高斯过程回归

摘要： 谐波减速器是工业机器人的关键核心部件,其可靠性的实时评估和剩余寿命预测对于提升工业机器人的工作性能和健康监管具有重要意义.作为一种复杂的高精度机械部件,其退化过程表现出明显的多阶段性特点.因此,针对谐波减速器的退化特性,提出基于Gamma过程的多阶段退化模型对谐波减速器性能退化过程进行精确描述.首先,根据谐波减速器退化趋势的变化,进行多阶段退化过程的划分;然后采用历史性能指标数据,基于最大皮尔逊相关系数准则估计模型先验分布的超参数,建立基于Gamma过程的多阶段退化模型.在此基础上,针对在役设备的实际运行特点和工程现场中性能指标数据获取困难的问题,提出采用振动特征来建立高斯过程回归模型,对性能指标值进行精准预测以实现对退化模型后验分布参数的实时更新.最后在此基础上对谐波减速器进行实时可靠性评估和剩余寿命预测.通过对谐波减速器可靠性实验数据的分析表明,所提出的方法能够实现可靠性的实时评估,并且与单一阶段退化模型相比,该方法对剩余寿命的预测精度更高.

摘要： 针对典型场景生成方法存在未能全面考虑风、光、负荷等不确定因素间的耦合关系、传统聚类方法在高维数据集上表现较差、提取的典型场景不能很好体现原数据特征等问题。首先在改进核函数的基础上,结合贝叶斯公式和多元高斯分布,利用高斯过程回归(GPR)对电力系统中的多种不确定因素的耦合关系进行建模,生成模拟运行数据;其次,采用时序分段典型场景提取方法,划分总调度区间为若干子区间并分别进行中心点聚类,得出子区间带权典型场景并用笛卡尔积连接生成全调度区间典型场景集;然后,应用基于陆地移动距离(EMD)的方法,进行典型场景提取效果评价;最后,通过算例验证了提取的典型场景能更好保留原始基础场景集合的概率分布特性,充分体现原始数据集合中不确定因素之间的耦合关系。结果说明所述方法提取的典型场景能更好体现原数据特征。

摘要： 基于1.5L汽油增压发动机的VVT标定试验,对进排气VVT角度采用拉丁超立方抽样建立试验样本,并构建高斯过程回归模型,通过试验数据分别训练扭矩回归模型和油耗回归模型,使用训练后的回归模型预测发动机扭矩、比油耗。通过与发动机万有特性测试数据对比,结果表明:在发动机扭矩大于25N.m的区域,油耗回归模型的预测值偏差小于5%;在发动机小负荷区域,因测量误差、发动机燃烧等因素影响,油耗回归模型的预测值偏差较高。总而言之,高斯过程回归模型对发动机万有特性的预测具有较高的精度及普适性,为发动机参数的优化工作提供参考。

摘要： 以车灯导光条为研究对象,建立有限元仿真模型,利用高斯过程回归与人工神经网络建立代理模型,并以此作为多目标遗传算法寻优的适应度函数。结果表明:基于代理模型的多目标优化方法可有效快速地获得较佳的成型工艺参数组合;相比人工神经网络算法,高斯过程回归算法更适合小样本复杂数据。研究得到的最佳工艺参数组合为:注射时间2.3 s,熔体温度263°C,模具温度62°C,保压压力124%,保压时间17 s。其对应指标结果为:缩痕为1.3μm,平均体积收缩率为-0.1187%,翘曲变形量3.549 mm。这对于车灯导光条注塑生产质量调控具有重要的指导价值。

摘要： 文中提出了基于改进密度峰值聚类(DPC)的多模型软测量建模方法。首先采用K近邻算法计算局部密度,并用K近邻算法和加权K近邻算法改进剩余点分配策略,划分得到更优的子数据集;然后,建立各个高斯过程回归子模型;最后,对于新接收的数据,利用基于子模型预测性能并结合即时学习自适应地计算出新样本隶属于各个子模型的后验概率,以此为权值融合各个GPR子模型的预测值得到最终输出。通过对标准数据集和硫回收装置数据的仿真,验证了所提方法的有效性。

摘要： 为了提高训练集范围之外行驶工况的预测精度,提出外推高斯过程回归(GPR)方法.首先,采用训练集数据对GPR模型进行预训练,然后在正负3个标准差之间均匀采样构建宽域输入集,以该输入集的预测方差均值最小为目标优化GPR模型超参数.某直喷汽油机转毂试验的结果表明,外推GPR的平均绝对误差为0.53411,比传统GPR降低24.27%,比反向传播神经网络降低36.32%.所提方法可为降低试验成本,提高实际行驶过程排放预测精度提供参考.

