您的位置： 专家智库 > >

国家技术创新计划(07C26214301740)

作品数：5 被引量：13H指数：2
相关作者：周欣然滕召胜易钊赵新闻蒋星军更多>>
相关机构：湖南大学中南大学湖南广播电视大学更多>>
发文基金：国家自然科学基金国家技术创新计划更多>>
相关领域：自动化与计算机技术更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 5篇自动化与计算...

主题

  • 4篇支持向量
  • 4篇支持向量机
  • 4篇最小二乘
  • 4篇最小二乘支持...
  • 4篇向量机
  • 4篇LSSVM
  • 1篇多输出
  • 1篇多输入多输出
  • 1篇多输入多输出...
  • 1篇学习算法
  • 1篇在线过程辨识
  • 1篇时变非线性
  • 1篇时变非线性系...
  • 1篇偏置
  • 1篇稀疏性
  • 1篇线性系
  • 1篇协同进化
  • 1篇滤波
  • 1篇滤波算法
  • 1篇进化

机构

  • 5篇湖南大学
  • 5篇中南大学
  • 1篇湖南广播电视...

作者

  • 5篇滕召胜
  • 5篇周欣然
  • 2篇易钊
  • 1篇赵新闻
  • 1篇蒋星军

传媒

  • 2篇系统工程与电...
  • 1篇模式识别与人...
  • 1篇湖南大学学报...
  • 1篇计算机应用

年份

  • 3篇2010
  • 2篇2009
共 5 条 记 录，以下是 1-5
全选 清除 导出
排序方式：
基于混合协同粒子群优化的广义T-S模糊模型训练方法被引量：1
2009年
针对广义Takagi-Sugeno(T-S)模糊模型训练中存在的高维、非线性、混合参数估计问题,提出了一种基于混合协同粒子群优化的广义T-S模糊模型训练方法。该方法用离散二进制微粒位置表示模型的结构参数,用普通微粒位置表示模型规则中模糊集隶属函数的参数;这两种微粒位置联合体构成一个模型完整的模型前件参数集。两种群通过协同进化优化所有前件参数;模型后件参数用卡尔曼滤波算法估计。该方法不要任何先验知识,能产生紧凑的、泛化性能较好的模糊模型。函数逼近的数字仿真说明了该方法的有效性。
周欣然滕召胜易钊
关键词：协同进化卡尔曼滤波算法
基于LSSVM的MIMO系统快速在线辨识方法被引量：5
2009年
针对时变非线性多输入多输出(MIMO)系统在线辨识较困难的问题,提出一种基于最小二乘支持向量机(LSSVM)的快速在线辨识方法。介绍了现有LSSVM增量式和在线式学习算法,并为它引入了一些加速实现策略,得到LSSVM快速在线式学习算法。将MIMO系统分解为多个多输入单输出(MISO)子系统,对每一个MISO利用一个LSSVM在线建模;这些LSSVM执行快速在线式学习算法。数字仿真显示该方法建模速度快,模型预测精度高。
周欣然滕召胜赵新闻
关键词：时变非线性系统多输入多输出系统最小二乘支持向量机
基于核参数分时段调节型LSSVM的在线过程辨识方法
2010年
利用最小二乘支持向量机(least square support vector machine,LSSVM)在线辨识时变非线性过程时,设定其核参数较困难,设定的核参数不能适应过程变化而进行自动调节。针对此问题,提出了一种基于核参数分时段调节型LSSVM的在线过程辨识方法。该方法利用了三个LSSVM,并将整个建模预测时期分为启动阶段和若干个工作周期。初始阶段末和每个工作周期末选定预测误差和最小的LSSVM,作为后续工作周期的工作LSSVM,同时根据启发式规则为另两个LSSVM设定核参数,它们作为后续工作周期的比较LSSVM。该方法设定核参数相对容易,而且核参数具有一定的自动调节能力。数字仿真显示,从统计角度而言,所提方法比传统方法有更好的适应性。
周欣然滕召胜易钊
关键词：在线过程辨识最小二乘支持向量机核参数
一种在线稀疏LSSVM及其在系统建模中的应用被引量：6
2010年
为了减少在线最小二乘支持向量机(LSSVM)的计算量和存储空间,提出了一种在线稀疏LSSVM.这种LSSVM利用滑动时间窗中部分时刻的样本作为训练样本集.新时刻的样本总是加入训练样本集;每次删除样本时,若滑动时间窗最前端时刻的样本在训练样本集中,则删除它,否则从训练样本集中选择留一法预测误差最小的样本删除.与现有的在线LSSVM相比,这种在线稀疏LSSVM能用较少的样本学习系统较多的特性,能提高时空效率;与现有的在线稀疏LSSVM相比,它能摆脱陈旧样本的影响,更加适应系统的时变性.系统建模仿真实验表明,该在线稀疏LSSVM能节省时间和空间,具有较高的预测精度.
周欣然滕召胜
关键词：最小二乘支持向量机学习算法稀疏性
基于无偏置项LSSVM的稳健在线过程建模方法被引量：1
2010年
针对直接利用最小二乘支持向量机(LSSVM)对动态过程在线建模时预测精度易受过程输出测量值上的粗大误差和噪声影响的问题,在分析样本序列结构特征和噪声作用特征基础上,提出一种基于无偏置项LSSVM的稳健在线过程建模方法.该方法在每一预测周期中根据预测误差与设定阈值之间的关系来识别和恢复异常测量值、识别和修正含噪声测量值,从而降低样本中的噪声,使得出的LSSVM较好地跟踪过程的动态特性.这种在线过程建模方法具有稳健性,能减少输出值上粗大误差和高斯白噪声对LSSVM预测精度的影响,提高预测精度.数字仿真显示该方法的有效性和优越性.
周欣然滕召胜蒋星军
关键词：粗大误差
全选 清除 导出
共1页<1>
聚类工具0