CN105956615A - 一种基于支持向量回归的建模方法 - Google Patents
一种基于支持向量回归的建模方法 Download PDFInfo
- Publication number
- CN105956615A CN105956615A CN201610266154.4A CN201610266154A CN105956615A CN 105956615 A CN105956615 A CN 105956615A CN 201610266154 A CN201610266154 A CN 201610266154A CN 105956615 A CN105956615 A CN 105956615A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- symbol
- support vector
- mode
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000000574 ganglionic effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
Abstract
一种基于支持向量回归的建模方法,步骤如下:一、对卫星遥测数据进行小波分解,获取其奇异点;二、将卫星遥测数据通过奇异点分割为多个数据段;三、对各个数据段分别使用支持向量回归建模,得到定量模型;四、对各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型,即定量模型;五、对在卫星遥测数据奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合;六、根据卫星遥测数据,与步骤五中得到的数据符号集合,生成多维数据符号序列,结合模式符号集合,生成模式转移元组;七、对得到的模式转移元组进行D‑Markov重构,得到D‑Markov机定性模型;八、将D‑Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型。
Description
【技术领域】
本发明提供一种建模方法,特别涉及一种基于支持向量回归的建模方法,属于基于卫星遥测数据的建模领域,能够仅通过卫星遥测数据对卫星设备建立混合模型。
【背景技术】
根据建模方式的不同,系统建模技术可分为基于机理与数据驱动两大类。基于机理的建模通过分析系统内部机理结构建立精确模型,而数据驱动的建模则使用系统历史数据,重构系统行为,从而建立近似模型。传统建模方法假设系统数据处于稳态,而卫星遥测数据变化复杂,具备多个工作模式,针对卫星数据,传统的建模方法存在诸多缺陷。
常用的数据驱动的定量建模方法有线性回归(Linear Regression)、自回归滑动平均(Auto Regressive Moving Average)、支持向量回归(Support VectorRegression)与人工神经网络(Artificial Neural Network)等。这些建模方法首先规定了带有未知参数的基本模型结构,随后使用系统的历史数据来估计各个参数的值,最终得到系统的近似模型。但这些基本模型所对应均为光滑曲线,对仅有一个工作模式的系统,这些建模方法能够取得良好的效果,但对拥有多个工作模式的混合系统,建模精度将大大降低,特别是在模式切换点附近,建模误差无法接受。
常用的数据驱动定性建模方法有符号序列分析、D-Markov回归等。这些建模方法首先将系统历史数据量化,得到定性的符号序列,随后通过统计学分析符号序列间的关联关系,得到系统的定性统计学模型。由于卫星遥测数据是多个模式下的数据集合,因此为建立准确统计模型,需要分析的字符串很长,给建模带来了困难。
本专利所提出的一种基于支持向量回归的建模方法使用基于小波的奇异点识别方法探测混合模式切换时所引起的奇异点,随后使用支持向量回归与D-Markov回归,根据卫星遥测数据建立混合模型。
【发明内容】
1、发明目的:
本发明的目的是提供一种基于支持向量回归的建模方法,它针对具备多个工作模式的混合系统,使用该系统的历史数据,重构其行为,建立该系统的混合模型。
2、技术方案:
本发明一种基于支持向量回归的建模方法,其步骤如下:
步骤一:对卫星遥测数据进行小波分解,获取其奇异点;
所述的“对卫星遥测数据进行小波分解,获取其奇异点”,做法如下:当卫星遥测数据为单维时,使用小波对其进行分解,并重构得到各细节层,当细节层在某处的幅值明显高于其附近时,即为一个奇异点;当卫星遥测数据为多维时,需要对所有的维度单独进行小波分解,所有奇异点之集合即为总的奇异点。
步骤二:将卫星遥测数据通过奇异点分割为多个数据段;
所述的“通过奇异点分割为多个数据段”,做法如下:卫星遥测数据以奇异点为分界点,划分为多个数据段。
步骤三:对各个数据段分别使用支持向量回归建模,得到定量模型;
所述的“使用支持向量回归建模”,做法如下:对任意数据段,当数据为单维度数据时,以时间为输入,该数据段为输出,使用支持向量机进行建模;当数据为多维度时,则以历史数据中标记的输入输出为准使用支持向量机建模。需要指出的是,当数据为单维度时,需要将时间轴平移到0时刻开始。最终,得到卫星遥测数据各个数据段的支持向量回归模型。
步骤四:对各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型,即定量模型;
所述的“各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型,即定量模型”,做法如下:在步骤三中对所有数据段使用了支持向量回归建模,每个数据段对应于一个支持向量回归模型,即定量模型。当任意两个定量模型近似,即所有模型参数的相对误差均在5%之内时,即认定两者为相同的定量模型,两个定量模型将通过参数取平均值的方式融合成为一个新的定量模型,以此类推,将所有可融合的定量模型进行融合,并分配给各个定量模型唯一的模式符号。各个数据段的模式符号与其所对应的定量模型的模式符号一致,此时一个模式符号即对应卫星遥测数据中蕴含的一个工作模式。后面对系统的模式与其对应的模式符号不加区分。