摘要： 在大型室内定位场景中,利用接收信号强度的指纹定位算法存在信号传播不稳定、计算复杂度高以及定位精度低等问题。为解决该问题,提出一种动态校正的信号双尺度近邻定位算法。根据目标区域的物理连通性,采用一对多支持向量机构建分区模型,缩小信号变化范围,减小在线阶段的数据计算量。以高斯过程回归训练接入点信号距离模型预测分区路径损耗特性,校正信号波动值,使定位结果更加稳定。在线阶段,引入斯皮尔曼相似系数来衡量信号间的相似度,减小指纹库中异常值带来的影响,基于动态邻近算法计算信号间的差异值,然后使用Blending模型融合算法将这两种尺度进行线性融合,建立具备动态高斯校正能力的双尺度近邻定位算法,并设计环境参数自适应获取近邻k值,减小环境噪声的影响,克服了单一的信号尺度易导致定位结果波动较大的问题。测试结果表明,所提算法在房间和走廊区域定位精度均小于0.5173 m,相较于传统算法,定位精度提升约25%以上。

摘要： 准确的短期电力负荷预测对保证电网安全稳定运行、能量优化管理、提高发电设备利用率和降低运行成本等具有重要作用。传统时间序列分析方法难以学习短期电力负荷数据的非线性特征,因此论文首先将支持向量回归、高斯过程回归和前向神经网络等经典机器学习法应用于短期电力负荷预测的适用性和预测效果进行对比分析;预测评价指标表明机器学习方法能够得到较高的预测精度,适用于处理含强非线性特征的短期电力负荷数据;在此基础上,进一步提出一种基于时间卷积深度学习网络的短期电力负荷预测方法,该模型具有从大样本时间序列中提取特征和实现预测的能力,其模型架构能有效解决深层网络学习的退化问题;最后,以实际电力负荷数据作为算例对所提模型进行测试。实验结果表明,时间卷积网络可以获得更高的预测精度,深度学习方法相较于经典机器学习方法在非线性特征学习方面更具优势。

摘要： 本文在从头算icMRCI+Q水平上,发展了水分子的基态和九个激发态A、I、B、C、D、D'、D''、E'和F的全维绝热势能面.势能面的拟合采用了高斯过程回归并结合置换不变多项式方法.通过选择大的活动空间与添加额外弥散函数的基组来准确描述这些里德堡状态,计算得到的垂直激发能和平衡构型与先前的理论与实验值十分吻合.相对于前三个被广泛研究的低能量电子态,对高激发态光解的理论与实验研究仍然十分有限.本文研究了水在真空紫外光解过程中涉及到的高激发态的全部三个解离通道.特别是基于新发展的势能面,首次清晰地阐明了D-E'、E'-F、A-I、和I-C电子态之间的锥形交叉等信息,文中详细讨论了这些电子激发态的非绝热解离途径,为阐明这些高里德堡态的光解离机制提供了帮助.

摘要： 针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法。仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测。

摘要： 随着电动汽车的发展和应用逐渐广泛，锂离子电池的寿命估计成为一个重要的研究问题。针对锂离子健康状态(State of Health,SOH)在线测量难度大的问题,设计了一种通过充电性能的变化估计SOH的方法,并选取某一段充电时间段作为充电性能的表征量.通过灰色关联分析(Grey Incidence Analysis,GIA)分析了充电性能和SOH之间的关联度,发现有很大的相关性.以充电性能为输入,以SOH为输出,建立了粒子群优化(Particle Swarm Optimization,PSO)和高斯过程回归(Gauss Process Regression,GPR)的模型,对SOH进行估计并给出估计置信区间.结果显示上述模型可以很好地评估SOH.

摘要： 在基于聚类的多模型软测量建模中,如果数据聚类后类别之间界限不明显,常会出现样本类别误划分和类边界处样本估计不准确的问题.对此,本文提出一种基于支持向量数据描述算法的聚类多模型软测量建模方法.该方法首先采用仿射传播聚类算法对数据进行类别划分,利用支持向量数据描述算法划定类边界从而确定样本与各类别的位置关系,根据样本与各类的位置关系信息从高斯过程回归算法建立的子模型、全局模型和局部模型中选择合适的模型对样本进行估计.将工业双酚A生产装置的现场数据建模和仿真,结果表明该方法是有效的.

