基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于Bagging-GPR的舰船目标RCS频率外推技术北大核心CSCD

[目的]针对高频情况下使用传统仿真、实测方法获取舰船目标RCS受限的问题,提出一种结合引导聚集(Bagging)算法与基于谱混合协方差函数的高斯过程回归(GPR)模型的混合方法(Bagging-GPR),从而根据仿真和实测得到的低频段RCS数据,准确高效地外推高频段的RCS数据。[方法]首先,根据舰船目标低频段单站RCS数据,以重采样的方式获取训练子集,并使用基于谱混合协方差函数的GPR模型对各子集的RCS数据在频域上进行外推;然后,通过Bagging算法将各子集的外推结果进行混合,以进一步提高GPR的外推精度和鲁棒性;最后,分别在舰船模型的仿真数据集和实测数据集上对Bagging-GPR混合方法的性能予以试验验证。[结果]结果表明,Bagging-GPR可以实现实时外推,预测值与仿真值、实测值基本一致,均方根误差很小。[结论]所提方法具有较高的频域RCS数据外推精度和良好的鲁棒性,可为快速获取目标的高频RCS特征提供一种新的技术手段。