贪婪核主元模糊神经网络在转炉炼钢终点预报中的应用

本文提出基于核思想和贪婪算法的主元模糊神经网络模型,用来进一步提高转炉终点碳含量和 温度预报模型的精度．采用核函数把输入变量向高维特征空间映射以充分挖掘变量的隐藏信息,经贪婪算法 优化选取主元,除去变量的冗余信息,降低输入维数．将提取的主元输入自适应神经模糊推理系统后,网络 以规则的形式来反映数据间蕴含的关系;以此模拟操作工经验,减少经验差异带来的影响．对转炉生产实测 数据进行了仿真,结果表明该模型是有效的．     

PCA—RBF方法在聚丙烯熔融指数建模中的应用

针对聚丙烯的生产过程是一个大滞后、时变、非线性的复杂系统,提出了基于主成分分析(PCA)的RBF神经网络聚丙烯熔融指数建模方法。该方法用主元分析对高维输入变量进行预处理,构造反应过程信息的低维主元变量,再经径向基函数神经网络对主元变量进行建模。该方法不仅简化了神经网络的结构,而且可以借助主元分析方法对过程故障和过失误差进行侦破,避免导致模型的错误输出。理论分析和实验结果表明,基于PCA和RBF网络方法的聚丙烯熔融指数建模具有精度高、鲁棒性强的优点,有利于工业生产应用。     

时滞多变量系统PCA优化建模

主元分析（PCA）在工业生产过程的产品质量控制与故障诊断等方面已得到广泛应用，然而当过程的变量间存在着未知时滞性时，必须确定数据间的对应关系，否则PCA模型将会不准．基于此，提出了PCA优化建模方法．该方法以过程变量间的时滞常数为优化变量，在分析PCA模型特点基础上，确定主成分个数和SPE统计量为综合目标函数，并建立模型约束条件，采用遗传算法求解．最后给出了仿真实例，证明了所提出方法的有效性．     

用于非高斯系统降维的最小残差熵主元网络

基于最小均方误差的主元分析和主元神经网络是有效的多变量降维统计技术,它们所提取的主元含有系统最大方差.非高斯随机系统的近似模型应当含有系统最大信息熵,但包含最大方差并不一定包含最大信息熵.该文提出一种以最小残差熵为通用指标的非线性主元神经网络模型,并给出了一种基于Parzen窗口密度函数估计的熵近似计算方法和网络学习算法.然后从信息论角度分析了,在高斯随机系统中基于最小残差熵和最小均方差为指标的主元网络学习结果具有一致性.最后以仿真验证该方法的有效性,并与基于最小均方误差的主元分析和主元神经网络方法的计算结果进行对比性分析.     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

气流干燥过程水份软测量集成建模研究

气流干燥是闪速熔炼的关键工序之一,控制干燥后精矿的含水率在0.1%～0.3%之间是稳定熔炼生产的前提;由于水份含量人工检测的时间间隔较长,很难及时反映生产实际,影响干燥过程的优化控制;采用主元分析的方法,建立了水份含量的主元回归模型,并利用BP神经网络模型进行误差修正,实现对干精矿含水率的软测量;实际应用表明,该集成模型精度高,能满足工业生产要求.     

铅锌烧结过程的集成建模方法及智能优化算法

以铅锌烧结过程的集成建模和优化控制为背景 ,首先集成主元分析、神经网络、模糊专家系统等多种方法 ,建立了铅锌烧结过程的综合工况模型 ,然后根据综合工况模型预测的结果 ,采用聚类搜索混沌遗传算法获得最优的操作参数 ,给出操作优化指导 .本文提出的集成建模方法与操作优化算法 ,很好地解决了多输入多输出复杂工业过程的建模和优化控制问题 ,在铅锌烧结过程的生产中产生了显著的效益     

油田产量多变量预测模型的优化

油田开发是一个复杂的多变量非线性动力学系统，为有效地预测油田产量，确保油田生产过程高产稳产，该文提出采用多元线性回归与神经网络相结合的方法对油田产量多变量预测模型进行优化。首先基于回归分析的“后退法”对影响产量的变量进行优选，然后通过神经网络对优选后的变量进行训练得到最终的预测模型，从而实现神经网络与多元线性回归相结合建立多变量预测模型。实际应用结果表明，优化后的模型简洁实用，可以在一定程度上提高模型的预测精度，并减少建模预测所需数据量。     

基于灰关联分析的KPCA-LSSVM蒸发过程软测量

针对氧化铝生产蒸发过程铝酸钠溶液浓度难以在线检测问题,提出一种基于灰色关联分析和核主元分析相结合的支持向量机蒸发过程建模方法.该方法采用灰色关联分析和核主元分析过程可测参数确定出软测量模型的输入输出变量,再用混沌粒子群优化算法的最小二乘支持向量机构建软测量模型.通过灰关联和核主元分析,既可以全面广泛的筛选出输入变量,增强了模型的适应能力;又可以消除样本共线性,大大降低样本维数.以蒸发过程生产数据进行实验验证的结果表明,与KPCA-LSSVM和LSSVM相比,新模型收敛速度快、鲁棒性较强、精度较高、泛化性更好,能有效的实现蒸发过程铝酸钠溶液浓度的在线检测.     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

