时间序列的聚类方法及其应用研究_张贝贝_9787563828494

本书不在沿用基于模型来进行聚类的研究思路，而是借用非常灵活的非参数方法。本书的研究目标是使用非参数方法来研究非线性时间序列的聚类问题，通过理解序列是如何被生成的，估计出生成时间序列的随机过程之间的相似性来定义其距离度量。本对比研究了现有的非参数时间序列聚类方法，提出一类以时间序列平滑后的自回归函数的差异作为度量的聚类方法，一类基于时间序列的核密度估计的聚类方法，KS1D度量和KS2D距离度量。

前言

（一）研究意义广义的控制系统包括反馈控制、检测分析、故障诊断等系统。经典系统大多建立在确定的模型基础之上，其结构精简、应用广泛。然而，上述系统在工程实践中存在以下问题：一是系统面对内部及外部环境的复杂多变、各环节存在大量不确定因素等问题无法智能化地自主应对；二是日常对控制参数反复调试调优，对系统各状态检测分析、故障诊断和处理等工作，消耗着大量人力；三是经典系统的各方面性能有待提升。长期以来，上述问题一直是控制科学与工程领域的热点和焦点问题，也是本书将要应对和解决的核心问题。人工智能技术可以使机器模拟人的思维能力，解决推理、分析、判断、寻优等问题，为实现广义控制系统的智能化提供理论基础和方法工具。本书通过三个主要研究步骤，尝试解决上述问题：①对经典的人工智能方法进行改进和对比验证；②将改进的人工智能方法应用于智能监控系统的视频分析应用中，进一步验证该方法，解决广义控制系统中异常检测分析诊断方面的智能化问题；③将多种人工智能方法与经典控制方法相结合，形成改进（复合）的经典控制方法，解决广义控制系统中控制方法的智能化问题，即解决控制参数在线整定问题，提升控制系统各项性能。（二）研究内容本书的主要内容如下：1．提出了经典控制系统存在的问题，对国内外现有的人工智能、智能系统和先进控制领域的主要研究成果和方法进行调查、对比研究，明确了研究思路和技术路线。2．为得到具有更好特性的人工智能方法，提出将小波分析变换融入BPNN和RBFNN混合结构神经网络隐含层，同时增加训练样本集自适应机制，形成自适应小波神经网络（AWNN）的方法。通过理论推导、与BPNN和RBFNN方法进行计算机仿真对比分析，验证AWNN方法在学习速度、分辨率和精度、训练成功率方面的提升，以及不同的学习效率、惯性系数、目标误差参数对训练结果的影响。3．为进一步验证AWNN的特性，解决广义控制系统中的异常检测分析应用中的智能化问题，提出将AWNN应用到智能视频分析系统中进行验证的方案。通过计算机仿真对比分析，进一步验证了在高维神经网络输入的情况下，自适应小波神经网络的学习速度、分辨率和精度、训练成功率方面的提升。通过视频分析系统软硬件联调测试，验证了自适应小波神经网络在处理分类识别方面应用的可用性，在一定程度上解决了广义的控制系统中异常检测分析诊断方面的智能化问题。4．为解决经典控制方法和系统无法智能化应对控制系统的不确定性、非线性、复杂性和参数调试重复性问题，提出了第一类基于神经网络的控制参数在线整定方法（AWNN-PID），并为提升算法性能引入了预测方法，提出了基于向量时间序列预测和神经网络的控制参数在线整定方法（VARMA-AWNN-PID）。通过算法理论推导、稳定性和稳态性理论分析，以及与BPNN-PID、RBFNN-PID进行阶跃响应、稳定性保障、抗扰、斜坡响应、加速度响应等计算机仿真对比研究，最终验证了新方法在动态性能、稳态性能、抗干扰能力、跟踪能力方面的提升。5．为更全面地验证控制参数在线整定方法，提出并实现了第二类基于专家规则或模糊推理机制的控制参数在线整定方法的改进方案。在现有的E-PID、F-PID方法的基础上，把原有的通过直接查询计算控制参数的方式改进为通过变化率调整控制参数的方式，再通过引入预测机制，先后实现了EA-PID、FA-PID、VARMA-EA-PID、VARMA-FA-PID方法。通过理论推导和计算机仿真实验，验证了上述方法在动态性能、稳态误差、抗干扰能力等方面的提升。6．将上述第一类基于神经网络的控制参数在线整定方法与第二类基于专家规则或模糊推理机制的控制参数在线整定方法进行比较研究，总结两类方法各自的优势和问题，提出不同方法在系统的智能和性能方面的分析结果和适用原则，在一定程度上解决了控制系统的不确定性、非线性、复杂性和参数调试重复性等问题。（三）研究价值本书的价值与创新点主要体现在以下三个方面：1系统地描述了预测与神经网络计算智能与经典PID控制相结合的方法；2系统地描述了预测与模糊计算智能复合经典PID控制方法与实现；3详细地给出上述方法的改进过程、Matlab计算机仿真和具体实施过程。

你还可能感兴趣

我要评论