基于贯序正则极端学习机的时间序列预测及其应用

为实现对液压泵特征参数的在线预测,提出一种贯序正则极端学习机(SRELM),并研究了基于SRELM的预测方法.SRELM根据结构风险最小化原理实现网络训练,其网络权值可随新样本的逐次加入而递推求解,具有泛化能力强与训练速度快的优点,因此适于特征参数的在线预测.基于SRELM的预测方法利用特征参数训练SRELM模型,以逐...     

基于滑动时窗策略自适应优化支持向量机的航空发动机性能参数在线预测

针对传统航空发动机性能参数时间序列预测方法存在的不足,提出了基于滑动时窗策略自适应优化支持向量机(Support Vector Machine,SVM)在线预测模型。该方法解决了训练样本动态适应性差的特点和老旧数据信息影响预测模型精度的问题。在该方法中,滑动时窗策略实时更新时窗数据训练样本,最终误差预报准则(Final Prediction Error,FPE)自适应地确定嵌入维数,遗传算法(Genetic Algorithm,GA)则实时自适应优化SVM建模参数。应用航空发动机排气温度偏差值(Delta Exhaust Gas Temperature,DEGT)数据进行实例验证,结果表明基于滑动时窗策略的自适应GA优化的SVM (GASVM)在线预测模型比传统的GASVM预测模型预测精度有显著提高。进一步分析了预测模型不同时窗宽度对短期预测精度的影响,展示了1步～10步预测的效果,结果表明在线预测模型在不同时窗宽度下短中期(5步以内)预测效果良好且稳定。文中提出的在线预测模型可用于航空发动机性能参数的预测,实现对航空发动机未来性能变化的预警。     

基于OCKELM与增量学习的在线故障检测方法

针对航空电子设备故障检测样本少、以及缺乏在线实时检测理论研究的问题，将一类核极限学习机(OCKELM)和数据增量学习(IL)相结合，实现对贯序来临的样本数据在线故障检测。基于正常状态下的样本数据，给出了OCKELM的核化形式，并推导了核函数和核权重向量的表达式；根据增量学习方法，在吸收新样本时更新核权重向量并估计样本输出值；最终基于2种阈值准则给出模型的检验阈值，对测试样本进行在线故障检测。将所提方法应用于UCI数据集和某航空电子设备的测试数据，实验结果表明：该方法的时间消耗在毫秒级别，实现了在线检测；且相比于现有的SVDD、PCA、OC-SVM方法，该方法在F1、AUC、G-mean和故障检测率等性能指标方面均表现优异。     

基于ESN的航空发动机状态组合预测方法

基于回声状态网络(ESN)预测模型,结合小波分析和主元分析,提出一种组合预测方法.首先对含噪非线性时间序列进行小波降噪,并重构时间序列产生训练样本,再将训练样本通过主元分析进行降维处理,降维后的时间序列数据则输入ESN模型进行预测分析.对控制飞机动力输出的动压参数非线性时间序列数据进行了仿真对比实验,结果表明:组合预测方法的5步和单步预测速度累计提高了66.97%,预测的平均平方误差、标准均方根误差和归一化绝对误差也均有较大提高.该方法与传统基于ESN的预测模型相比,能有效地提高预测的效率和精度,是一种有效的非线性时间序列预测方法.      

基于在线滚动序列核极限学习机的涡轴发动机非线性模型预测控制

针对涡轴发动机控制系统设计,提出了1种基于在线滚动序列核极限学习机的非线性模型预测控制方法。综合考虑直升机旋翼扭矩、燃气涡轮转速、动力涡轮转速、涡轮级间温度和压气机喘振裕度等信息,设计具有较好实时性、精度和泛化能力的多输出在线滚动序列核极限学习机作为预测模型,引入预测模型输出与发动机输出的误差进行反馈校正,利用序列二次规化算法在线求解包含限制约束的预测控制问题。在某型直升机/涡轴发动机综合平台的仿真环境中进行了直升机大幅度机动飞行仿真验证,结果表明:该模型预测控制器相比于传统串级控制具有更好的控制品质,可显著降低动力涡轮转速超调/下垂量。     

