High-precision filtering estimation is one of the key techniques for strapdown inertial navigation system/global navigation satellite system(SINS/GNSS)integrated navigation system,and its estimation plays an important...High-precision filtering estimation is one of the key techniques for strapdown inertial navigation system/global navigation satellite system(SINS/GNSS)integrated navigation system,and its estimation plays an important role in the performance evaluation of the navigation system.Traditional filter estimation methods usually assume that the measurement noise conforms to the Gaussian distribution,without considering the influence of the pollution introduced by the GNSS signal,which is susceptible to external interference.To address this problem,a high-precision filter estimation method using Gaussian process regression(GPR)is proposed to enhance the prediction and estimation capability of the unscented quaternion estimator(USQUE)to improve the navigation accuracy.Based on the advantage of the GPR machine learning function,the estimation performance of the sliding window for model training is measured.This method estimates the output of the observation information source through the measurement window and realizes the robust measurement update of the filter.The combination of GPR and the USQUE algorithm establishes a robust mechanism framework,which enhances the robustness and stability of traditional methods.The results of the trajectory simulation experiment and SINS/GNSS car-mounted tests indicate that the strategy has strong robustness and high estimation accuracy,which demonstrates the effectiveness of the proposed method.展开更多
高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问...高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。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
软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自...软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。展开更多
针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regr...针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。展开更多
基金supported by the National Natural Science Foundation of China(61873275,61703419,425317829).
文摘High-precision filtering estimation is one of the key techniques for strapdown inertial navigation system/global navigation satellite system(SINS/GNSS)integrated navigation system,and its estimation plays an important role in the performance evaluation of the navigation system.Traditional filter estimation methods usually assume that the measurement noise conforms to the Gaussian distribution,without considering the influence of the pollution introduced by the GNSS signal,which is susceptible to external interference.To address this problem,a high-precision filter estimation method using Gaussian process regression(GPR)is proposed to enhance the prediction and estimation capability of the unscented quaternion estimator(USQUE)to improve the navigation accuracy.Based on the advantage of the GPR machine learning function,the estimation performance of the sliding window for model training is measured.This method estimates the output of the observation information source through the measurement window and realizes the robust measurement update of the filter.The combination of GPR and the USQUE algorithm establishes a robust mechanism framework,which enhances the robustness and stability of traditional methods.The results of the trajectory simulation experiment and SINS/GNSS car-mounted tests indicate that the strategy has strong robustness and high estimation accuracy,which demonstrates the effectiveness of the proposed method.
文摘高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估。实验结果表明,相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R 2这4个评估指标方面均有提升,其中MBE至少提升了43.3%。
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。
文摘针对光伏功率预测中特征因素太多、关键特征与功率间映射关系难以有效挖掘和预测精度不高的问题,提出一种基于随机森林RF(random forest)算法特征选择和灰狼优化算法GWO(grey wolf optimizer)优化高斯过程回归GPR(Gaussian process regression)模型相结合的组合预测模型。首先,采用皮尔逊和斯皮尔曼相关系数对特征进行相关性分析,并进行初步筛选;接着,基于随机森林算法对特征进行重要性评价,并选取最优特征子集;然后,采用灰狼优化算法对高斯过程回归模型进行优化;最后,将最优特征子集输入到组合预测模型RFGWO-GPR中进行短期光伏功率预测。应用某光伏电站实测数据的仿真实验结果表明,提出的模型在不同天气条件下可以对特征进行有效选择,与未进行特征选择的单一模型相比,预测精度显著提高,并且明显优于其他优化算法与GPR模型组成的组合预测模型。
