Gram-Schmidt回归及在刀具磨损预报中的应用

多元线性回归是一种应用广泛的统计分析方法.在实际应用中,当自变量集合存在严重多重相关性时,普通最小二乘方法就会失效.为解决这一问题,利用Gram-Schmidt 正交变换,提出一种新的多元线性回归建模方法——Gram-Schmidt回归.该方法可实现多元线性回归中的变量筛选,同时也解决了自变量多重相关条件下的有效建模问题.将该方法应用于机械加工过程中刀具磨损的预报分析,有效地进行了变量筛选,并得到了解释性强同时拟合优度也很高的模型结果.      

刀具磨损的偏最小二乘回归分析与建模

简述了偏最小二乘回归方法;对在不同切削条件下车削加工过程刀具后刀面磨损的多组实验数据,采用偏最小二乘回归方法,根据变量重要性指标分析和因子载荷分析,从8个变量及其组合中筛选出了6个用于建模的自变量,并以后刀具磨损量作为因变量,建立了对所选自变量(切削速度V、切削分力的均值F_x、F_y和F_z、分力比值F_y/F_x和F_z/F_x等)的偏最小二乘回归模型;采用建模数据覆盖的切削条件下的实验数据和建模数据未覆盖的切削条件下的实验数据,分别对模型进行了验证.结果表明,采用偏最小二乘回归方法选择的自变量是合理的,所建立的刀具磨损的回归模型可以较满意地计算出不同切削条件下刀具后刀面的磨损量.     

偏最小二乘回归模型内涵分析方法研究

偏最小二乘回归是一种新型的多元分析方法。它可以在自变量多重相关的条件下,有效地构造出对系统解释性最强的子空间,进行发建模,使模型的精度和可靠性得到很大的提高。本文提出采用因素分析方法,对偏最小二乘回归的最优子空间进行正交变换。这种变换方法对偏最小二乘回归的模型结果没有任何影响,却可以使最优子空间的实际含义得到更好的解释。案例研究表明,经过正交变换后,原始变量被分为若干变量组,每个变量组分别对应于最     

主成分回归的建模策略研究

分析了国际上通用的主成分回归的工作原理和失效原因.在此基础上,提出一种新的主成分回归建模策略:①提取所有主成分建立模型;②删除模型中t检验不显著的成分;③用t检验显著的成分建立最终需要的模型.由于任一主成分的回归系数和t检验值以及与其余主成分无关.因此,当采用向后删除变量法时,如果有多个成分t检验不显著,则可以将它们同时删除,而无须逐个删除.采用仿真案例对所提出的方法的合理性进行验证.这种新的建模策略可以有效地提取对因变量有较强解释作用的成分,实现在自变量多重相关条件下的回归建模,并且允许在模型中包含所有的原始变量.此外,该方法的成分筛选过程简便,累计计算误差小于偏最小二乘回归等迭代算法.      

一种简化递推偏最小二乘建模算法及其应用

在已有的偏最小二乘相关算法基础上,提出一种简化的递推偏最小二乘算法,即直接采用自变量主元的2个回归系数矩阵来取代残差矩阵进行递推计算,进一步简化了递推计算过程,在保证建模精度的同时,使计算速度提高了近一倍.并以数控铣削加工过程中切削合力峰值在线建模为应用实例,对切削过程z传递函数的参数进行了在线辨识计算,由估计模型重构了切削过程的输出,其结果与实验测量值是一致的,且误差很小.仿真和实验结果表明,该简化递推偏最小二乘建模算法是正确和有效的,并且具有计算量小、辨识速度快、建模效率高等特点,适用于数据量较大、建模速度要求较高的研究对象的在线建模.      

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

两种成分提取回归方法的比较分析

对两种采用成分提取进行回归建模的方法进行比较分析.指出采用主成分分析提取的主成分,虽然能很好地概括自变量系统中的信息,却往往对因变量缺乏解释能力.而采用PLS回归所提取的成分,则能在很好地概括自变量系统信息的同时,最好地解释因变量,排除无意义的信息干扰作用.     

