针对高斯过程超参数使用共轭梯度法求解导致的依赖初始值以及容易陷入局部最优解的问题, 提出了一种基于参数非线性动态调整策略的改进粒子群算法, 并应用到超参数求解中。首先, 提出参数动态调整策略, 针对不同的搜索阶段采用不同的参数; 然后,根据免疫思想的浓度调节机制, 提高算法全局搜索能力。仿真实验结果表明,所提算法在最优化求解中能够快速收敛到函数最优值, 同时该算法在求解高斯过程超参数中具有有效性和优越性, 可以为后期预测模型的建立提供精度保障。
故障预测 高斯过程回归 粒子群优化 超参数求解 fault prediction Gaussian process regression particle swarm optimization hyperparameter solving
针对故障诊断过程中传感器信息量大、相关性强、冗余严重的问题, 提出一种灰色Kohonen网络故障诊断方法。该方法首先通过灰色关联分析手段, 分析装备各个状态下指标参数的相关情况, 建立各状态下的灰色关联分析矩阵, 然后引入灰度值这一衡量指标, 量化关联性的强弱关系, 达到相似信息剔除的目的, 最后通过Kohonen网络进行故障诊断。实例验证结果表明, 该方法可在剔除相似信息的情况下保持较高的故障诊断率, 同时做到快速诊断。
故障诊断 灰色关联分析 Kohonen网络 灰色系统 fault diagnosis grey correlation analysis Kohonen network grey system
为了获得更高的预测精度,针对高斯过程回归(GPR)算法在具体应用中出现的依赖核函数的选择以及精度提升空间有限等问题,结合AdaBoost算法思想提出了一种基于AdaBoost.RT算法的GPR预测算法。该算法从统计学角度引入预置阈值的概念,将不同核函数的GPR算法预测结果定性分成正确和错误两部分,并经过两层训练,通过最终权值的大小反映出针对不同核函数的GPR算法的信度大小,最终融合各个核函数输出高质量的预测值。在锂电池的故障预测仿真实验中,该算法的预测相较于传统的GPR算法,平均误差下降了82.14%,证明该算法的合理性和实用性。
AdaBoost算法 高斯过程回归 故障预测 可靠性 AdaBoost algorithm Gaussian Process Regression (GPR) fault prediction reliability