基于主成分分析的高速网络IDS性能研究

随着高速网络的快速发展,如何在高速网络中快速有效地捕捉到异常的攻击特征,成为研究IDS所面临的首要问题。利用主成分分析技术的不同主成分互不相关和主成分是原始特征的线性组合的特性,有效地将高维特征向量映射到低维的空间中,既保持了原始数据的特征,又减少了高速网络环境下系统的丢包率,通过对KDD Cup99数据集进行实验,并运用BP神经网络分类器进行了验证,证明该方法是正确有效的。同时提出了数据管理功能模块,不但使算法与实际应用结合的更加紧密,而且也改善了入侵检测系统的整体性能。     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

基于分层分块DLPPCA-SVM的复杂工业过程监测与故障诊断方法

针对工业过程动态性及非线性强等特点,提出一种基于动态局部保持主成分分析法的过程监测方法.该方法通过构造扩展矩阵来解决动态过程中各采样点间相关性强的问题,并将局部保持投影(LPP)与主成分分析法(PCA)相结合从而实现提取流形结构的最大方差信息.在此基础上,针对复杂工业过程变量复杂多变、呈不同特性的特点,提出基于分层分块DLPPCA-SVM(dynamic locality preserving principal component analysis-support vector machine, DLPPCA-SVM)的过程监测及故障诊断方法,该方法针对不同特性的子块分别采用DLPPCA和PCA进行建模,并利用支持向量机进行故障诊断.将该方法用于田纳西-伊斯曼(TE)化工过程和发电机组的在线监测和故障诊断,仿真结果验证了所提出方法的有效性.     

基于约束主成份分析的文本聚类算法

主成份分析对高维数据进行维数约简可有效提高聚类算法的性能,但这种方法容易丢失部分对聚类具有贡献的成份.为在维数约简的同时保留对聚类具有贡献的成份,提出一种维数约简与聚类交互进行的迭代算法.每次迭代可表示为约束优化问题,并可求解此优化问题的解析解,进而给出相应的迭代聚类算法,称之为基于约束主成份分析的本文聚类.在Reuter21578、WebKB文档集上的实验结果表明,文中方法与k-均值聚类、非负矩阵分解聚类和谱聚类相比具有较好的性能.     

基于Isomap降维的噪声处理算法

由于非线性降维方法对高维数据中存在的噪声比较敏感,导致最终的分类效果比较差．为了弥补其不足,在首先使用极大似然估计方法估测出样本数据本征维度的前提下,提出一种结合等距特征映射与主成分分析的方法．一方面能够使原始数据保持其在高维空间的几何结构,另一方面可以消除噪声对降维结果的影响,最终使得低维数据尽可能的保持原始样本数据集的内在特征．通过实验论证表明,该组合方法的效果比单独直接使用等距特征映射和主成分分析算法的效果都要好．     

Latent variable MPC for trajectory tracking in batch processes

A novel multivariate empirical model predictive control strategy (LV-MPC) for trajectory tracking and disturbance rejection for batch processes is presented. The strategy is based on dynamic principal component analysis (PCA) models of the batch process. The solution to the control problem is computed in the low dimensional latent variable space of the PCA model. The trajectories of all variables over the future horizon are then computed from the latent variable solution of the controller. The excellent control performance and the modest closed-loop data requirements for identification are illustrated for the temperature tracking in simulations of an emulsion polymerization process, an exothermic chemical reaction system and for MIMO temperature and pressure tracking in a nylon polymerization autoclave.     

基于主成分分析的决策树构造方法

针对传统的ID3算法在选择分裂属性上对取值较多属性过分依赖的缺点,提出了基于主成分分析的决策树优化算法.该算法是通过主成分分析综合了信息增益和相关度系数来选择分裂属性.论文通过UCI提供的标准数据集,对优化算法进行测试,分析了优化算法的性能特点,验证了优化算法在分类正确率和执行效率上要优于ID3算法.     

分段多向核主元分析的啤酒发酵过程故障检测

基于主元分析的故障诊断模型应用在非线性时变过程中具有局限性。基于间歇过程具有周期性这一特点,在非线性空间的数据提取中,将核变换理论引入其中,提出了一种改进的多向核主元分析故障诊断模型,该方法对于过程数据的非线性问题的解决和非线性信息的充分提取表现出很好的性能,使得非线性主元能够在高维特征空间中被快速提取。 对比实验结果表明,该方法对于缓慢时变的间歇过程具有很好的准确性与实时性。     

一种新的多阶段改进MPCA间歇过程监视方法的研究

针对间歇生产过程存在的多阶段问题,提出了基于数据动态特性CPV(1)(cumulative percent variance of the first principal component)指标进行模糊聚类实现多阶段软划分的方法,解决了传统分段方式对间歇过程进行硬划分的缺陷,使得过程多阶段划分更加准确。在此基础上建立多阶段具有时变主元协方差的改进MPCA(multiway principal component analysis)模型进行间歇过程的监视。将此方法应用于青霉素发酵过程,验证了该方法的可靠度和有效性。     

组合分析蚀变信息提取方法研究

目前主成分分析法、比值法、光谱角制图法等已广泛应用于遥感矿化蚀变信息提取中,且取得了很好的效果。根据研究区遥感数据特点,采用比值与主成分组合分析的方法,结合FLAASH大气校正、中值滤波以及彩色密度分割等图像处理方法,对新疆且末地区ASTER数据进行蚀变信息提取。经USGS标准矿物波谱库中典型矿物光谱的验证,组合分析方法能够去除数据冗余和噪声,有利于各类蚀变信息的提取。