二次代数多项式曲线拟合的一种简易求法——双斜率法

二次多项式曲线拟合是一种最简单的非线性拟合,在仪表、传感器及其元部件的标定试验数据处理中应用较广。使用最小二乘法进行二次多项式曲线拟合,其计算工作量较大,通常需要使用数字计算机和一套专用程序。正如在直线拟合中有一些平均法可用作最小二乘法的近似法一样,本文提出的简易方法也可做为二次多项式最小二乘法曲线拟合的一种近似方法,这种方法远较最小二乘法简单,也比二次插值法简单和优越。在要求中等拟合精度(1%量级)的情况下,用本方法所得结果比较按近最小二乘法的结果。     

基于最小Wilcoxon学习方法的模糊树模型

模糊树方法采用最小二乘法学习模糊规则的后件参数,对例外点敏感.为此采用对例外点不敏感的最小Wilcoxon学习方法代替最小二乘法,提出一种基于最小Wilcoxon学习方法的模糊树建模方法,该方法既改善了模糊树方法对例外点敏感的缺点,又继承了模糊树方法的优点.通过对混沌时间序列预测研究,仿真结果表明:所提方法可以对Mackey-Glass混沌时间序列进行准确预测,验证了该方法的有效性和对例外点的鲁棒性.     

快速Gram-Schmidt回归方法

提出一种快速的变量筛选与回归建模方法.该方法将在建模过程中,一方面筛选出对因变量有最佳解释作用的信息;另一方面基于Gram-Schmidt正交变换,识别和检验模型中的冗余变量,以便能够及时和成批量地删除所有冗余信息.仿真分析指出,在自变量数量巨大,同时变量之间的多重相关程度又非常高的情形下,与经典的逐步回归相比,该方法的计算速度更快,建模过程更加简洁有效.     

活塞式航空发动机的优化与标定

联合发动机循环模拟与标定技术建立小型活塞航空发动机动力性和经济性的多目标优化模型。对校验后的BOOST模型进行DOE(Design of Experiment)正交试验,对试验数据进行统计数学建模,并对局部模型误差进行控制,进行响应面模型分析,通过MBC(Model-Based Calibration)工具箱进行优化标定,选用经济适用的NBI(Normal Boundary Inter-section)进行多目标优化.给出了优化的点火提前角、喷油量的MAP图,优化参数对扭矩和燃油消耗等目标的响应面模型,对提升小型航空发动机性能有重要的参考价值.     

基于Gram-Schmidt过程的判别变量筛选方法

利用Gram-Schmidt过程,在自变量集合中选择对判别分类解释性最强的信息,删除对分类无显著解释作用的信息以及重复解释的信息,并把挑选出来的解释变量集合变换成若干直交变量.一方面实现了判别分析模型中的变量筛选,同时也解决了自变量多重共线条件下的有效建模问题.在选入变量的过程中运用F统计量检验变量的判别作用,更容易被统计应用人员所接受.为了说明所提算法的合理性和有效性,以Fisher判别分析建模为例,通过仿真数据建模取得了合理准确的分析结论.      

基于驻留时间比的近地空间碎片环境建模

为分析近地空间碎片的分布规律,提出了一种以碎片在空间网格内驻留时间为基础的碎片环境统计建模方法.该方法利用多项式拟合和求根方法统计碎片在空间网格内的停留时间,获取模型基础数据,并据此采用多项式预测、插值和时间序列分析等技术,综合分析空间碎片的分布与演化规律.给出了一个基于双行根数(TLE,Two Line Elements)数据的建模实例,该实例通过了ORDEM2000模型的对比验证,并获得了一些更精细的近地空间碎片环境特征.所得建模方法和分析结论可为长期运行的近地航天器轨道设计、碰撞风险评估及防护等提供技术支撑.     

多元线性回归的预测建模方法

根据历史的样本数据,建立多元线性回归的预测模型;从而在不需要未来样本数据的情况下,预测未来时刻多元线性回归模型中的回归参数,以及主要的模型精度评估指标.对多元线性回归模型参数的预测,转化为对其变量集合的增广矩阵的叉积阵的预测.对叉积阵进行谱分解,利用高维群点主轴旋转的预测建模方法,通过Givens变换得到特征向量矩阵的转角值,对自由取值的转角以及特征值建立预测模型.仿真实验例示了该方法的主要计算步骤;计算结果显示,利用本模型得到的拟合值精度较高,预测值真实可信.最终计算结果和实验结果吻合较好,表明这种方法可以用于分析和预测众多领域中因变量对自变量的回归关系问题.      

一种高精度GPS卫星钟差预报方法

为了获得实时高精度GPS钟差,提出了采用快速星历建模进行短期预报。文章先对钟差数据提取趋势项,再利用傅里叶分析研究其周期特征以确定建模与预报时间段长度,最后利用径向基函数(Radial Basis Function,RBF)神经网络建模实时预报钟差。由于RBF神经网络用于非线性数据建模效果良好,在提取线性趋势项并合理确定建模周期后,该方法能够得到较好的预报结果。实际预报结果表明,文中方法得到的预报钟差精度高于超快速星历,能够满足分米级实时精密定位的要求。