为了详细研究重型车辆的行驶状态,利用两种不同的方法建立了车辆的数字孪生模型对其进行预测研究,并对孪生模型的适用范围进行了分析。首先利用相关装置和仪器对车辆的行驶参数和状态进行了测量,然后分别利用高斯过程和深度卷积神经网络建立了车辆行驶的数字孪生模型,两个模型的输入均为车辆的传动系统参数、动力系统参数及天气状况,输出参数为车辆的行驶速度和转矩值。分析结果显示,基于高斯过程的数字孪生模型对于车辆行驶参数的预测精度较高,基于深度卷积神经网络的孪生模型在短时间内的收敛精度较好。文中所建立的车辆数字孪生模型为后续的车辆行驶状态的优化及孪生交互技术的实现奠定了基础。

针对当前锚杆支护时工作状态的非线性和不可预测性等问题,探讨了基于多参数输入与输出高斯过程回归的锚杆支护状态预测的可行性。首先,介绍了锚杆支护过程的电液控制原理与主要控制参数;其次,推导了高斯过程回归数学模型;最后,通过试验仿真,将采集的数据分为70%训练集和30%测试集,使用径向基核函数,通过最大边缘似然方法自动获取超参数,以多元化评价指标,对比预测值和实际值,验证了预测方法的有效性。结果证明基于多参数输入与输出高斯过程回归算法,对锚杆支护状态的预测结果具备一定的参考价值,其预测结果在可接受范围内。后续考虑通过增加边界条件,自动过滤非理想预测点,提高方法预测效率和预测准确率。

与支持向量机相比，高斯过程有着容易实现、灵活的非参数推断及预测输出具有概率意义等优点。将高斯过程回归引入边坡非线性变形时序分析，采用单一核函数之和作为高斯过程回归的组合核函数以提高其泛化性能。目前通常采用共轭梯度法求取训练样本对数似然函数的极大值以自适应地获得最优超参数，但共轭梯度法存在优化效果初值依赖性强、迭代次数难以确定、易陷入局部最优解的缺陷。改用十进制遗传算法在训练过程中搜索最优超参数，形成遗传-组合核函数高斯过程回归算法，并编制了相应的计算程序。卧龙寺新滑坡变形时序分析结果表明，与遗传-单一核函数高斯过程回归算法和遗传-支持向量回归算法相比，所提出的遗传-组合核函数高斯过程回归算法显著提高预测精度，可以应用于边坡变形的时序分析，并为类似工程提供借鉴。

针对一种新型倾转旋翼水空跨域机器人,采用一种非参数系统辨识算法,目的是在数据量较少情况下,实现对跨域机器人的动力学建模。该算法基于多输出高斯过程,在无需机器人动力学模型的先验知识情况下,可通过采集试验数据,获得机器人的模型。为降低高斯过程回归的计算复杂性,采用局部高斯过程回归,对机器人的动力学模型进行辨识。为验证该辨识方法的有效性,在空气中以倾转四旋翼模型为试验平台,利用遥控获取的机器人数据进行验证。在机器人相同控制输入量下,对比模型预测值和实际测量值,证明该机器人动力学辨识方法的有效性和局部高斯过程回归的快速性。