摘要：针对运载火箭智能化设计对近似模型计算效率及精度提出的更高要求,提出快速交叉验证改进的径向基函数(RBF)近似建模方法。RBF是非线性多峰耗时模型近似建模的重要方法之一,其基函数形状参数的合理确定可大幅提升RBF近似模型预测精度。针对现有RBF形状参数确定中待求变量多和计算复杂等问题,提出基于样本局部密度的形状参数表征方法。将多个形状参数的复杂域优化问题转化为缩放系数确定的单变量优化问题,实现形状参数优化与训练样本数量解耦。提出通用快速K-折交叉验证算法合理确定缩放系数,推导出通用交叉验证误差求解过程中高阶矩阵快速求逆和交叉验证误差快速求解公式,将径向基函数形状参数确定的计算复杂度从n3降低为(n/k)^(3),提升了径向基函数近似建模效率和精度。采用数值算例和工程算例进行校验,结果表明本文方法具有较好的预测精度和通用性,在飞行器设计领域有一定的工程应用价值。

摘要：由于煤气化反应过程的复杂性,其优化成本较高、效率较低。代理模型计算准确且成本小,在基于仿真的复杂工程设计和优化中,常用来辅助粒子群优化(PSO)等进化算法解决计算代价过高问题。为在有限函数评价下得到更好的优化解,提出一种新的基于交叉验证和Voronoi图的代理模型辅助进化算法(CVVSAEA)。在全局搜索中,通过留一交叉验证和Voronoi图选取设计空间中最不确定点,更新代理模型以辅助PSO算法找到当前最好解;在局部搜索中,选择当前较好的解建立代理模型,使PSO算法尽快收敛到局部最优。通过中等维度的测试问题和煤气化实例,与其他3种先进的代理模型辅助进化算法比较,结果表明CVVSAEA在大多数测试问题上能获得更好的解,使有效气产率得到了提升。

摘要：基于交叉验证理论,提出局部放电信号白噪声抑制的新方法。该法无须事先估计局部放电中白噪声的任何参数,能根据所定义的积分平方误差(ISE)代价函数确定最佳的阈值,同时选择最优的分解层数和小波基函数,通过阈值处理,实现了对局部放电白噪声的抑制。仿真算例和现场数据表明,本文所提方法能够很好地提高局部放电信号的信噪比,且信号的均方误差较小。

摘要：属性约简是粗糙集理论中的核心问题,其目的是剔除冗余属性以找到具有较好泛化能力的属性子集.在决策粗糙集理论中,决策代价经常被作为属性约简的约束条件.但值得注意的是,虽然基于决策代价的约简求解算法可以有效地降低训练样本集上的总决策代价,但其往往忽视了测试样本集上的总决策代价.为解决这一问题,利用交叉验证的基本思想,设计了以决策代价为约束条件的一种新的属性约简求解算法.在八个UCI数据集上的实验结果表明,相较于传统基于决策代价的约简求解算法,所提算法不仅能有效地降低训练集合和测试集合的总决策代价,而且找出的属性子集亦可以带来更好的分类性能。

摘要：随着移动互联网的日益普及,电子投票系统逐渐成为信息安全领域的热点.通过分析电子投票的实施过程和交互特点,面向云计算环境,提出了一种基于特征交叉验证的云投票框架.框架使用特征提取和交叉验证技术使电子投票系统能够适用于较高安全性的投票场合,运用云服务技术封装通用构件使电子投票具有高可复用性,最后给出云投票框架在浙江省某高校职称评审中的应用实例.应用结果表明:该框架比传统架构更具有良好的安全性和可伸缩性,并能够为此类电子投票系统的设计给予一定的指导.

摘要：针对BP算法存在的收敛速度慢等问题提出改进方案,修改其相关参数并且提出如何选择合适的隐藏层节点个数。同时针对学习样本数据的有限性、BP算法易陷入局部最小值和容易出现过拟合等问题进行了研究,提出了采用多重交叉验证的再改进BP算法。仿真结果表明,交叉验证BP算法提高了网络学习的效率。

摘要：针对红外探测系统最大作用距离评估与实际误差较大的问题,提出了交叉验证评估方法。建立空中目标红外辐射包线数学模型并拟合了不同环境条件下大气透过率与传输距离之间的相关曲线;设计红外探测系统性能检测平台并进行了极限辐照度标定;建立仿真与标定之间的点目标辐照度等效模型,得到了大气透过率与红外探测系统最大作用距离之间的相关曲线。将上述两类曲线进行交叉验证,其交点处视为红外探测系统在限定条件下的最大作用距离。实验结果表明,交叉验证法相比现有的4类评估方法,可以更加准确地定量评估在不同环境条件下,针对不同目标的红外探测系统最大作用距离。该方法具有普适性,可广泛应用在各类红外探测系统最大作用距离评估中。

摘要：本文提出了一种利用k均值聚类算法确定RBF神经网络径向基函数数目、函数中心及宽度,输出层权值由线性方程组确定,而网络参数的优化采用梯度下降法的网络设计方法。为了解决学习样本数据的有限性、RBF网络泛化能力较差和容易出现过拟合等问题,在网络训练中采用了基于交叉验证的归一化网络训练方法。通过仿真实验表明该方法训练所得的网络泛化能力及分类的准确率明显提高,并有效避免了过拟合问题。

摘要：不合理的模型超参数会导致有指导机器学习过拟合或欠拟合,文中提出模型超参数的交叉验证智能优化方法:利用交叉验证评价不同参数下的学习性能,在此基础之上构建智能寻优技术路线.实验结果表明:利用交叉验证性目标函数,智能优化算法自适应地根据目标函数和约束求解,可高效、准确地优化学习器超参数.

摘要：为了提升大坝变形预测精度,更好地对未来大坝运行状态进行评估,提出了基于显著变量和自相关分析优化长短期记忆神经网络(LSTM)的大坝变形多步预测方法.该方法首先基于随机森林(RF)确定对变形影响程度高的关键变量,同时基于SVM交叉验证自相关分析提取显著的历史特征,在提升LSTM信息挖掘能力的同时提高预测精度,最后将确定的影响因子与历史数据输入LSTM模型中,通过全连接网络输出变形预测结果.经分析,所提方法大坝变形预测精度高,与LSTM、RF-LSTM、SVM-LSTM方法相比,该方法预测精度最大提升幅度分别为62.15%(MAE)和60.12%(RMSE).