摘要： 在建立复杂化工过程软测量模型时,使用传统的随机梯度Boosting算法(SGB)建模若收缩参数v选取不当会明显降低算法收敛速度,且极易陷入过拟合,难以取得令人满意的泛化效果.为解决这一问题,本文提出了一种基于SGB集成学习的软测量建模方法,采用高斯过程回归作为基学习器,并针对SGB算法固有的不足,依据每一次迭代中弱学习机的反馈,自适应调整收缩参数v,改善了SGB算法的过度拟合,从而提高了集成模型的估计精度与学习效率.将该方法应用于某双酚A装置的软测量建模中,仿真结果表明相比于传统SGB建模,该方法具有更高的泛化性能和学习效率.

摘要： 激光冲击加工工艺过程的数值模拟因其工艺过程复杂,计算成本高,故难以获得准确的冲击效应预测。采用多输出高斯过程响应面建模方法,对激光冲击表明变形坑的几何特征进行高斯过程响应面建模。研究结果表明,采用高斯过程响应面方法,可实现激光冲击加工模型的待定参数的校准,并且能够实现模型不确定性量化,有效提升了激光冲击加工模型的计算可靠性和计算效率,为工艺过程优化提供了有效的手段。

摘要： 将高斯过程回归融入平方根无迹卡尔曼滤波(SRUKF)算法,本文提出了一种不确定系统模型协方差自适应调节滤波算法。该算法分为学习和估计两部分:学习阶段用高斯过程对训练数据进行学习,得到系统回归模型及噪声协方差;估计阶段由回归模型代替状态方程和观测方程,相应的噪声协方差实时自适应调整。该方法克服了传统方法容易受系统动态模型不确定性和噪声协方差不准确限制的问题,仿真结果验证了算法的有效性。

摘要： 公交短时客流预测对营运调度具有重要意义.客流样本的观测数据具有随机性,随着样本容量的增大,接近正态分布,因此采用高斯过程回归建立预测模型具有良好的通用性.对于偏离正态分布较大的样本采用RBF网络模型进行预测,两种模型的结合可以提高预测精度.以广州市公交IC卡数据为例进行验证,该模型预测的误差在可接受的范围内.结论:采用高斯回归预测方法能够有效的对公交线路客流分布进行短时预测,预测结果满足精度要求,对于小样本偏离正态分布的数据采用RBF网络模型预测方法进行补充,模型的总体拟合效果更好.通过数据进一步挖掘,减少样本观测值的随机因素,该模型的精度将会进一步提高.

摘要： 基于RSSI的WIFI室内定位技术由于成本低廉成为一个研究热点,然而其定位精度受到室内环境复杂性的影响.目前,基于RSSI的WIFI室内定位技术主要分为距离交会定位和指纹匹配定位两类位置估计算法.指纹匹配的WIFI室内定位算法需要巨大的人力成本消耗,而传统的WIFI距离交会定位算法采用的距离损耗模型忽略RSSI随接收器与AP距离的增加的波动项,其距离反演和定位性能大打折扣.因此,本文提出了一种新的基于GPR预测模型的WIFI距离交会定位算法.实验结果分析表明:新算法能够有效的提高距离反演的精度从而提高WIFI室内定位的精度,并且距离反演的精度以及定位精度明显优于基于距离损耗模型的传统WIFI距离交会定位方法.

摘要： 基于RSSI的WIFI室内定位技术由于成本低廉成为一个研究热点,然而其定位精度受到室内环境复杂性的影响.目前,基于RSSI的WIFI室内定位技术主要分为距离交会定位和指纹匹配定位两类位置估计算法.指纹匹配的WIFI室内定位算法需要巨大的人力成本消耗,而传统的WIFI距离交会定位算法采用的距离损耗模型忽略RSSI随接收器与AP距离的增加的波动项,其距离反演和定位性能大打折扣.因此,本文提出了一种新的基于GPR预测模型的WIFI距离交会定位算法.实验结果分析表明:新算法能够有效的提高距离反演的精度从而提高WIFI室内定位的精度,并且距离反演的精度以及定位精度明显优于基于距离损耗模型的传统WIFI距离交会定位方法.

