二维非饱和土壤水流方程基于POD方法的有限元格式

将特征正交分解(Proper Orrhogonal Decomposition,POD)应用于二维非饱和土壤水流方程通常的有限元格式,将其简化为一个计算量少但具有足够高精度的POD有限元格式,并给出POD有限元解的误差估计.数值例子表明:POD有限元解能有效地表达土壤水流的运动特征,保证了POD有限元解和通常有限元解误差足够小,而且POD有限元格式有较少的自由度,比通常的有限元格式大大节省了计算量和内存容量,从而验证POD方法的有效性.     

卷取张力控制过程的故障诊断

在冶金工业生产中,带材的卷取过程会直接影响产品的最终质量.卷取张力是保证卷取过程稳定的重要因素.因此卷取张力控制过程的故障诊断具有现实意义.采用偏最小二乘(Partial Least Squares,PLS)对卷取张力控制过程的故障进行诊断.PLS是一种利用统计原理提取过程数据中的有用信息建立过程模型的降维技术.它不仅可以完成数据降维和特征提取,还考虑了输入、输出数据之间的回归关系.通过PLS分解可以降低空间的维数,使提取的主元具有变化度和可区分性,最后根据T2和Q统计量实现故障检测,通过累计贡献图实现故障识别.仿真结果验证了方法的可行性.     

基于变量选择的尖点突变模型的两步构建方法

突变是工程实践过程中广泛存在的现象。当系统的状态发生跳跃性变化时,基于微积分的传统数学建模方法精度较低,人工神经网络等机器学习算法无法对突变现象作出合理的解释。基于突变理论的尖点突变模型可以用来解释系统状态的不连续变化,然而在输入变量维度较大的情况下,传统的尖点突变模型复杂度高且精度较差。为了解决这一问题,提出了一种基于变量选择的尖点突变模型的两步构建方法。第一步,利用多模型集成重要变量选择算法(MEIVS)量化待选变量的重要性并提取重要变量;第二步,基于极大似然法(MLE)利用所提取的重要变量构建尖点突变模型。仿真结果表明,在具有突变特征的数据集上,通过MEIVS降维后的尖点突变模型在评价指标上优于线性模型、Logistic模型和通过其他方法降维的尖点突变模型,并且可以用来解释研究对象的不连续变化。      

砷胁迫对药用植物黄芪中抗氧化酶活性的影响

[目的]探讨砷胁迫对药用植物黄芪中抗氧化酶活性的影响,以期为揭示砷毒害植物机理提供理论依据.[方法]以内蒙药用植物黄芪为材料,分别采用高锰酸钾滴定法、愈创木酚法、邻苯三酚自氧化法以及硫代巴比妥酸法研究不同浓度砷胁迫下对药用植物黄芪中过氧化氢酶(CAT)、过氧化物酶(POD)、超氧化物歧化酶(SOD)的活性影响以和丙二醛(MDA)的浓度变化.[结果]随着砷浓度升高,黄芪叶片中这3种酶的活性能够维持,特别是POD活性显著增加.从时间动态看,随处理时间的延长,黄芪叶片中的CAT活性先升高再降低,POD活性增加,SOD活性变化不显著;MDA含量先升后降,第8天达到最大值.[结论]该研究可为中药材重金属含量控制和药理活性鉴定提供理论依据.     

基于ICEEMDAN-KPCA-RVM的铁水温度预测

为解决高炉铁水温度传统单一预测模型存在的模型精度不高、鲁棒性差等难题,提出了一种融合改进的自适应噪声完备集合经验模态分解(intrinsic computing expressive empirical mode decomposition with adaptive noise, ICEEMDAN)、核主成分分析(kernel principal component analysis, KPCA)和相关向量机(relevance vector machine, RVM)的组合模型来精准和稳定预测铁水温度。首先,利用ICEEMDAN对铁水温度时间序列进行分解,以获取若干本征模态函数。然后,利用KPCA对钢铁生产过程中的多维关键变量进行降维处理,提取关键变量的主要特征。最后,利用RVM对降维后的变量分别预测铁水温度时间序列,得到铁水温度的累加预测结果。结果表明,相较于传统的自适应噪声完备集合经验模态分解模型(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),新模型的均方根误差(root...     

