基于支持向量机的石脑油干点软测量建模研究

原油精馏装置处于石油化工厂工艺流程的最前端,石脑油是精馏装置的主要产品之一,干点值是衡量石脑油质量的一个重要参数指标,通过现有测量手段不能得到干点的实时测量值。而支持向量机是近年发展起来的一种基于统计学习理论的学习机器,在模式识别和非线性函数回归估计方面有很多的应用。文中旨在通过采用软测量技术得出石脑油干点的实时监测信息,着重讨论基于支持向量机回归和最小二乘支持向量机回归的软测量建模方法。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

最小二乘支持向量机在软测量建模中的应用

支持向量机(Support Vector Machine．SVM)应用结构风险最小化理论，从训练集中选择一组特征子集。使得对特征子集的线性划分等价于对整个数据集的分割。支持向量机最初应用于模式识别，随后开始在信号处理、函数逼近等领域也得到了广泛发展。支持向量机与神经网络等常用方法相比，其具有泛化性好、建模所需学习数据较少等优点。     

基于支持向量机的软测量方法及其在生化过程中的应用

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷，提出了一种改进的最小二乘支持向量机回归方法。根据样本点间欧氏距离的大小，去除原变量空间中大部分的样本点，从而获得回归模型的“稀疏”特性，大大简化模型复杂程度。同时，将这一方法应用于生物发酵过程，建立青霉素发酵过程中产物浓度的软测量模型，实现青霉素浓度的在线预估。实验研究结果表明，所提方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段。     

基于nu-支持向量机的软测量技术

利用支持向量机(SVM)来进行软测量建模,首先简要介绍nu-SVM的基本原理,随后利用它来建模重油催化裂化装置.理论分析和仿真研究表明,该方法泛化能力强、对样本的依赖程度低,比基于神经网络的软测量具有更好的性能.     

基于支持向量机的赖氨酸发酵生物参数软测量

微生物发酵过程中生物参数难以在线实时测量,给优化控制带来用难.为了解决测量问题,采用软测量方法对不可测的生物参数通过辅助变量的计算实现在线估计,软测量的模型用标准支持向量机构建,数据集来自5个批次的赖氨酸发酵实验.发酵过程中流加葡萄糖溶液和氨水,实验数据由VKT-30L发酵实验系统自动采集记录,二氧化碳释放率与摄氧率由尾气分析装置经过二次计算得到.模型经过训练后进行仿真计算,能够较准确地输出生物参数预测值,比径向基神经网络模型有更强的推广能力和更高的预测精度.     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

基于粒子群优化的支持向量机的软测量应用

提出了一种基于粒子群优化算法的支持向量机参数选择方法。针对RBF-SVM,利用PSO算法中粒子速度及其位置与RBF-SVM模型中参数对C和g相对应,找到最优参数,代入支持向量机SVM预测模型中,得到基于粒子群优化算法的支持向量机(PSO-SVM)模型,利用此模型对电厂的一次风量软测量进行预测研究。实验结果表明,经过粒子群优化算法的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

基于最小二乘支持向量机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法，并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中，仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力，同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于灰色关联和改进SVM的钴离子浓度预测研究

硫酸锌溶液净化过程具有多变量耦合、强非线性、大时滞性等特点,同时其过程数据具有高噪声、非平稳等特性,针对上述特点提出了一种基于灰色关联和改进SVM的净化过程Ⅱ段出口钴离子浓度混合预测模型.首先利用灰色关联方法,提取与钴离子浓度关联性最大的检测参数;其次在所得检测参数基础上采用LS-SVM算法建立回归建模,同时利用遗传算法对SVM的关键参数进行实时调整,达到预测的目的.生产实践证明,该预测模型能够较好地预测Ⅱ段后液钴离子浓度值,从而为优化锑盐和锌粉添加量的操作起指导性作用.     

