针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特...针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法。该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集。首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集。最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验。通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度。展开更多
针对过程复杂且结构未知的对象,在保证模型有效性的前提下,根据数据信息构建简单模型来简化控制器的求解是亟待解决的问题。以受控自回归模型为例,提出一种基于修正最小角回归算法的稀疏辨识方法。首先将系统模型转化为过参数化的高维...针对过程复杂且结构未知的对象,在保证模型有效性的前提下,根据数据信息构建简单模型来简化控制器的求解是亟待解决的问题。以受控自回归模型为例,提出一种基于修正最小角回归算法的稀疏辨识方法。首先将系统模型转化为过参数化的高维稀疏模型,然后将最小角回归算法用于稀疏系统辨识,并提出绝对角度停止准则,使算法经过少量的迭代即可获得模型的稀疏参数估计,并同时获得有效的时滞和阶次估计。结合辨识得到的受控自回归模型,引入一种基于指定相位点频率和增益的比例-积分-微分(proportional integral derivative,PID)控制器。数值仿真和平衡机器人的姿态控制仿真表明,该稀疏辨识算法在低数据量下具有较高的辨识精度,建立的模型具有较好的泛化性能,控制器具有良好的控制效果。展开更多
为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应...为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应力场反演方法。该方法首先通过对候选边界条件应力矩阵和实测应力矩阵进行Frobenius范数标准化处理,消除不同边界条件数据量级差异的影响;然后,利用LASSO回归的L1正则化约束,从候选边界条件的回归系数路径图中筛选关键影响因素,剔除冗余与弱相关项;最后,针对筛选出的核心变量,采用普通最小二乘回归进行无偏估计,构建兼具稀疏性与准确性的地应力场反演模型。研究结果表明:1)在工程应用实例中,借助LASSO回归从11个候选边界条件中筛选出5个关键因素,显著降低模型复杂度;2)模型正则化参数在标准误差内取值,拟合结果能够保持较高的复相关系数(R=0.995 2),表明筛选后的边界条件有效捕捉了初始地应力场特征;3)初始地应力场反演模型通过LASSO回归筛选,在解析多重边界相互作用时表现出较高的稳定性和物理合理性;4)与传统方法相比,该方法能有效避免初始地应力场反演出现过拟合问题,提高反演结果的鲁棒性。展开更多
在以太阳作为目标源的天文测速导航中,多普勒速度量测量存在较多野值误差,严重影响导航精度。对此,提出一种基于高斯过程回归与无迹卡尔曼滤波(Gaussian process regression and unscented Kalman filtering,GPR-UKF)的野值检测修复方法...在以太阳作为目标源的天文测速导航中,多普勒速度量测量存在较多野值误差,严重影响导航精度。对此,提出一种基于高斯过程回归与无迹卡尔曼滤波(Gaussian process regression and unscented Kalman filtering,GPR-UKF)的野值检测修复方法,建立速度量测量的动态预测模型。此外,还针对不同参数对模型精度的影响进行研究。经仿真验证,所提方法效果显著优于传统野值处理方法。展开更多
文摘针对过程复杂且结构未知的对象,在保证模型有效性的前提下,根据数据信息构建简单模型来简化控制器的求解是亟待解决的问题。以受控自回归模型为例,提出一种基于修正最小角回归算法的稀疏辨识方法。首先将系统模型转化为过参数化的高维稀疏模型,然后将最小角回归算法用于稀疏系统辨识,并提出绝对角度停止准则,使算法经过少量的迭代即可获得模型的稀疏参数估计,并同时获得有效的时滞和阶次估计。结合辨识得到的受控自回归模型,引入一种基于指定相位点频率和增益的比例-积分-微分(proportional integral derivative,PID)控制器。数值仿真和平衡机器人的姿态控制仿真表明,该稀疏辨识算法在低数据量下具有较高的辨识精度,建立的模型具有较好的泛化性能,控制器具有良好的控制效果。
文摘为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应力场反演方法。该方法首先通过对候选边界条件应力矩阵和实测应力矩阵进行Frobenius范数标准化处理,消除不同边界条件数据量级差异的影响;然后,利用LASSO回归的L1正则化约束,从候选边界条件的回归系数路径图中筛选关键影响因素,剔除冗余与弱相关项;最后,针对筛选出的核心变量,采用普通最小二乘回归进行无偏估计,构建兼具稀疏性与准确性的地应力场反演模型。研究结果表明:1)在工程应用实例中,借助LASSO回归从11个候选边界条件中筛选出5个关键因素,显著降低模型复杂度;2)模型正则化参数在标准误差内取值,拟合结果能够保持较高的复相关系数(R=0.995 2),表明筛选后的边界条件有效捕捉了初始地应力场特征;3)初始地应力场反演模型通过LASSO回归筛选,在解析多重边界相互作用时表现出较高的稳定性和物理合理性;4)与传统方法相比,该方法能有效避免初始地应力场反演出现过拟合问题,提高反演结果的鲁棒性。
文摘在以太阳作为目标源的天文测速导航中,多普勒速度量测量存在较多野值误差,严重影响导航精度。对此,提出一种基于高斯过程回归与无迹卡尔曼滤波(Gaussian process regression and unscented Kalman filtering,GPR-UKF)的野值检测修复方法,建立速度量测量的动态预测模型。此外,还针对不同参数对模型精度的影响进行研究。经仿真验证,所提方法效果显著优于传统野值处理方法。
