn)結(jié)果表明，添加分支預(yù)測(cè)結(jié)構(gòu)使得處理器性能平均提升23%，并且混合型預(yù)測(cè)結(jié)構(gòu)相比單一預(yù)測(cè)結(jié)構(gòu)在準(zhǔn)確度方面優(yōu)勢(shì)明顯。數(shù)字信號(hào)處理器 超標(biāo)量 超長(zhǎng)指令字 分支預(yù)測(cè) 雙峰預(yù)測(cè) PAp0 引 言數(shù)字信號(hào)處理器(DSP)已經(jīng)越來越多地應(yīng)用于通信及多媒體信號(hào)處理領(lǐng)域，隨著如視頻、音頻、圖像等多媒體應(yīng)用越來越復(fù)雜多樣，對(duì)處理器性能的要求也越來
計(jì)算機(jī)應(yīng)用與軟件 2017年2期2017-02-27
- 愛情預(yù)測(cè)器
□陰玉軍愛情預(yù)測(cè)器□陰玉軍“哈哈，我終于成功了。”艾克教授興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(yù)測(cè)器，能不高興嗎？艾克不敢懈怠，馬上到專利局申請(qǐng)專利。專利局專家對(duì)艾克的發(fā)明進(jìn)行驗(yàn)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(yù)測(cè)器上顯示了17。從1903年倆人結(jié)婚，到米列娃1919年答應(yīng)離婚，不正好17年嗎？專家又輸入居里夫人和皮埃爾的有關(guān)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(yīng)用研究
自適應(yīng)提升小波預(yù)測(cè)器和升級(jí)濾波器。仿真結(jié)果表明，軸承故障信號(hào)實(shí)際測(cè)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(hào)的準(zhǔn)確識(shí)別。軸承故障診斷； 提升小波變換； 自適應(yīng)提升小波網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160902.1019.018.html0 引言當(dāng)煤礦關(guān)鍵電動(dòng)機(jī)軸承出現(xiàn)損傷類故障時(shí)，其測(cè)量信號(hào)中會(huì)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(hào)，主
工礦自動(dòng)化 2016年9期2016-09-20
- 基于CCSDS的高光譜壓縮空譜聯(lián)合FPGA設(shè)計(jì)與實(shí)現(xiàn)
功能模塊：一是預(yù)測(cè)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(duì)去除冗余后的數(shù)據(jù)進(jìn)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(yù)測(cè)器模型如圖2所示，從預(yù)測(cè)采 樣 值 ｛Sz，y，x｝預(yù) 測(cè) 殘 差 ｛δz，y，x｝集 合 的 計(jì)算［5］。在采樣點(diǎn)Sz，y，x處計(jì)算預(yù)測(cè)采樣點(diǎn)值和無符號(hào)整型δ，一般通過當(dāng)前采樣點(diǎn)的周邊值和P個(gè)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(yù)測(cè)研究
并多個(gè)BP 弱預(yù)測(cè)器以產(chǎn)生強(qiáng)預(yù)測(cè)器，彌補(bǔ)了易陷入局部極值、收斂速度慢的缺點(diǎn)，從而使組合后得到的強(qiáng)預(yù)測(cè)器具有較強(qiáng)的泛化能力．算法流程如圖1 所示．圖1 BP-Adaboost 算法預(yù)測(cè)流程具體算法步驟如下:1)樣本數(shù)據(jù)采集和網(wǎng)絡(luò)的初始化． 從樣本空間中隨機(jī)選擇m 組訓(xùn)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(luò)結(jié)構(gòu)，并初始化BP 神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值．2)弱預(yù)測(cè)器的訓(xùn)練．訓(xùn)練第t 個(gè)弱預(yù)測(cè)器時(shí)，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)并
- 基于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)跟蹤
于Kalman預(yù)測(cè)器的改進(jìn)的CAMShift目標(biāo)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(xué) 航天學(xué)院，南京 210016；2. 光電控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，洛陽 471009；3. 中國(guó)電子科技集團(tuán)公司 第二十八研究所，南京 210007)CAMShift目標(biāo)跟蹤算法遇到目標(biāo)被遮擋時(shí)容易陷入局部最大值，對(duì)快速運(yùn)動(dòng)目標(biāo)容易跟蹤失敗，且無法從失敗中復(fù)原。針對(duì)該問題，利用Kalman預(yù)測(cè)器改進(jìn)CAMShift算法。首先利用Kal
中國(guó)慣性技術(shù)學(xué)報(bào) 2014年4期2014-10-21
- 自適應(yīng)系統(tǒng)中基于場(chǎng)景的信噪比預(yù)測(cè)算法*