摘要： 基于RSSI的WIFI室内定位技术由于成本低廉成为一个研究热点,然而其定位精度受到室内环境复杂性的影响.目前,基于RSSI的WIFI室内定位技术主要分为距离交会定位和指纹匹配定位两类位置估计算法.指纹匹配的WIFI室内定位算法需要巨大的人力成本消耗,而传统的WIFI距离交会定位算法采用的距离损耗模型忽略RSSI随接收器与AP距离的增加的波动项,其距离反演和定位性能大打折扣.因此,本文提出了一种新的基于GPR预测模型的WIFI距离交会定位算法.实验结果分析表明:新算法能够有效的提高距离反演的精度从而提高WIFI室内定位的精度,并且距离反演的精度以及定位精度明显优于基于距离损耗模型的传统WIFI距离交会定位方法.

摘要： 基于RSSI的WIFI室内定位技术由于成本低廉成为一个研究热点,然而其定位精度受到室内环境复杂性的影响.目前,基于RSSI的WIFI室内定位技术主要分为距离交会定位和指纹匹配定位两类位置估计算法.指纹匹配的WIFI室内定位算法需要巨大的人力成本消耗,而传统的WIFI距离交会定位算法采用的距离损耗模型忽略RSSI随接收器与AP距离的增加的波动项,其距离反演和定位性能大打折扣.因此,本文提出了一种新的基于GPR预测模型的WIFI距离交会定位算法.实验结果分析表明:新算法能够有效的提高距离反演的精度从而提高WIFI室内定位的精度,并且距离反演的精度以及定位精度明显优于基于距离损耗模型的传统WIFI距离交会定位方法.

摘要： 本发明公开了一种基于高斯过程回归和遗传算法的装载机铲装过程优化方法，包括以下步骤：⑴、人工操作进行多次铲装实地作业，提取每次作业的AB、BC、CD和DE四个阶段的装载机位移、动臂油缸位移和转斗油缸位移以及A点的插入瞬时速度，获得多组轨迹特征参数；⑵、编码：⑶、引入适应度函数，适应度函数为高斯过程回归模型⑷、种群进化，设定种群进化次数，每次进化过程如下：①、选择过程；②、交叉过程；③、变异过程；④、进化过程；⑤、重复进行步骤①‑④，直至达到设定的种群进化次数，得到完成进化后的种群；⑸、解码过程：得到最佳轨迹特征参数。本发明方法优化后的装载机铲装自动作业轨迹更为准确，工作效率更高。

摘要： 本发明提供了一种基于高斯过程回归的烧结过程运行性能预测的方法，以田口过程能力指数作为运行性能的评价指标。首先，利用互信息分析方法选择出与运行性能具有较强相互依赖关系的检测参数。将选择出的检测参数作为运行性能预测模型的输入，运行性能作为输出，利用高斯过程回归方法构建运行性能预测模型。将获取的实际烧结过程中的检测数据输入至所述运行性能预测模型，得到当前烧结过程的运行性能。本发明的有益效果是：提高了烧结过程运行性能的预测精度，为操作人员评价烧结过程提供了有力指导，具备实用性，具有广阔的应用前景。

摘要： 结晶过程晶体尺寸分布的及时在线高斯过程回归模型方法，属于工业分布式产品预测技术领域。它包括如下步骤：1、对典型的批量结晶过程提取特征，提取特征参数包括时间、温度和种子长度；2、对提取到的特征建立局部在线高斯过程回归模型进行训练并评估，采用GPR与JIT策略集成对数据进行分析预测。本发明从仿真数据中提取的特征及建立局部在线高斯过程回归模型并对训练模型进行评估，在高斯过程回归模型的基础上集成JIT(just‑in‑time)策略，使其结果更加符合实际标签值，最终其结果可以应用到工业结晶过程的晶体尺寸分布预测过程中，予以一定的指导意义。

摘要： 本发明属于水体遥感技术领域，具体涉及一种基于高斯过程回归的QAA水体固有光学特性反演方法。该方法在使用QAA算法进行水体固有光学特性反演过程中，参考波段λ0的吸收系数a(λ0)和颗粒物后向散射系数光谱斜率Y不再使用经验模型，而利用高斯过程回归构建得到第一反演模型GPR‑a和第二反演模型GPR‑Y，利用这两个模型来计算参考波段λ0的吸收系数a(λ0)和颗粒物后向散射系数光谱斜率Y。相较于传统的QAA算法，本发明方法的反演精度得到了显著提升，且提升了水体适应性，同时由于引入了高斯过程回归，使得其可以评估反演结果的不确定性。

