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...     

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.      

混沌时间序列的神经网络预测研究

研究了一类特殊非线性系统——混沌系统的预测问题。混沌是一种普遍存在的非线性动力学行为,混沌时间序列难以预测和控制,文章先是通过重构系统状态相空间分析混沌时间序列,然后采用多层前向神经网络对其进行预测。对典型的Lorenz和Mackey-Glass混沌序列预测结果表明,如果训练样本足够多,网络结构简单适当,训练后的网络具有很好的泛化性能,说明神经网络预测方法具有较好的工程实用价值。最后分析神经网络初始权值设置对预测性能的影响,指出改进方向。     

混沌时间序列预测算法的优度评价

将优度评价方法运用于混沌时间序列预测算法评价中,确定评价算法的指标体系。建立混沌时间序列预测算法关于各评价指标的关联函数来刻画各评价对象的优秀程度并计算关联度。计算出各评价对象的优度值,将其用于对各算法的综合优度的比较。实例证明,该方法直观、实用,可为混沌时间序列预测算法评价提供定量的依据。     

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。     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。     

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.     

用结构自适应神经网络预测航空发动机性能趋势

 将航空发动机作为复杂非线性系统考虑,运用神经网络超强的非线性映射能力和非线性时间序列分析的相空间重构理论,建立航空发动机性能趋势预测的神经网络模型,同时,针对神经网络的结构设计困难问题,建立了基于遗传算法的结构自适应神经网络预测模型,实现了神经网络结构的优化。最后,利用三组民航飞机发动机的性能数据进行了预测分析,验证了利用结构自适应神经网络对航空发动机性能趋势进行预测的有效性。     

基于小波分析与支持向量机的时间序列预测

时间序列广泛存在于工业、经济、军事等各个领域,时间序列预测是数据分析处理的一个重要方面。目前提出的预测模型大多基于＂原始时间序列是无噪的＂这一假定,而实际应用中,对时间序列去噪处理的好坏将直接影响预测的准确率,针对这一事实,使用小波分析对原始时间序列去噪。利用小波变换对时间序列进行多尺度分解,对各尺度上的细节序列使用阀值法去噪;使用支持向量机对重构后的各组小波系数进行预测并将结果融合,得到预测结果。实验结果表明,用于时间序列预测,能及时反应序列的变化趋势并具有较高的预测精度。     

基于最小二乘支持向量回归的混沌时间序列预测研究

研究利用最小二乘支持向量机预测混沌时间序列。混沌时间序列预测是典型的小样本学习问题,基于结构风险最小化原理的支持向量机方法,克服了神经网络易于陷入局部极值点等缺点,能够获得全局最优解。最小二乘支持向量机是一种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,在保留支持向量机优点的同时使计算量大大减少。对典型混沌时间序列的预测结果表明,最小二乘支持向量机回归预测方法具有良好的泛化推广性能,预测精度高,适合于复杂非线性时问序列建模预测。     

基于极限学习机的修正当前统计模型跟踪算法

针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法.ELM的训练结果表明...     

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。     

基于极限学习机的黑障区智能导航算法

在黑障区飞行阶段中,惯性导航系统会因缺少辅助导航系统而持续累积误差,导致飞行器导航系统可靠性下降。针对这一问题,提出了一种新的基于极限学习机的黑障区智能导航算法,通过极限学习机(ELM)对GPS正常工作的导航信息进行学习。在黑障区,利用学习得到的模型对惯性导航系统进行误差补偿,较好地修正了当GPS失锁时惯性导航系统的误差,避免了因误差累积而导致的导航信息发散。仿真结果表明,该算法能够保证在GPS失锁的黑障区中导航系统输出的信息有较好的可靠性和精度,能够为接下来的姿态调整和着陆准备提供良好的基础。     

基于聚类与粒子群极限学习机的航空发动机推力估计器设计

针对航空发动机推力不可测,部件级模型求解推力精度不高、实时性差的问题,提出了基于快速寻找密度极点聚类与粒子群极限学习机的航空发动机推力估计方法。首先利用基于快速寻找密度极点的聚类算法对全工况范围内的台架试车数据聚类,然后在每一个子类中,用粒子群极限学习机设计了子推力估计器。在子类推力估计过程中,为使网络拓扑结构最优,用粒子群算法寻找极限学习机的最优隐层神经元数目的方法。训练与测试表明,推力估计测试相对误差最大值为3.06‰,优于传统的RBF(7.25‰)与BP(14.84‰)神经网络方法,能够满足直接推力控制与机载在线实时状态评估的需求,且可将方法扩展到其他不可测参数的估计。     

基于分解-粒化和优化极限学习机的燃油泵性能退化趋势预测

机载燃油泵的性能退化呈现非线性多阶段模式,为了提高机载燃油泵性能退化指标的预测精度,得到性能退化指标准确的预测范围,提出了基于奇异值分解-模糊信息粒化与优化极限学习机的模糊粒化预测方法。针对传统的粒化预测方法直接对原始序列进行粒化分析的不足,首先利用奇异值趋势分解方法提取燃油泵性能退化指标序列的趋势项及去趋势项,再利用信息粒化方法对去趋势项进行模糊粒化;然后将趋势项及粒化后的去趋势项数据输入至极限学习机进行回归预测,并采用粒子群算法优化极限学习机参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,该方法可以有效跟踪燃油泵性能退化指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于K-均值聚类与粒子群核极限学习机的推力估计器设计

鉴于航空发动机直接推力控制与健康管理需要高精度及高实时性的推力估计器,提出了一种基于K-均值聚类与粒子群优化的核极限学习机推力估计方法。采用K-均值聚类对全工况范围内的测量数据进行聚类,在每一个子类中,通过核极限学习机建立推力估计器,采用粒子群算法对核极限学习机的核参数和惩罚系数进行优化,利用了核极限学习机稳定性好、非线性拟合能力强的特点,实现了对发动机推力的估计。经涡扇发动机台架试车数据训练与测试表明,本推力估计方法平均预测时间为0.27ms,实时性满足机载在线状态评估和直接推力控制需求,且在估计精度上较现有方法存在一定优势。