步骤五:对在卫星遥测数据奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合;
所述的“在卫星遥测数据奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合”,做法如下:根据系统特性,首先选择D-Markov的长度D,随后对卫星遥测数据模式切换点前D个数据点进行量化,即将卫星遥测数据幅值所在区间划分为多个子区间,随后对落入不同区间的数据分配数据符号,落入同一区间的数据分配相同数据符号。
步骤六:根据卫星遥测数据,与步骤五中得到的数据符号集合,生成多维数据符号序列,结合模式符号集合,生成模式转移元组;
所述的“根据卫星遥测数据,与步骤五中得到的数据符号集合,生成多维数据符号序列,结合模式符号集合,生成模式转移元组”,做法如下:依次分析卫星遥测数据,当出现一个模式切换点时,将该模式切换点前D个数据点所对应的数据符号依次记录,得到一个数据符号序列,该数据符号序列和模式切换前后所处模式对应的模式符号一起构成一个模式转移元组。
步骤七:对得到的模式转移元组进行D-Markov重构,得到D-Markov机定性模型;
所述的“D-Markov机”指每个状态代表一个或多个长度为D的数据序列的有限状态自动机。
所述的“对得到的模式转移元组进行D-Markov重构,得到D-Markov机定性模型”,做法如下:统计所有模式转移元组,由模式α转移到模式β的模式转移元组出现次数记为Nαβ,在这Nαβ个模式转移元组中,数据符号序列s出现的次数记为Ns αβ,那么当当前模式为α,当前数据量化得到的序列为s时,模式转移为β的概率为Ns αβ/Nαβ,一起组成模式概率转移元组<α,s,Ns αβ/Nαβ,β>。所有模式概率转移元组一起组成D-Markov机定性模型。
步骤八:将D-Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型。
所述的“将D-Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型”,做法如下:将D-Markov机定性模型中模式符号与所对应的定量模型相关联,便得到了混合模型。在该混合模型中,D-Markov机的模式代表了卫星遥测数据所蕴含的模式,D-Markov机的切换条件代表了卫星遥测数据模式切换的条件,各个模式所对应的支持向量回归模型代表卫星遥测数据在该模式下的连续行为。
优点及功效:
本发明的优点是能够根据混合系统的历史数据得到建模模型,与传统定量模型相比能够表示系统的工作模式,且有着更高的精确程度。
【附图说明】
图1原始数据图。
图2小波奇异点识别图。
图3数据段1支持向量回归模型。
图4数据段2支持向量回归模型。
图5数据段3支持向量回归模型。
图6数据段4支持向量回归模型。
图7建模模型。
图8本发明所述方法流程图。
【具体实施方式】
下面结合附图1-8,对本发明进一步说明如下:
方法实施对象为一三模式系统,观测数据为一维,见图1所示。
本发明一种基于支持向量回归的建模方法,其步骤如下:
步骤一:对系统历史数据进行小波分解,获取其奇异点;
步骤二:将原始历史数据通过奇异点分割为多个数据段;
步骤三:对各个数据段分别使用支持向量回归建模,得到定量模型;
步骤四:对各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型;
步骤五:对在奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合;
步骤六:根据原始数据,结合步骤四与步骤五中得到的符号集合,生成多维符号序列,结合模式符号集合,生成模式转移元组;
步骤七:对得到的模式转移元组进行D-Markov重构,得到D-Markov机定性模型;
步骤八:将D-Markov机中模式符号与所对应的支持向量回归模型相关联,得到模型。
例如图1为某卫星电源系统电流监测数据。
步骤一做法如下:
对图1中的遥测数据进行小波分解,得到结果如图2所示,可以明显看出在时间轴1、2、3处幅值较大,取1、2、3处幅值最大的几个点,分别求平均可以得到奇异点分别为0.97、2.05与2.96。
步骤二做法如下:
原始遥测数据采样率为0.01,共计400个点。使用0.97、2.05与2.96分割可以得到1:97、98:205、206:296和297:400共计四段数据。
步骤三做法如下:
分别对四段遥测数据采用支持向量回归建立模型,得到四个模型m1、m2、m3、m4,对应曲线图3、图4、图5、图6所示。
步骤四做法如下:
由于m1与m4接近,因此需要融合为m5,分配同一个符号,m2与m3各自分配不同符号。结果给m5分配符号α,m2分配符号β,m3分配符号γ。
步骤五做法如下:
首先设置D=1,对切换点前一个数据分别设置区间,分配符号。该系统中,设置区间(2.6,2.7)对应符号s1,(0.4,0.5)对应符号s2,(0.9,1)对应符号s3。
步骤六做法如下:
根据实际遥测数据,得到单个模式转移元组分别为<s1,α,β>、<s2,β,γ>、<s3,γ,α>。
步骤七做法如下:
统计可以得到模式概率转移元组:
<α,s1,1,β>
<β,s2,1,γ>
<γ,s3,1,α>
步骤八做法如下:
得到模型为如图7所示。
通过以上步骤,能够实现使用卫星遥测数据对系统建立混合模型。
Claims (10)
1.一种基于支持向量回归的建模方法,其特征在于:步骤如下:
步骤一:对卫星遥测数据进行小波分解,获取其奇异点;
步骤二:将卫星遥测数据通过奇异点分割为多个数据段;
步骤三:对各个数据段分别使用支持向量回归建模,得到定量模型;
步骤四:对各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型,即定量模型;
步骤五:对在卫星遥测数据奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合;
步骤六:根据卫星遥测数据,与步骤五中得到的数据符号集合,生成多维数据符号序列,结合模式符号集合,生成模式转移元组;