基于遗传算法的带钢表面缺陷特征降维优化选择

针对带钢表面的划痕、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取了样本图像的灰度、纹理和几何形状特征等32维特征向量。基于遗传算法对32维特征向量进行降维优化选择,选择了其中的20维以进行缺陷图像类型的分类。利用BP神经网络对降维前后的6种典型带钢表面缺陷分类进行对比识别,并同主成分降维方法进行了对比,验证了所提取的...     

基于等维动态马尔科夫SCGM(1,1)C模型的黄金价格预测

为了提高黄金价格预测精度,提出等维动态马尔可夫SCGM(1,1)C预测模型,引入取新去旧的数据处理方法,使用等维动态实现数据优化。等维动态马尔可夫SCGM(1,1)C预测模型是将等维动态SCGM(1,1)C模型与马尔可夫链结合起来,在等维动态SCGM(1,1)C模型的预测结果上再进行状态划分与转移,重新得到预测值。选取2018年1月～2019年4月共16组黄金价格数据,将动态等维的维数定为13,数据处理时选用2018年1月～2019年1月的13个黄金价格数据,预测2019年2月的黄金价格,再依次预测2019年3月和4月的黄金价格。以2019年2～4月的3个黄金价格预测数据作为拟合,预测2019年5月的黄金价格。通过比较灰色SCGM(1,1)C预测模型、等维动态SCGM(1,1)C模型与等维动态马尔可夫SCGM(1,1)C预测模型的精度,可知等维动态SCGM(1,1)C预测模型的精度较SCGM(1,1)C模型有所提高,等维动态马尔可夫SCGM(1,1)C模型的拟合精度最高,达到一级,相对误差平均值为0.85%,符合预测要求,应用该模型预测的2019年5月的黄金价格为1 314.78美元/盎司,实际黄金价格为1 295.55美元/盎司,价格较为接近。     

基于二维区间自回归模型的烧结终点预测

炼铁烧结生产过程中,烧结终点位置难以确定,建立二维区间自回归模型对烧结终点进行预测。在阐述模型原理的基础上,设计基于运动模式的二维区间自回归预测建模流程,包括构建自回归预测模型得到计算空间的模式类别变量,利用K近邻算法分类得到模式运动空间中的模式类别变量。采用实际烧结终点废气温度数据验证模型,包括采用主成分分析法对多个废气温度时间序列得到进行降维并形成二维数据空间;利用四叉树粒子群优化算法划分废气温度时间序列二维模式运动空间;引入二维区间数来度量模式类别变量;建立二维带输入的区间自回归模型(IARX)实现炼铁烧结终点预测。结果表明,与传统的一维区间自回归模型相比,所建模型预测准确度更高。     

非线性降维在冷轧带钢表面缺陷分类中的应用

将冷轧带钢表面缺陷图像中的所有像素作为高维空间中的特征向量,利用有监督非线性降维方法对其进行减维后再进行缺陷的分类。该方法解决了冷轧带钢表面缺陷自动分类中的特征提取和特征选择的困难,避免了分类器特征维数过高的问题,并可以用于动态数据的在线识别和聚类。用这种降维方法并结合K近邻分类器与支持向量机对现场采集到的缺陷样本数据集进行试验,结果表明经过降维预处理后,2种分类器的性能都得到了很大的提高。     

基于温度场主元分析的高炉炉况深度学习预测建模

开展高炉过程大数据的信息深度挖掘与建模是高炉信息化和智能化建设的重要内容。针对传统浅层神经网络在高炉炉况信息表征上的不足,以炉况温度场信息挖掘为中心,构建了以炉况状态参数为目标的逻辑模型,模型输入为温度场、操作参数和指标参数。利用主元分析对108维的温度场数据进行降维处理,以86%的信息提取度为准则,形成20维主元特征参数。实例化逻辑模型形成卷积神经网络(convolutional neural networks,CNN)、长短期记忆网络(long short-term memory,LSTM)以及CNN与LSTM网络的混合模型CNNLSTM这3种模型。结果表明,CNN-LSTM模型的效果最佳,预测结果的灰关联度达0.89。采用深度学习构建的炉况预测模型,有助于炉况大数据的信息解析。