法中使用了系統(tǒng)預(yù)測(cè)器和保留預(yù)測(cè)器,系統(tǒng)預(yù)測(cè)器是當(dāng)前系統(tǒng)進(jìn)行信噪比預(yù)測(cè)所使用的預(yù)測(cè)器,輸出預(yù)測(cè)信噪比值,保留預(yù)測(cè)器用于信道突變場(chǎng)景的信噪比預(yù)測(cè)中,在滿足突變標(biāo)志位flag=0的條件下,如果信道在i時(shí)刻發(fā)生突變,則i-1時(shí)刻的系統(tǒng)預(yù)測(cè)器成為保留預(yù)測(cè)器,保留預(yù)測(cè)器輸出的預(yù)測(cè)信噪比稱為保留預(yù)測(cè)信噪比,保留預(yù)測(cè)器以保留預(yù)測(cè)信噪比值作為保留預(yù)測(cè)器的輸入,同時(shí)輸出下一時(shí)刻的保留預(yù)測(cè)信噪比值,當(dāng)保留預(yù)測(cè)器成為系統(tǒng)預(yù)測(cè)器時(shí),保留預(yù)測(cè)信噪比即成為預(yù)測(cè)信噪比。【算法1】步驟1:
通信技術(shù) 2014年3期2014-02-09
- 基于分類預(yù)測(cè)器及退化模型的圖像超分辨率快速重建
96)基于分類預(yù)測(cè)器及退化模型的圖像超分辨率快速重建楊 欣1，2費(fèi)樹岷2周大可1唐庭閣1(1南京航空航天大學(xué)自動(dòng)化學(xué)院，南京 210016)(2東南大學(xué)自動(dòng)化學(xué)院，南京 210096)對(duì)基于學(xué)習(xí)的領(lǐng)域嵌套超分辨率重建方法進(jìn)行了有效改進(jìn)，提出了一種基于分類預(yù)測(cè)器以及退化模型的圖像超分辨率重建技術(shù).首先，利用退化模型得到圖像訓(xùn)練集，并基于鄰域嵌套進(jìn)行分塊;其次，根據(jù)圖像各自特點(diǎn)提取灰度和梯度特征，并進(jìn)行特征融合，從而實(shí)現(xiàn)了訓(xùn)練過程中噪聲信息的有效抑制及圖像中邊
- Adaboost算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究＊
t算法組成的強(qiáng)預(yù)測(cè)器的方法，并用UCI數(shù)據(jù)庫中的數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn)，證明本文所提方法的有效性。2 BP神經(jīng)網(wǎng)絡(luò)與Adaboost算法2.1 BP神經(jīng)網(wǎng)絡(luò)原理BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督學(xué)習(xí)多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號(hào)前向傳遞、誤差反向傳播［7］。在信號(hào)前向傳遞過程中，輸入信號(hào)從輸入層進(jìn)入，經(jīng)過隱含層處理，到達(dá)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(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從
計(jì)算機(jī)工程與科學(xué) 2013年8期2013-09-05
- 多項(xiàng)式預(yù)測(cè)濾波技術(shù)在智能控制中的應(yīng)用
方法，如牛頓型預(yù)測(cè)器。對(duì)于確定性信號(hào)預(yù)測(cè)也可以應(yīng)用牛頓型預(yù)測(cè)器、FIR預(yù)測(cè)器、IIR預(yù)測(cè)器、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器[1]和模糊系統(tǒng)預(yù)測(cè)器[2]等。多項(xiàng)式預(yù)測(cè)濾波技術(shù)可以應(yīng)用在平滑的實(shí)際信號(hào)采樣處理過程中。將平滑信號(hào)建模為多項(xiàng)式信號(hào)模型并作為多項(xiàng)式預(yù)測(cè)濾波器的處理對(duì)象，是基于兩點(diǎn)原因：首先，假定采樣速率足夠大，所有客觀存在的信號(hào)會(huì)表現(xiàn)出類似分段多項(xiàng)式的特征；其次，基于多項(xiàng)式的信號(hào)處理計(jì)算效率高[3]。從定義上看，多項(xiàng)式預(yù)測(cè)濾波器能夠估計(jì)類似多項(xiàng)式形式的信號(hào)的未來值。
長(zhǎng)春師范大學(xué)學(xué)報(bào) 2013年4期2013-08-08
- 多自由度遙操作系統(tǒng)的適應(yīng)性波預(yù)測(cè)控制
結(jié)合，同時(shí)利用預(yù)測(cè)器的預(yù)測(cè)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(chǔ)上提高系統(tǒng)的透明性[3-8]。系統(tǒng)執(zhí)行任務(wù)過程中，從端環(huán)境往往是變化的，例如從端機(jī)器人從自由空間到剛性接觸的過程中，預(yù)測(cè)模型和實(shí)際模型就產(chǎn)生了偏差。錯(cuò)誤的預(yù)測(cè)模型會(huì)影響遙操作系統(tǒng)的穩(wěn)定性和透明性[9]。要求預(yù)測(cè)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(yīng)能力的遙操作系統(tǒng)的波預(yù)測(cè)方法研究得還很少。此外，目前大多數(shù)有關(guān)波變量的研究都是針對(duì)單自由度的主從遙操作系統(tǒng)。實(shí)際上，就遙操