步骤七:对得到的模式转移元组进行D-Markov重构,得到D-Markov机定性模型;所述的D-Markov机指每个状态代表一个或多个长度为D的数据序列的有限状态自动机;
步骤八:将D-Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型。
2.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤一中,所述的对卫星遥测数据进行小波分解,获取其奇异点,具体为:当卫星遥测数据为单维时,使用小波对其进行分解,并重构得到各细节层,当细节层在某处的幅值明显高于其附近时,即为一个奇异点;当卫星遥测数据为多维时,需要对所有的维度单独进行小波分解,所有奇异点之集合即为总的奇异点。
3.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤二中,所述的通过奇异点分割为多个数据段,具体为:卫星遥测数据以奇异点为分界点,划分为多个数据段。
4.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤三中,所述的使用支持向量回归建模,具体为:对任意数据段,当数据为单维度数据时,以时间为输入,该数据段为输出,使用支持向量机进行建模;当数据为多维度时,则以历史数据中标记的输入输出为准使用支持向量机建模。
5.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤四中,所述的各个数据段分配模式符号,得到模式符号集合,每个模式符号对应一个支持向量回归模型,即定量模型,具体为:在步骤三中对所有数据段使用了支持向量回归建模,每个数据段对应于一个支持向量回归模型,即定量模型;当任意两个定量模型参数的相对误差均在5%之内时,即认定两者为相同的定量模型,两个定量模型将通过参数取平均值的方式融合成为一个新的定量模型;将所有可融合的定量模型进行融合,并分配给各个定量模型唯一的模式符号;各个数据段的模式符号与其所对应的定量模型的模式符号一致,此时一个模式符号即对应卫星遥测数据中蕴含的一个工作模式;后面对系统的模式与其对应的模式符号不加区分。
6.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤五中,所述的对在卫星遥测数据奇异点附近的原始数据进行量化,分配数据符号,得到数据符号集合,具体为:首先选择D-Markov的长度D,随后对卫星遥测数据模式切换点前D个数据点进行量化,即将卫星遥测数据幅值所在区间划分为多个子区间,随后对落入不同区间的数据分配数据符号,落入同一区间的数据分配相同数据符号。
7.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤六中,所述的根据卫星遥测数据,与步骤五中得到的数据符号集合,生成多维数据符号序列,结合模式符号集合,生成模式转移元组,具体为:依次分析卫星遥测数据,当出现一个模式切换点时,将该模式切换点前D个数据点所对应的数据符号依次记录,得到一个数据符号序列,该数据符号序列和模式切换前后所处模式对应的模式符号一起构成一个模式转移元组。
8.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤七中,所述的对得到的模式转移元组进行D-Markov重构,得到D-Markov机定性模型,具体为:统计所有模式转移元组,由模式α转移到模式β的模式转移元组出现次数记为Nαβ,在这Nαβ个模式转移元组中,数据符号序列s出现的次数记为Ns αβ,那么当当前模式为α,当前数据量化得到的序列为s时,模式转移为β的概率为Ns αβ/Nαβ,一起组成模式概率转移元组<α,s,Ns αβ/Nαβ,β>;所有模式概率转移元组一起组成D-Markov机定性模型。
9.根据权利要求1所述的一种基于支持向量回归的建模方法,其特征在于:步骤八中,所述的将D-Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型,具体为:将D-Markov机定性模型中模式符号与所对应的定量模型相关联,得到混合模型;在该混合模型中,D-Markov机的模式代表了卫星遥测数据所蕴含的模式,D-Markov机的切换条件代表了卫星遥测数据模式切换的条件,各个模式所对应的支持向量回归模型代表卫星遥测数据在该模式下的连续行为。
10.根据权利要求4所述的一种基于支持向量回归的建模方法,其特征在于:当数据为单维度时,需要将时间轴平移到0时刻开始。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266154.4A CN105956615B (zh) | 2016-04-26 | 2016-04-26 | 一种卫星遥测数据的混合建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610266154.4A CN105956615B (zh) | 2016-04-26 | 2016-04-26 | 一种卫星遥测数据的混合建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956615A true CN105956615A (zh) | 2016-09-21 |
CN105956615B CN105956615B (zh) | 2019-09-27 |
Family
ID=56916029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610266154.4A Expired - Fee Related CN105956615B (zh) | 2016-04-26 | 2016-04-26 | 一种卫星遥测数据的混合建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956615B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769734A (zh) * | 2017-01-10 | 2017-05-31 | 中国计量大学 | 一种超声波聚焦式河流泥沙浓度在线测量方法 |
