粗集理论在污水参数软测量中的应用研究

用粗糙集理论约简属性,消除冗余信息后建立了污泥体积指数的神经网络软测量模型.用某城市污水厂实际水质参数进行仿真实验.仿真结果表明,与未采用粗糙集进行预处理的模型相比,应用该模型不仅测量值的误差更小,而且输入参数从9个降至4个,大大降低了输入数据的维数,减少了神经网络的训练时间及训练步数,有利于软测量模型的实用化.     

粗糙集在滚动轴承故障诊断中的应用

对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。     

基于支持向量机与粗糙集理论的信息处理

支持向量机(SVM)和粗糙集理论是近几年国际上研究的热点,在生物信息处理、模式识别等领域有广泛的应用.结合模糊集和支持向量机(SVM)提出了基于模糊集的支持向量机(FSSVM),然后对基于模糊集的支持向量机和粗糙集理论进行了详尽的分析、比较,最后通过实验比较得出将基于模糊集的支持向量机和粗糙集理论相结合是处理数据和信息的较好方案.     

基于关联向量机的污水处理软测量模型研究

出水总氮(TN)和总磷(TP)是衡量水质的重要指标,用人工方法分析存在很大的滞后性且难以测量。针对污水处理过程中强非线性、随机干扰等因素带来的一系列问题,运用基于关联向量机(RVM)的软测量方法,通过数据训练建立起水质软测量模型。试验结果表明,基于关联向量机的污水处理软测量模型能起到较好的预测效果,适合工业应用。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于支持向量机的水电机组故障诊断研究

针对水电机组故障信息缺乏、故障识别困难等问题,提出基于支持向量机的水电机组故障诊断模型。并针对实测水电机组故障数据,分析支持向量机水电机组故障诊断模型和常用的神经网络故障诊断模型等理论在水电机组故障诊断中的优劣。研究表明,支持向量机理论在小样本情况下比神经网络具有更强的诊断能力。     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于粗糙集理论与支持向量机的多传感器信息融合方法

为提高多传感器信息融合过程中数据处理的速度和准确度,采用一种粗糙集理论与支持向量机相结合的处理方式。首先,使用粗糙集理论(RS)对参数集进行属性约简,消除冗余信息,减少训练数据数量。再以支持向量机对约简后的数据进行分类训练。实验表明该方法的使用能加快系统的运行速度和处理精度。     

离合器控制系统试验建模方法对比

无级变速器起步离合器的占空比变化率和油温的变化,影响了离合器的线性机理模型反映执行机构实际性能的准确性,引起了车辆起步控制品质的下降。针对这一问题,基于台架试验数据,分别建立了基于支持向量机和径向基神经网络的离合器数学模型,在不同的油温和占空比变化率下,对线性机理建模、支持向量机和神经网络三种建模方法进行了对比分析。结果表明,离合器支持向量机模型和神经网络模型的控制精度明显优于其线性机理模型,同时支持向量机模型比神经网络模型具有更强的泛化能力。     

基于支持向量机的催化剂颗粒浓度软测量

软测量技术的关键是建立优良的软测量数学模型,最小二乘支持向量机(LS-SVM)以其优良的泛化特性而被应用到软测量建模中.在分析炼油厂烟气催化剂颗粒浓度测量原理和现状的基础上,提出了基于最小二乘支持向量机建模的催化剂颗粒浓度软测量方法,给出了相应的系统结构和算法.针对系统慢时变特性,采用模型校正机制,以提高软测量的在线监测精度.仿真和实际运行结果表明,基于LS-SVM的软测量精度优于经验公式,是软测量建模的一种有效方法.     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

磷虾群算法优化支持向量机的威胁估计

为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。     

诺西肽发酵过程中的混合建模

本文提出了一种发酵过程混合建模方法。该模型由基于质量平衡的发酵过程机理方程与基于数据的支持向量机模型2部分组成。机理方程作为描述过程的动态行为的整体框架，支持向量机模型用来进行模型参数的估计。并且提出了一种在线修正策略，增强了模型的实用性。将所建立的混合模型应用于诺西肽发酵过程中，结果表明，混合建模方法具有很好的估计性能。     

Support-vector-regression-based prediction of water holdup in horizontal oil-water flow by using a bicircular conductance probe array

This paper presents a water holdup prediction method based on support vector regression (SVR) for horizontal oil-water two-phase flow when using a bicircular conductance probe array that consists of 24 conductance probes. The support vector machine (SVM) was employed to establish a nonlinear SVR model mapping the probe array responses into water holdup directly. Experiments were carried out in the 16 m long and 125 mm inner diameter horizontal pipe of an industrial scale experimental setup. The experimental data obtained under 220 flow conditions were first divided into modeling data set and comparing data set. The modeling data set is used for establishing a nonlinear SVR and a linear least squares regression (LSR) models, while the comparing data set is used for comparing both models with the equi-weight and optimal weight estimate methods. Comparison results obtained by using the comparing data set show that when the binary data of the probes’ responses are used only, the measurement accuracy of the optimal weight estimate method is the best. If the analog data can be obtained, the measurement accuracy of both regression methods are better than those of both weighting estimate methods, especially, the nonlinear SVR method provide the best measurement accuracy.     

基于WSVM的软测量算法应用研究

为了克服污水处理过程中随机干扰严重影响软测量效果的不足,基于支持向量机(SVM)核方法和小波多分辨率理论,提出了一种多分辨率小波核支持向量机的机器学习方法,并应用于对污水处理过程水质参数的软测量中.利用支持向量回归机与参数特性混合建模,实现了对BOD浓度与COD浓度的在线软测量.仿真结果表明:应用该软测量技术能较好地克...     

粒子群算法优化双核支持向量机及应用

针对支持向量机核函数和控制参数选取难度较大的问题,提出了一种主动划分参数区间的双尺度径向基核支持向量机,并用并行定向变异混合粒子群优化算法选取其控制参数。试验分析了利用标准数据集经多次独立重复试验得到的均值等统计量,验证、测试了上述支持向量机模型,同时考虑了类间数据不平衡的影响。结果表明,双尺度径向基核函数的性能在多数情况下优于单径向基核函数,并行定向变异的混合粒子群优化算法优于标准粒子群优化算法,能够有效抑制早熟收敛,有利于搜索到更优的支持向量机控制参数。     

K-OPLS方法在化工软测量建模中的应用

针对强非线性复杂化工过程的软测量建模问题,提出了一种基于核隐变量正交投影(K-OPLS)的建模方法。隐变量正交投影(O-PLS)是一种通用的线性多变量数据建模方法,它可以消除与响应变量(输出)正交的描述变量(输入)的总体变化。在O-PLS模型框架下, K-OPLS方法利用"核技巧"将描述变量映射到高维特征空间,计算模型中的预测成分和响应-正交成分。因此, K-OPLS方法通过给出描述与响应变量之间的非线性关系,在一定程度上提高了模型的性能,增强了模型的可解释性。为了验证K-OPLS方法的有效性,将其分别应用于脱丁烷塔基丁烷(C4)组分含量估计、工业流化催化裂化装置(FCCU)关键产品产量预测、硫回收装置(SRU)中H_2S和SO_2浓度预测的软测量建模实例中。实验结果表明,在相同条件下,与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、主元分析-支持向量机(PCA-SVM)、极限学习机(ELM)、核极限学习机(KELM)和PCA-KELM方法相比较, K-OPLS方法具有更好的建模精度和模型泛化能力。