基于支持向量机的葡萄酒质量预测

通过葡萄酒的理化指标来对葡萄酒质量进行预测,一方面可以减少因为评酒师主观原因造成的偏差,另一方面可以根据预测结果调整酿造过程提高成酒品质。介绍了支持向量机的原理,并通过实验进行测试验证了通过支持向量机对葡萄酒理化指标数据进行建模分析从而预测葡萄酒质量的方法是有效可行的。     

基于支持向量机的直升机建模

为建立高精度的直升机仿真模型,首次把支持向量机方法引入直升机智能化建模领域。对实际飞行数据进行野值剔除、高频滤波和微分平滑等预处理。在此基础上,利用支持向量机建立了直升机自转着陆过程的旋翼转速模型。与神经网络模型相比,该模型具有结构简单、运算速度快、泛化能力高等特点。理论分析和仿真结果表明,用支持向量机建立直升机的仿真模型是切实可行的。     

基于支持向量机的交叉重叠目标分割

针对两个目标的交叉重叠,一般分割算法会将其分割为同一个目标的问题,提出了基于支持向量机的分类分割算法。通过分析支持向量机线性可分与线性不可分的分类原理,研究了两个交叉重叠目标的特征属性,提出了提取目标的边缘点坐标作为输入空间的特征向量;分析了支持向量机的训练样本、核函数等对分割的影响,设计了基于支持向量机的分类分割算法。通过实验表明,该算法有效地解决了交叉重叠目标的分割问题。     

基于支持向量机工具的性能劣化建模方法

针对基于故障数据的数控装备可靠性研究中的小样本问题,提出了建立基于支持向量机的性能劣化模型.在研究支持向量机的建模理论和参数优化方法的基础上,将最小二乘法支持向量机工具LSSVM.M应用于性能退化数据处理,提出一种改进的参数选择方法,以提高拟合和预测准确性.通过实例,验证了该方法的可行性,并建立了数控机床加工精度的性能劣化模型,为可靠性评估奠定了基础.     

基于支持向量机回归机的曲面拟合技术

提出了一种基于支持向量回归的点云曲面重构方法,从点云中按一定规则取样得到小样本集,以小样本集为支持向量,并以径向基函数为核函数重建复杂线性函数曲面模型。实验表明该方法能直接重建散乱点云数据．拟合出曲面模型且具有较好的效果,并具有误差小、速度快等优点。     

基于鲁棒支持向量机的非线性系统辨识

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,该文利用鲁棒支持向量机对非线性系统进行黑箱建模,首先推导出鲁棒支持向量机的基本理论,给出了对偶优化问题,并结合一个具体的例子进行了仿真实验,结果验证了所提出的方法的正确性和有效性.     

基于聚类支持向量机的气体泄漏检测

本文提出了一种基于声学信号功率谱分析和聚类支持向量机的检测管道损坏导致气体泄漏的新方法。该方法以现场采集的声学信号功率谱作为聚类支持向量机的输入,首先分析了环境变量对信号频谱的影响,然后,通过对现场不同环境下采集的信号采用自组织特征映射网络算法进行聚类分析,将检测空间分为若干独立子空间,再针对每一子空间构造一个支持向量机检测模型,并以对应子空间的样本集训练支持向量。基于某炼化厂采集数据所进行的实验表明,该方法在不同的现场环境下均具有较好的检测性能。     

基于单类支持向量机的织物瑕疵检测研究

为了实现在工业环境下的织物瑕疵在线检测,提出了一种基于单类支持向量机(OCSVM)的织物异常纹理检测方法。通过利用CCD采集织物图像,滤除图像噪声后提取了图像小区域窗口子图像特征;通过实验寻找了两组有效的特征向量,对特征值进行了归一化和主成份分析降维后导入支持向量机分类器中进行了训练,利用单类SVM对异常区域进行了定位和标记。通过对分别利用两组特征向量识别出的图像结果进行组合得到了最后的瑕疵区域。实验结果表明,该算法能够正确地对多种瑕疵进行识别,并能较大程度降低误检率和漏检率;同时,能够有效解决生产实际中瑕疵训练样本难以获取的问题,对未知的待测样本有较好的推广性,可以适应工业检测的要求。     

基于支持向量机的雷达一维距离像识别

本文利用三类常用的核构造的支持向量机来对雷达目标一维距离像识别,得到了较高的识别率,通过改进支持向量机的核能较大程度减少训练时间,也能使支持向量的个数显著减少,同时具有较高的识别率.