检索范围：
排序： 展示方式：
基于含隐变量的贝叶斯网络质量相关局部加权的非平稳过程软测量方法 Research Articles
《信息与电子工程前沿（英文）》 2021年 第22卷 第9期 页码 1234-1246 doi: 10.1631/FITEE.2000426
在工业过程中，软测量技术被广泛用于预测难以测量的质量变量。构建一个应对过程非平稳性的自适应模型非常必要。本文针对非平稳过程，设计了一种基于含有隐变量贝叶斯网络的质量相关局部加权软测量方法。提出一种有监督贝叶斯网络提取质量相关的隐变量，并应用于一种双层相似度测量算法。所提软测量方法试图通过质量相关信息为非平稳过程寻找到一般方法，且详细解释了局部相似度和窗口置信度的概念。结果表明所提方法预测关键质量变量的精确度优于竞争方法。
王良民,马建峰
《中国工程科学》 2008年 第10卷 第8期 页码 87-96
为解决反应式容忍入侵系统中的入侵预测问题，提出了新的混合式贝叶斯网络方法。提出了基于入侵模型的混合式贝叶斯网络(HyBN, hybrid bayesian network)模型，将入侵模型中攻击行为和系统安全状态节点分离为攻击层和状态层两个网络层次，两层间使用收敛连接，而两层内部的节点间使用连续连接在特定的信度更新算法的支持下，实验说明该贝叶斯网络方法用于入侵预测的有效性，比较说明HyBN方法的优点。
一种局部二次嵌入学习算法及其在软测量中的应用 Article
包垚垚, 朱远明, 钱峰
《工程（英文）》 2022年 第18卷 第11期 页码 186-196 doi: 10.1016/j.eng.2022.04.025
鉴于元学习在众多领域取得的巨大成就，本文针对数据回归问题提出了融合度量学习和神经网络（NN）的局部二次嵌入学习（LQEL）算法。然后，基于局部二次插值假设原理，引入了两个轻量级的神经网络，其一用于学习局部二次模型中的系数矩阵，另一个则用于对从不同局部近邻获得的预测结果进行权重分配。并且，使用LQEL算法对变量进行差分建模，避免了因传感器漂移或不可测量变量导致的模型退化问题。多个基准数据集和两个实际工业应用数据集的计算结果表明，所提出的方法优于几种典型的回归方法。
一种用于自动驾驶的车辆概率性长期轨迹预测框架 Article
刘金鑫, 罗禹贡, 钟志华, 李克强, 黄荷叶, 熊辉
《工程（英文）》 2022年 第19卷 第12期 页码 228-239 doi: 10.1016/j.eng.2021.12.020
在混合动态交通环境中，准确地预测周围车辆长期范围内的运动轨迹是自动驾驶车辆（AV）实现合理行为决策和保障行车安全不可或缺的前提条件之一。本文提出了一种车辆长期轨迹预测的概率框架，由驾驶意图推理模型（DIM）和轨迹预测模型（TPM）组成。DIM基于动态贝叶斯网络进行设计和应用，用于准确推断车辆潜在的驾驶意图。为了进一步提高轨迹预测精度并实现预测不确定性识别，本文开发了基于高斯过程（GP）的TPM，综合考虑了车辆模型的短期预测结果和运动特性。最后，在高速换道场景下进行仿真验证，说明了新方法的有效性。通过与其他先进方法进行对比，展示并验证了该框架在车辆长期轨迹预测任务中的优异性能。
词加权有监督主题模型：多标签文本分类 None
Yue-peng ZOU, Ji-hong OUYANG, Xi-ming LI
《信息与电子工程前沿（英文）》 2018年 第19卷 第4期 页码 513-523 doi: 10.1631/FITEE.1601668
裂缝性储层数据驱动模型证伪与不确定性量化 Article
方军龄, 龚斌, Jef Caers
《工程（英文）》 2022年 第18卷 第11期 页码 116-128 doi: 10.1016/j.eng.2022.04.015
王华亭,冯俊文,高朋,王健
《中国工程科学》 2007年 第9卷 第12期 页码 4-9
Xueying Lu, Kirk E. Jordan, Mary F. Wheeler, Edward O. Pyzer-Knapp, Matthew Benatan
《工程（英文）》 2022年 第18卷 第11期 页码 96-104 doi: 10.1016/j.eng.2022.06.011
We present a framework that couples a high-fidelity compositional reservoir simulator with Bayesian optimization (BO) for injection well scheduling optimization in geological carbon sequestration. This work represents one of the first at tempts to apply BO and high-fidelity physics models to geological carbon storage. The implicit parallel accurate reservoir simulator (IPARS) is utilized to accurately capture the underlying physical processes during CO2 sequestration. IPARS provides a framework for several flow and mechanics models and thus supports both stand-alone and coupled simulations. In this work, we use the compositional flow module to simulate the geological carbon storage process. The compositional flow model, which includes a hysteretic three-phase relative permeability model, accounts for three major CO2 trapping mechanisms: structural trapping, residual gas trapping, and solubility trapping. Furthermore, IPARS is coupled to the International Business Machines (IBM) Corporation Bayesian Optimization Accelerator (BOA) for parallel optimizations of CO2 injection strategies during field-scale CO2 sequestration. BO builds a probabilistic surrogate for the objective function using a Bayesian machine learning algorithm—the Gaussian process regression, and then uses an acquisition function that leverages the uncertainty in the surrogate to decide where to sample. The IBM BOA addresses the three weaknesses of standard BO that limits its scalability in that IBM BOA supports parallel (batch) executions, scales better for high-dimensional problems, and is more robust to initializations. We demonstrate these merits by applying the algorithm in the optimization of the CO2 injection schedule in the Cranfield site in Mississippi, USA, using field data. The optimized injection schedule achieves 16% more gas storage volume and 56% less water/surfactant usage compared with the baseline. The performance of BO is compared with that of a genetic algorithm (GA) and a covariance matrix adaptation (CMA)-evolution strategy (ES). The results demonstrate the superior performance of BO, in that it achieves a competitive objective function value with over 60% fewer forward model evaluations.
基于图块的局部加权表决标记融合分割算法 Article
Kai ZHU, Gang LIU, Long ZHAO, Wan ZHANG
《信息与电子工程前沿（英文）》 2017年 第18卷 第5期 页码 680-688 doi: 10.1631/FITEE.1500457
高炉炼铁过程数据驱动软测量技术研究综述 Review Article
罗月阳1,张新民1,Manabu Kano2,邓龙3,杨春节1,宋执环1
《信息与电子工程前沿（英文）》 2023年 第24卷 第3期 页码 327-354 doi: 10.1631/FITEE.2200366
Sousa Luis Ribeiro e,Miranda Tiago,Sousa Rita Leal e,Tinoco Joaquim
《工程（英文）》 2017年 第3卷 第4期 页码 552-558 doi: 10.1016/J.ENG.2017.04.002
联合局部学习和组稀疏回归的无监督特征选择 Regular Papers
Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU
《信息与电子工程前沿（英文）》 2019年 第20卷 第4期 页码 538-553 doi: 10.1631/FITEE.1700804
关键词： 无监督；局部学习；组稀疏回归；特征选择
标题 作者 时间 类型 操作
基于样地调查的地质碳储量的贝叶斯优化
Xueying Lu, Kirk E. Jordan, Mary F. Wheeler, Edward O. Pyzer-Knapp, Matthew Benatan
期刊论文
京公网安备 11010502051620号