-
2016
- 2016-04-26 CN CN201610266154.4A patent/CN105956615B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
Title |
---|
ERNST MORITZ HAHN 等: ""Rewarding probabilistic hybrid automata"", 《PROCEEDINGS OF THE 16TH INTERNATIONAL CONFERENCE ON HYBRID SYSTEMS: COMPUTATION AND CONTROL》 * |
GAN ZHOU等: ""A comprehensive diagnosis of hybrid systems for discrete and parametric faults using hybrid I/O automata"", 《IFAC-PAPERSONLINE》 * |
MICHAEL W. HOFBAUR等: ""Mode estimation of probabilistic hybrid systems"", 《INTERNATIONAL WORKSHOP ON HYBRID SYSTEMS: COMPUTATION AND CONTROL》 * |
储为新: ""SVM和HMM混合模型的研究及其应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刘辉等: ""隐马尔可夫模型和支持向量机混合模型声识别"", 《探测与控制学报》 * |
江涌涛: ""基于隐马尔可夫模型及支持向量机的机床切削颤振在线监测"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769734A (zh) * | 2017-01-10 | 2017-05-31 | 中国计量大学 | 一种超声波聚焦式河流泥沙浓度在线测量方法 |
CN106769734B (zh) * | 2017-01-10 | 2019-03-29 | 中国计量大学 | 一种超声波聚焦式河流泥沙浓度在线测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105956615B (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gillispie et al. | Enumerating Markov equivalence classes of acyclic digraph models | |
CN107037306B (zh) | 基于隐马尔科夫模型的变压器故障动态预警方法 | |
CN110024097A (zh) | 基于机器学习的半导体制造良率预测系统和方法 | |
CN106291445B (zh) | 一种电力采集系统异常的智能化诊断方法 | |
CN110378052A (zh) | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN105335752A (zh) | 一种基于主成分分析多变量决策树的接线方式识别方法 | |
CN110674752A (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN104537010A (zh) | 基于决策树的网构软件中的构件分类方法 | |
CN102945517B (zh) | 一种基于聚类分析的服装标准工时的数据挖掘方法 | |
Cheifetz et al. | Modeling and clustering water demand patterns from real-world smart meter data | |
CN107491508A (zh) | 一种基于循环神经网络的数据库查询时间预测方法 | |
CN108198268A (zh) | 一种生产设备数据标定方法 | |
CN109858785A (zh) | 一种评价智能电能表运行状态的方法和系统 | |
CN105956615A (zh) | 一种基于支持向量回归的建模方法 | |
Roy et al. | Deep predictive coverage collection | |
CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
DE102023205594A1 (de) | Verfahren und Systeme zum Trainieren eines Maschinenlernmodells mit während eines Herstellungsprozesses erfassten Messdaten | |
CN115659797B (zh) | 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法 | |
CN107220710B (zh) | 稀缺样本数据集条件下bn模型参数的计算方法 | |
CN111061151A (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
Gunn et al. | Improving high value manufacturing with simulation-based Bayesian Optimisation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210916 Address after: D2201, 22 / F, block D, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100088 Patentee after: BEIJING HANGTIANHUA TECHNOLOGY Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190927 |