由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,...由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,采用数据预处理和特征选择操作筛选出最适合建模的特征变量.其次,使用基于Stacking的RF-ET算法对指标进行点预测,该算法使得模型有较高的准确性和泛化性.然后,采用KDE算法计算指标的预测误差,得到了一定置信水平下的分布区间和区间预测结果.最后,用所建模型与其余组合模型进行对比.结果表明,RF-ET算法有较高的点预测效果,KDE算法可以很好地量化指标的误差,可以得到较高可靠度的区间预测结果.展开更多
锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定...锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。展开更多
区别于经典的基于Parzen窗口法的概率密度函数估计器构建策略,提出了基于近邻误差度量函数的启发式核密度估计器(Heuristic kernel density estimator,HKDE),用以提升对模相近数据概率密度函数拟合的准确性。首次从数据不确定性和模型...区别于经典的基于Parzen窗口法的概率密度函数估计器构建策略,提出了基于近邻误差度量函数的启发式核密度估计器(Heuristic kernel density estimator,HKDE),用以提升对模相近数据概率密度函数拟合的准确性。首次从数据不确定性和模型不确定性的角度分析了传统核密度估计器解决模相近数据概率密度函数估计问题时的缺陷:利用概率密度值对于直方图箱宽参数的收敛性确定观测数据的启发式概率密度值,降低数据概率密度值计算的不确定性;基于启发式概率密度值构建用于确定核密度估计器最优带宽的目标函数,降低最优带宽优化过程中的不确定性。在18个模相近数据集上对新估计器HKDE的可行性、合理性和有效性进行了系统性的验证。实验结果表明,与7种具有代表性的概率密度函数估计器相比,HKDE能够获得更加优异的概率分布近似表现,具有比其他估计器更低的估计误差,能够确定出更接近真实值的概率密度函数估计值。展开更多
提出了一种自适应的核密度估计(Kernel density estimation,KDE)运动检测算法.算法首先提出一种自适应前景、背景阈值的双阈值选择方法,用于像素分类.该方法用双阈值克服了单阈值分类存在的不足,阈值的选择能自适应进行,且能适应不同的...提出了一种自适应的核密度估计(Kernel density estimation,KDE)运动检测算法.算法首先提出一种自适应前景、背景阈值的双阈值选择方法,用于像素分类.该方法用双阈值克服了单阈值分类存在的不足,阈值的选择能自适应进行,且能适应不同的场景.在此基础上,本文提出了基于概率的背景更新模型,按照像素的概率来更新背景,并利用帧间差分背景模型和KDE分类结果解决背景更新中的死锁问题,同时检测背景的突然变化.实验证明了所提出方法的适应性和可靠性.展开更多
文摘由于烧结过程中存在众多不确定性因素,使得机理分析和点预测结果的可靠性不足.基于此提出随机森林-极限树-核密度估计(random forest-extreme tree-kernel density estimation,RF-ET-KDE)算法对物理指标(粒度、水分)进行区间预测.首先,采用数据预处理和特征选择操作筛选出最适合建模的特征变量.其次,使用基于Stacking的RF-ET算法对指标进行点预测,该算法使得模型有较高的准确性和泛化性.然后,采用KDE算法计算指标的预测误差,得到了一定置信水平下的分布区间和区间预测结果.最后,用所建模型与其余组合模型进行对比.结果表明,RF-ET算法有较高的点预测效果,KDE算法可以很好地量化指标的误差,可以得到较高可靠度的区间预测结果.
文摘锂电池健康状态(state of health, SOH)的退化过程在一定程度上是一个非平稳随机过程,使得当前多数点估计机器学习方法在实际应用中受到限制。基于贝叶斯理论的高斯过程回归(Gaussian process regression,GPR),因可输出估计结果的不确定性,近年来在锂电池SOH区间估计中得到广泛应用。然而,GPR的性能很大程度上取决于其核函数的选择,当前研究多凭借经验选用固定单一核函数,无法适应不同的数据集。为此,本文提出一种基于自适应最优组合核函数GPR的锂电池SOH区间估计方法。该方法首先从电池充放电数据中提取出多个健康因子(health factor, HF),并采用皮尔森相关系数法优选出6个与SOH高度相关的健康因子作为模型的输入。然后,在当前常用的7个核函数集合上,通过两两随机组合构造新的组合核函数,并利用交叉验证自适应优选出最优组合核函数。采用3个不同数据集对所提方法进行了验证,结果表明:本文方法具有出色的SOH区间估计性能。在3个公开数据集上,平均区间宽度指标在0.0509以内,平均区间分数大于-0.0004,均方根误差小于0.0181。
文摘区别于经典的基于Parzen窗口法的概率密度函数估计器构建策略,提出了基于近邻误差度量函数的启发式核密度估计器(Heuristic kernel density estimator,HKDE),用以提升对模相近数据概率密度函数拟合的准确性。首次从数据不确定性和模型不确定性的角度分析了传统核密度估计器解决模相近数据概率密度函数估计问题时的缺陷:利用概率密度值对于直方图箱宽参数的收敛性确定观测数据的启发式概率密度值,降低数据概率密度值计算的不确定性;基于启发式概率密度值构建用于确定核密度估计器最优带宽的目标函数,降低最优带宽优化过程中的不确定性。在18个模相近数据集上对新估计器HKDE的可行性、合理性和有效性进行了系统性的验证。实验结果表明,与7种具有代表性的概率密度函数估计器相比,HKDE能够获得更加优异的概率分布近似表现,具有比其他估计器更低的估计误差,能够确定出更接近真实值的概率密度函数估计值。
文摘提出了一种自适应的核密度估计(Kernel density estimation,KDE)运动检测算法.算法首先提出一种自适应前景、背景阈值的双阈值选择方法,用于像素分类.该方法用双阈值克服了单阈值分类存在的不足,阈值的选择能自适应进行,且能适应不同的场景.在此基础上,本文提出了基于概率的背景更新模型,按照像素的概率来更新背景,并利用帧间差分背景模型和KDE分类结果解决背景更新中的死锁问题,同时检测背景的突然变化.实验证明了所提出方法的适应性和可靠性.