一种可用于航空发动机健康状态预测的动态集成极端学习机模型

提出一种动态集成极端学习机模型用于航空发动机健康状态预测.采用AdaBoost.RT集成学习算法对极端学习机（ELM）进行集成,在训练时采用每个训练样本的近邻样本对ELM的局域性能进行评估;在预测时首先确定新样本在训练样本集中的近邻样本,然后根据ELM在近邻样本上的性能来赋予集成权值实现弱学习机的动态集成.以燃油流量为指标进行航空发动机健康状态预测,动态集成ELM模型短期预测结果的平均相对误差绝对值（MAPE）为3.688%,小于单一ELM模型的3.830%以及静态集成ELM模型的3.719%;长期预测结果中动态集成ELM模型的MAPE为3.075%,小于单一ELM模型的4.355%以及静态集成ELM模型的3.884%.因此动态集成ELM模型更适用于航空发动机健康状态预测.      

基于动态集成算法的航空发动机气路参数预测

针对单一学习机对航空发动机气路参数预测困难的问题,提出了基于动态加权核密度估计（DWKDE)组合方法的集成预测算法,该组合方法选择测试样本的近邻样本,通过评估学习机在近邻样本的局部性能动态确定各学习机的权值,并基于该权值利用加权核密度估计实现数据序列的集成预测。该组合方法不易受离群值和样本不对称分布的影响,将该组合方法用于AdaBoost.RT和AdaBoost.R2算法,获得了改进后的集成学习算法。实验证明:相比于神经网络和原始集成学习算法,改进后的集成学习算法较好地提高了航空发动机气路参数序列的预测精度,方均根误差（RMSE)指标至少可降低27%。      

基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测

目标机动轨迹预测是空战态势感知和目标威胁评估的重要前提。针对传统目标机动轨迹预测模型复杂度大、预测精度低等问题，结合目标机动轨迹时间序列的混沌特性，提出一种基于相空间重构理论和Volterra泛函级数的目标机动轨迹预测模型。该模型首先采用0-1检测法验证了目标机动轨迹时间序列具有混沌特性；其次，利用C-C法确定嵌入维数和时间延迟，对目标机动轨迹时间序列进行了相空间重构；然后，引入Volterra泛函级数预测模型，为了克服高阶Volterra核函数求解复杂的难题，提出一种混沌变异自适应粒子群算法，构建一种基于改进粒子群算法辨识的Volterra级数预测模型，并将其应用于目标机动轨迹预测；最后，将所提算法与卡尔曼滤波算法以及机器学习算法进行单步和多步预测对比，同时将改进粒子群算法与其他智能算法进行性能比较。仿真结果表明：所提预测模型具有良好的单步和多步预测性能，改进的粒子群算法具有参数辨识精度高、收敛速度快的优点。     

基于在线LS-SVM算法的变参数混沌时间序列预测

研究利用最小二乘支持向量机(LS-SVM)预测变参数混沌时间序列。变参数混沌系统适合于描述现实中的复杂混沌现象,但由于参数的慢变导致系统动力学特性不断发生变化,基于Tan-kens嵌入定理的建模预测方法难以适用,其时间序列预测可以看作是小样本学习问题。最小二乘支持向量机是在二次损失函数下采用等式约束求解问题的一种支持向量机,保留支持向量机优点同时计算量大大减少。提出用一种具有遗忘机制的最小二乘支持向量机在线递推算法,并引入历史数据的高次项预测变参数混沌时间序列。对典型变参数混沌时间序列的预测结果表明,该方法具有较高预测精度,能快速跟踪预测变参数混沌时间序列。     

嵌入维数自适应最小二乘支持向量机状态时间序列预测方法

针对航空发动机状态时间序列预测中嵌入维数难于有效选取的问题,提出一种基于嵌入维数自适应最小二乘支持向量机(LSSVM)的预测方法.该方法将嵌入维数作为影响状态时间序列预测精度的重要参数,以交叉验证误差为评价准则,利用粒子群优化(PSO)进化搜索LSSVM预测模型的最优超参数与嵌入维数,同时通过矩阵变换原理提高交叉验证过程的计算效率,并最终建立优化后的LSSVM预测模型.航空发动机排气温度(EGT)预测实例表明,该方法可自适应选取适用于状态时间序列预测的最优嵌入维数且预测精度高,适用于航空发动机状态时间序列预测.