摘要：针对复杂非线性系统的控制问题,采用数据驱动的控制策略,将具有本质自适应能力的即时学习算法与具有强鲁棒性的滑模预测控制相结合,设计了一种基于即时学习的滑模预测(LL-SMPC)控制方法.该方法在在线局部建模的基础上,采用滑模预测控制律求取最优控制量,具有较强的自适应和抗干扰能力,并采用分层递阶搜索策略,避免了求解Diophantine方程,有效减少了计算量,提高了搜索效率.仿真结果验证了所提出算法的有效性.

摘要：针对MIMO非线性系统的控制问题,采用数据驱动的控制策略,将具有本质自适应能力的即时学习算法与具有强鲁棒性的滑模预测控制相结合,设计了一种基于即时学习的滑模预测(LL-SMPC)控制方法.该方法在在线局部建模的基础上,采用滑模预测控制律求取最优控制量,具有较强的自适应和抗干扰能力,并避免了Diophantine方程的求解,有效减少了计算量.通过仿真研究,验证了算法的有效性.

摘要：油田动液面参数软测量预测应用中,软测量模型随生产的进行会逐步退化,导致预测结果偏差较大,无法在油田生产过程中加以使用.对此,提出采用基于子空间相似度的即时学习策略来对动液面预测模型进行自适应动态更新.通过对生产阶段数据进行子空间的相似度计算,提高建模样本选取的准确性.设计两个记忆参数改变以往即时学习策略模型的更新方法,在减少计算量的同时提高动液面的预测精度.与以往即时学习算法进行实验对比,结果表明,改进算法对油田动液面测量精度高,适应性强,符合油田生产标准,可以应用于油田实际生产.

摘要：针对复杂非线性系统的建模问题,基于空间划分树(SP-Tree)和即时学习(lazy learning)的思想,设计了一种多模型在线建模方法。该方法基于分解-合成策略,根据系统输入输出数据,采用即时学习算法建立当前时刻的最佳局部模型,随着系统工作点的移动,滚动建立系统的多个模型,实现对非线性系统的准确建模。在建立邻域的过程中,采用一种基于SP-Tree数据结构的数据库进行分层递阶搜索,有效地提高了在线建模的实时性。最后,通过对一个仿真案例的研究验证了该算法的有效性。

摘要：风电功率预测可为风电的并网和优化调度提供有效的指导信息,在风能的开发利用中扮演着举足轻重的角色。然而,由于风电固有的间歇性和随机性给准确的风电功率预测带来巨大挑战。同时,由于受季节性、气候性、设备老化等因素影响,随着时间的推移,风电功率数据特征难免发生改变,这将直接导致离线的风电功率模型性能发生退化。为此,提出一种在线选择性集成即时学习(OSEJIT)自适应风电功率预测方法。首先,为了有效处理风电的非线性和时变性特征,通过相似度、学习器扰动以构建多样性JIT基模型库。其次,为了保证集成有效性,定义基于Friedman检验的多样性指标和基于预测精度的准确性指标以实现模型的在线选择。随后,在线预测阶段,根据模型近期的预测性能通过自适应加权集成的方式获得最终预测值。为了保证基模型库的更新,同时规避模型频繁重建导致计算资源耗费的问题,采用一种基于KL散度的过程状态识别方法以减少模型重建频率。所提方法的有效性和优越性在一个实际风电功率数据应用中获得了验证。

摘要：针对全局能耗预测模型只适用于部分预测样本且模型计算量大的问题,引入即时学习思想,采用局部加权偏最小二乘法结合能耗模型建立临时局部能耗预测模型;改进粒子群算法的惯性权重,考虑粒子适应度、迭代次数和种群大小对粒子群算法收敛速度和收敛精度的影响,提出一种非线性变化的自适应惯性权重策略,离线计算阶段使用改进的粒子群算法(adaptive PSO,APSO)对历史样本的带宽参数进行寻优,当预测样本到来时在线更新局部模型。考虑多工况生产场景下不同工况样本之间的能耗差异性所导致的预测误差,增加工况相似性度量过程,提出局部加权偏最小二乘算法与K-means算法相结合的APSO-JITL(just-in-time learning)-CLWPLS(cluster locally weighted partial least squares)能耗预测建模方法,在预测时选取同一工况的历史样本来设计预测样本的带宽参数。通过仿真实验验证了算法有着更高的预测精度且能更好地应对多工况生产场景。

摘要：针对传统球磨机料位软测量模型难以适应生产过程中的时变特性,以及磨机信号中存在的非线性和不确定性等问题,将磨机筒体的振动和振声频谱作为辅助变量,提出基于改进即时学习算法的料位软测量模型。采用梅尔频率倒谱系数提取所有样本的特征参数;以当前样本作为查询样本,采用云模型理论计算其与历史样本的相似度并得到最近邻样本;利用得到的最近邻样本建立局部最小二乘支持向量机模型并预测当前料位。实验结果表明,该软测量模型可以有效地实时测量球磨机料位并能获得较高的预测精度。

摘要：接收灵敏度是无线通信系统中非常重要的参数之一。然而,虽然无线技术的发展迅速,接收灵敏度的测量却依然使用着传统的基于穷举法的测量方式。这种测量方式依赖固有的系统模型,不但测量效率低,而且由于使用固定步长,测量精度也无法保证。针对传统测量方法的缺陷,本文提出一种不依赖模型,只基于实时测量数据的快速接收灵敏度测量方法,这种方法依靠系统实时的输入和输出数据,在保证测量精度的同时进一步改善测量速度。

摘要：日用电量分析受到异常数据的影响,导致分析结果与实际结果不一致。为了解决该问题,在不同时间尺度下构建日用电量即时学习差异化模型。对不同时间尺度下日用电量进行离群点的检测,剔除异常值,使用SPSS统计软件检测日用电量分布情况,获取日用电量正态分布特征。划分不同区域权重子区域,通过类间最近邻局部子域映射到高维特征空间中,计算正态分布特征关联系数,取正态分布特征。聚类处理服从正态分布的特征数据,用灰色E形关联度来评价多因子之间关系强度,采用特征量聚类方法构建即时学习差异化模型。由实验结果可知,该模型住宅区与工作区日用电量值与实际测得数据一致,最高值分别为125 kW·h和350 kW·h,具有精准的分析效果。

摘要：为了及时跟踪非线性化工过程的时变特性,提出即时递推核学习(Kernel learning,KL)的在线辨识方法.针对待预测的新样本点,采用即时学习(Just-in-time kernel learning,JITL)策略,通过构造累积相似度因子,选择与其相似的样本集建立核学习辨识模型.为避免传统即时学习对每个待预测点都重新建模的繁琐,利用两个临近时刻相似样本集的异同点,采用递推方法有效添加新样本,并删减旧模型的样本,以快速建立新即时模型.通过一时变连续搅拌釜式反应过程的在线辨识,表明了所提出方法在保证计算效率的同时,较传统递推核学习方法提高了辨识的准确程度,能更好地辨识时变过程.