計(jì)算機(jī)工程與應(yīng)用 2013年11期2013-08-04
- 基于預(yù)測(cè)極性動(dòng)態(tài)變換的分支預(yù)測(cè)框架研究
令分配一個(gè)分支預(yù)測(cè)器[5]，預(yù)測(cè)器通過訓(xùn)練記錄對(duì)應(yīng)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(yù)測(cè)信息。分支預(yù)測(cè)錯(cuò)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(diǎn)放在減小破壞性分支重名概率上。文獻(xiàn)[8]改變分支模式表中預(yù)測(cè)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(biāo)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(diǎn)是需要結(jié)合BTB協(xié)同工作，設(shè)計(jì)復(fù)雜度高。文獻(xiàn)[9]將分支模式表分為一個(gè)跳轉(zhuǎn)
電子與信息學(xué)報(bào) 2013年4期2013-05-27
- 改進(jìn)的時(shí)變非線性負(fù)荷預(yù)測(cè)組合算法
法，該算法在基預(yù)測(cè)器中增加了基于最大Lyapunov指數(shù)的混沌時(shí)間序列預(yù)測(cè)模型，其中最大Lyapunov指數(shù)為序列特征屬性，在進(jìn)行組合預(yù)測(cè)時(shí)將序列的特征屬性和基預(yù)測(cè)器預(yù)測(cè)的結(jié)果形成元知識(shí)，作為元預(yù)測(cè)器的輸入，從而發(fā)現(xiàn)并且糾正基預(yù)測(cè)器的系統(tǒng)偏差。在元預(yù)測(cè)器中，通過門控網(wǎng)絡(luò)確定各基預(yù)測(cè)器的權(quán)重，保證了權(quán)重的時(shí)變性和非負(fù)性。預(yù)測(cè)結(jié)果表明，該算法的預(yù)測(cè)精度較高，具有實(shí)際應(yīng)用價(jià)值。組合預(yù)測(cè)； 元學(xué)習(xí)； 門控網(wǎng)絡(luò)； 最大李雅普諾夫指數(shù)； 超短期負(fù)荷預(yù)測(cè)數(shù)學(xué)模型是理想的
- 基于AdaBoost與BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)研究
神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測(cè)器，通過反復(fù)的訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出，最終得到由多個(gè)BP神經(jīng)網(wǎng)絡(luò)組成的強(qiáng)預(yù)測(cè)器。1 預(yù)測(cè)模型1.1 BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)即采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)。其重要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。前向傳遞中，輸入信號(hào)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(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閥值，使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(yù)測(cè)模型
提高任意給定弱預(yù)測(cè)器的預(yù)測(cè)精度，在許多機(jī)器學(xué)習(xí)的問題中都得到了成功的應(yīng)用。為了提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，克服BP神經(jīng)網(wǎng)絡(luò)權(quán)值初始化的局限性和訓(xùn)練樣本的主觀因素，本文將AdaBoost算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，構(gòu)建了BP-adaboost算法來預(yù)測(cè)電廠氮氧化物排放量。本文利用BP-adaboost算法，以某電廠600MW機(jī)組鍋爐為例建立了氮氧化物排放特性預(yù)測(cè)模型。結(jié)果表明，與單純的 BP網(wǎng)絡(luò)所建模型相比，所建模型能夠更加準(zhǔn)確地預(yù)測(cè)不同運(yùn)行工況下的氮氧化物排
電氣技術(shù) 2012年5期2012-06-23
- 預(yù)測(cè)飛行路徑透視顯示方法研究
［1］。而帶有預(yù)測(cè)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(yù)測(cè)位置信息，飛行員只需在一個(gè)接近真實(shí)情景中控制飛機(jī)沿隧道中心飛行，即可完成對(duì)航跡的控制，從而大大減輕了駕駛員的負(fù)擔(dān)。預(yù)測(cè)飛行路徑顯示有多種算法，文獻(xiàn)［2］中給出了“圓形預(yù)測(cè)算法”和“全圍預(yù)測(cè)算法”，文獻(xiàn)［3］應(yīng)用這些算法設(shè)計(jì)了橫側(cè)向預(yù)測(cè)顯示器，文獻(xiàn)［4］基于人工控制理論從駕駛員角度進(jìn)行了分析，文獻(xiàn)［5］對(duì)縱向和橫側(cè)向通道預(yù)測(cè)顯示器進(jìn)行了初步的設(shè)計(jì)。但
電光與控制 2010年8期2010-07-04