-
题名基于过采样结构的贝叶斯鲁棒辨识方法
- 1
-
-
作者
徐宝昌
白振轩
王雅欣
袁力坤
-
机构
中国石油大学(北京)自动化系
-
出处
《化工学报》
EI
CAS
CSCD
北大核心
2019年第12期4673-4679,共7页
-
基金
国家重点研发计划项目（2016YFC0303700）
-
文摘
在实际工业过程中,异常值的干扰是不可避免的,现有的处理异常值方法会导致模型估计有偏差,并且没有考虑潜在异常值的影响。针对上述缺点,利用学生分布噪声来处理潜在异常值,提出一种适用于学生分布噪声情况的贝叶斯鲁棒辨识方法,并且将其与过采样结构相结合,推出了基于过采样结构的贝叶斯鲁棒辨识方法。仿真实验表明:本文提出的算法,随着异常值影响的增加,仍然保持较小的辨识误差,而传统辨识方法已不再适用,同时,还克服了传统结构需添加额外测试信号所带来的巨额成本。因此,本文的算法更适合于实际工业过程辨识。
-
关键词
异常值
学生分布噪声
贝叶斯变分法
鲁棒辨识
过采样结构
-
Keywords
outliers
student distributed noise
variational Bayesian method
robust identification
over-sampling structure
-
分类号
TP273
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于过采样结构的贝叶斯辨识方法
- 2
-
-
作者
白振轩
徐宝昌
陈贺龙
马超
-
机构
中国石油大学(北京)信息科学与技术学院
中国石油塔里木油田分公司库车油气开发部
-
出处
《化工自动化及仪表》
CAS
2019年第6期469-473,502,共6页
-
基金
国家重点研发计划项目(2016YFC0303700)
-
文摘
将过采样闭环结构与贝叶斯变分法相结合,推导出基于过采样闭环结构的递推贝叶斯变分法,并且通过分析过采样闭环结构估计模型的渐近方差表达式,得出过采样结构可以利用超出模型频带之外的高频信息减小辨识模型的误差。仿真结果表明:基于过采样结构的贝叶斯变分法在输出噪声仅为白噪声情况下,相较于传统辨识方法具有更高的辨识精度。当输出噪声受到尖峰噪声或脉冲噪声污染时,笔者方法能够利用外加噪声中含有的高频信息提高辨识精度。
-
关键词
过采样闭环结构
贝叶斯变分法
渐近方差
尖峰噪声
-
Keywords
over-sampling closed-loop structure
Variational Bayesian Approach
asymptotic variance
spike noise
-
分类号
TP13
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种不需要次级通道建模的有源噪声控制算法
被引量：2
- 3
-
-
作者
欧阳振华
刘庆华
-
机构
桂林电子科技大学信息与通信学院
-
出处
《声学技术》
CSCD
2010年第4期428-432,共5页
-
基金
桂科自然基金(0832007)
-
文摘
对有源噪声控制的研究,绝大部分都是建立在次级通道已知的基础上,或者通过在线或离线辨识来建模次级通道,通过分析滤波-XLMS(FXLMS)算法收敛的几何特性实现有源噪声的无模型控制。子带技术是将信号通过不同频带的滤波器,把信号分解到不同频带的子带中,对各子带信号分别进行相应的处理,并减少处理时间。将两者相结合,运用子带技术,采用过采样无延迟子带结构消除单频噪声、窄带噪声以及宽带噪声,降噪效果明显。相比传统的XLMS滤波算法,该算法降低了运算量,且实现结构简单。
-
关键词
有源噪声控制
建模次级通道
滤波-XLMS(FXLMS)算法
过采样无延迟子带结构
-
Keywords
ANC
secondary path identification
FXLMS Algorithm
over-sampled non-delay sub-band architecture
-
分类号
TB53
[理学—声学]
-
-
题名样本数量不平衡下的建筑群模式识别方法研究
被引量：3
- 4
-
-
作者
令振飞
刘涛
杜萍
张耀蓉
杨国林
锁旭宏
-
机构
兰州交通大学测绘与地理信息学院
地理国情监测技术应用国家地方联合工程研究中心
甘肃省地理国情监测工程实验室
中交一航局第二工程有限公司
-
出处
《地球信息科学学报》
CSCD
北大核心
2022年第1期63-73,共11页
-
基金
国家自然科学基金项目(41761088、42061060)
兰州交通大学优秀平台支持(201806)
兰州交通大学天佑创新团队(TY202001)。
-
文摘
通过综合空间关系、几何、语义等多种特征对建筑群模式进行智能识别,在地图多尺度表达和数字化制图等领域有着重要的意义。将图卷积神经网络用于建筑群模式智能识别能够克服传统方法依赖人工经验设置参数、制定的规则过于严格等缺点。但是该方法往往存在样本比例失衡的问题,容易导致样本数量较少的类别无法正确识别。本文首先以建筑物质心作为样本进行聚类获得建筑群组。其次,将同一群组内的建筑物质心作为样本进行Delaunay三角剖分来构建建筑群的图结构,其中图节点特征选取能够描述建筑群几何特征的面积、大小、方向等相关指标。再次,通过图结构过采样的方式对样本数量较少的建筑群图结构进行增强,然后将样本数量较少的建筑群图结构增强前后的数据分别输入图卷积神经网络模型进行训练,并结合ROC曲线等多个评价指标对模型的性能进行了评测。实验结果表明,对样本数量较少的建筑群图结构增强之后,模型对于样本数量较少的建筑群识别准确率有了明显的提高。
-
关键词
建筑群聚类
图卷积神经网络
模式识别
ROC曲线
图结构过采样
DELAUNAY三角网
拉普拉斯矩阵
-
Keywords
Building cluster clustering
graph convolutional neural network
pattern recognition
ROC curve
graph structure oversampling
delaunay triangulation
laplacian matrix
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TU198
[建筑科学—建筑理论]
-
