[发明专利]一种基于回归分析的学科预测算法

权利要求书

1.一种基于回归分析的学科预测算法，其特征在于，包括以下步骤：

S1，基于预设的数据窗口长度，获取系统初始采样数据序列，利用初始采样数据序列计算系统线性回归预测模型的模型系数，并记录；

S2，获取增加的系统采样点数据，基于预设的数据窗口长度，形成新的系统采样数据序列；确定新的系统采样数据序列较初始采样数据序列所增加的系统采样点数据和减少的系统采样点数据；

S3，基于增加/减少的系统采样点数据以及当前模型系数，更新模型系数；然后基于减少/增加的系统采样点数据以及更新后的模型系数，再次更新模型系数，并记录；

S4，随系统采样点的增加重复步骤S2至步骤S4，得到每次采样点数据增加、采样数据序列变化后的模型系数，并记录。

2.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，还包括步骤S5，基于已记录的模型系数对系统性能的变化进行分析。

3.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，步骤S1中，对于系统模型Y^T＝W^TX，Y为对应采样输入量X的系统输出量，W为模型系数，则有中间矩阵CN＝(XX^T)^-1，模型系数WN^T＝Y^TX^TCN。

4.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，步骤S1中，对于系统模型Y^T＝W^TX，Y为对应采样输入量X的系统输出量，W为模型系数，则有中间矩阵CN＝(XX^T+λI)^-1，λ为岭回归系数，I为单位矩阵，当前模型系数矩阵WN^T＝Y^TX^TCN。

5.根据权利要求3或4所述的一种基于回归分析的学科预测算法，其特征在于，基于增加的系统采样点数据以及当前模型系数进行模型系数更新包括：

定义输入量初始采样数据序列矩阵为：X＝[xN-m+1…xN]，

输出量采样数据矩阵为：Y^T＝[yN-m+1…yN]，

增加的输入量/输出量系统采样点数据为xN+1/yN+1，构成矩阵x+＝xN+1/y+＝yN+1；则采样点数据增加后的中间矩阵为：CN+＝CN-CNx+(I+x+^TCNx+)x+^TCN，

采样点数据增加后的模型系数矩阵为：

WN+^T＝WN^T-WN^Tx+(I+x+^TCNx+)x+^TCN+y+^Tx+^TCN+；

将采样点数据增加后的中间矩阵CN+和模型系数矩阵WN+更新为当前中间矩阵CN和当前模型系数矩阵WN。

6.根据权利要求5所述的一种基于回归分析的学科预测算法，其特征在于，基于减少的系统采样点数据以及当前模型系数进行模型系数更新包括：

定义减少的输入量/输出量系统采样点数据为xN-m+1/yN-m+1，构成矩阵x_＝xN-m+1/y_＝yN-m+1，

则采样点数据减少后的中间矩阵为：CN-＝CN+CNx-(I+x-^TCNx-)x-^TCN，采样点数据减少后的模型系数矩阵为：

WN-^T＝WN^T+WN^Tx-(I+x-^TCNx-)x-^TCN-y-^Tx-TCN-

将采样点数据减少后的中间矩阵CN-和模型系数矩阵WN-^T更新为当前中间矩阵CN和当前模型系数矩阵WN。

7.根据权利要求1所述的一种基于回归分析的学科预测算法，其特征在于，步骤S1、S3以及S4中，分别将计算得到的模型系数结果记录为对应相应采样数据序列中最新采样点的模型系数。