摘要： 本发明涉及一种基于样本点显著性的高斯过程回归序贯设计方法，包括初始建模阶段和序贯设计阶段，初始建模阶段得到初始输入参数集，序贯设计阶段中，先对初始输入参数集进行聚类分析，接着根据每个类别中的样本点的显著性样本率，从剩余样本集中挑选出合适的样本点添加到每个类别中与初始建模样本点融合，然后基于预设的添加样本点的调节因子以及每个类别的显著性样本率，得到每个类别的添加样本量，最后基于添加样本量进行样本点添加。因此，本发明提供的方法并非直接采用高斯过程回归对其建模，而是序贯性增加建模样本量，提升了估计值和预测值稳定性，降低了计算复杂度以及计算耗时，提高建模效率。

摘要： 本发明涉及一种基于高斯过程回归的电机极端工况的温度预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取电机在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；数据传输单元：用以实现终端处理单元和服务器单元之间的数据传输；服务器单元：接收常规工况数据进行预处理形成常规工况数据集，构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型并反馈给终端处理单元；人机交互单元：用以接收电机输入数据，进行电机极端工况性能预测并显示预测结果。与现有技术相比，本发明具有全工况预测、成本低等优点。

摘要： 本发明提供了一种基于高斯过程回归的试验样本点选取方法，包括：在仿真数据进行性态分析的过程中，确定高斯过程回归模型的核函数；确定误差响应函数；获取实际工程问题中性能测试的历史数据，生成训练数据集；导入训练数据集，运用高斯过程回归模型，确定核函数的初始化超参数；进行初始化试验构建；运用高斯过程回归模型进行采样的迭代优化，选取最优采样点集合；迭代优化结束后，输出选取的最优采样点集合。本发明解决了现有技术中试验样本点选取效率低的问题。

摘要： 本发明公开一种基于深度高斯过程回归的图像编码方法，包括：采用编码卷积神经网络得到待编码图像的瓶颈层多通道特征，作为第一特征图；将第一特征图中的每个特征量化为整数，得到第二特征图；基于深度高斯过程回归的自回归模型和超先验模型，对第二特征图的每一个通道，加权组合多个高斯分布的混合高斯分布编码特征，生成特征二进制码流；将超先验模型得到的超先验信息编码为超先验二进制码流；合并超先验二进制码流与特征二进制码流，得到压缩图像的二进制码流。采用非参数化的深度高斯过程回归方法进行自回归建模，将深度高斯过程回归输出的后验分布作为混合高斯模型的均值，可以灵活地获得均值估计的不确定性，从而得到更准确的均值估计。

摘要： 本发明涉及一种基于改进型高斯过程回归的电池老化状态估计方法及系统，涉及电池技术领域。所述方法包括：通过实验获取锂电池在不同SOC区间和不同放电电流倍率下的原始数据集；对原始数据集进行分析，确定模型数据集；将模型数据集划分为训练集和测试集；建立改进型高斯过程回归模型；采用训练集和测试集对改进型高斯过程回归模型进行训练和测试，生成训练好的改进型高斯过程回归模型，对锂电池老化状态进行预测。本发明通过对输入特征值进行耦合处理和添加上一时刻的模型估计值作为输入特征值，减少了模型维度，降低了训练难度，同时还明显提升了电池老化状态估计的精度，大幅减小了预测结果的不确定性。

摘要： 本发明涉及一种基于高斯过程回归的动力设备极端工况性能预测系统，该系统包括：常规工况数据采集单元：用以通过传感设备动态获取动力设备在实验环境下的系统输入、系统输出及环境数据，即常规工况数据；终端处理单元：用以接收常规工况数据并通过数据传输单元发送到服务器单元；服务器单元：构建高斯过程回归模型并进行标准工况和极端工况的训练得到训练好的高斯过程回归模型，将训练好的高斯过程回归模型通过数据传输单元反馈给终端处理单元，并通过人机交互单元人工输入数据，进行动力设备极端工况性能预测并通过人机交互单元将预测结果进行展示。与现有技术相比，本发明具有全工况下性能预测、降低实验成本等优点。