果蝇优化SVM模型对有机化合物熔点的预测

为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

基于并行计算的优化方法参数自动整定算法

优化求解器的参数设置对优化求解器的性能有着至关重要的影响,可以通过参数整定来充分发挥优化求解器潜在的求解性能。过程模型复杂程度的提高和规模的增大,给参数自动整定算法的效率带来极大的影响。根据基于随机采样的参数自动整定算法对每一组参数设置的选择和评估是相互独立的特点,采用并行化方法对其进行了改进。数值实验表明基于并行计算的参数自动整定能够提高整定效率,并且在足够的硬件条件支持下适合应用于面向生产过程的操作运行的在线操作优化。     

基于RF-PSO-SVM的油页岩干馏工艺粉尘爆炸风险评估

为准确预测油页岩干馏工艺过程粉尘爆炸风险等级,以加强油页岩粉尘爆炸事故防范能力,提出了一种快速精准的风险评估模型。按照4M分类原则将评价指标分为人、物、管理和环境4大类和30小项,采用随机森林（RF）对30项特征指标进行属性约简,进而提取关键指标;使用粒子群算法（PSO）对支持向量机（SVM）进行更新全局寻优,合理优化SVM的参数。通过随机选择30组评价数据进行测试,进行了RF-PSO-SVM模型与SVM模型、RF-SVM模型以及PSO-SVM模型对比。结果表明：该模型风险预测结果正确率最高且运行时间较短,识别准确率达93.33%,体现出该模型对油页岩干馏工艺粉尘爆炸风险预测的精准性和及时性。     

环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

基于Voting和Stacking集成算法的岩爆倾向性预测

岩爆是矿山深部开采中常见的地质灾害，准确预测岩爆可降低矿山生产安全风险。将机器学习应用于岩爆预测是切实可行的，但仅用一种方法或将几种方法简单结合对于提高岩爆预测的准确性或泛化性作用十分有限。基于此，将最大切向应力、应力集中系数、脆性系数、弹性能量指数等作为指标，利用231组有效岩爆数据，基于Voting和Stacking集成算法，融合精确率较高的6种基础分类器(LR、RF、SVM、DT、KNN、GNB),建立了4个集成分类器V₁、V₂、S₁和S₂。根据预测结果的混淆矩阵计算了精确率、准确率、召回率及F₁分数，对各分类器性能进行了评估，结果表明：基础分类器中SVM、RF对Ⅰ级、Ⅱ级样本较敏感，KNN对Ⅲ级、Ⅳ级样本更敏感；RF、SVM整体预测效果最好，精确率分别为0.93、0.94;集成分类器相对于基础分类器性能均有不同程度的提升，但受性能较差的基础分类器及投票机制影响，Voting集成分类器整体性能弱于Stacking集成分类器；4个集成分类器中S₁性能提...     

改进灰狼算法优化支持向量机的入侵检测研究

针对支持向量机参数设置不当导致入侵检测分类性能不佳的问题,提出一种改进灰狼算法优化支持向量机(IGWO-SVM)的入侵检测模型.首先,针对入侵检测数据维度较高的问题,利用降噪自编码器(DAE)对高维数据进行特征提取,获得低维特征;然后,用随机动态调整收敛因子的灰狼算法寻找支持向量机的最优参数,构建IGWO-SVM的分类...     

基于GWO-SVM算法的滚动轴承故障诊断

为实现机械设备滚动轴承的实时监测和故障的准确诊断,基于支持向量机(SVM)进行故障分类,提出采用灰狼算法(GWO)优化SVM的惩罚系数c和核函数半径σ;通过小波包对数据进行特征提取;最后以优化的SVM完成故障诊断。实验结果表明:GWO-SVM算法对故障识别的准确性明显提高。     

一种混合采样与膨胀卷积相结合的入侵检测模型设计

基于机器学习的入侵检测模型在网络环境的安全保护中起着至关重要的作用.然而,入侵检测数据集存在不平衡类问题,限制了分类器对少数类的检测性能,降低了少数类的检测率.为了解决入侵检测数据集数据不平衡的问题,提出一种新的混合采样技术(SSG),由基于支持向量机(SVM)合成少数类过采样(SMOTE)算法和高斯混合模型(GMM)...     

基于支持向量机的传感器动态补偿新方法

提出一种基于支持向量机(SVM)的传感器动态补偿新方法,给出相应的补偿过程及学习算法。与常用的神经网络补偿方法比较,其优点是明显的。它采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型的泛化能力;而且将学习算法转换为求解二次规划问题,使得在整个学习过程中有且仅有一个全局极值点,确定了所构造补偿器的唯一性。仿真和实验结果均表明,经过SVM动态补偿器可极大地缩短传感器达到稳定的时间,应用SVM模型对传感器进行动态补偿方法有效。     

LSSVM过程建模中超参数选取的梯度优化算法

基于结构风险最小的最小二乘支持向量机（least squares support vector machine, LSSVM）为标准支持向量机（SVM）的约简;训练简易;性能良好。其模型精度受超参数影响;常规的网络搜索法很难搜得最佳超参数。在快速留一法的基础上;以全样本留一预测误差平方和最小化为目标;导出基于梯度的最优化算法;用以优选为LSSVM超参数;进而构建G-LSSVM模型。以柠檬酸发酵过程为算例对G-LSSVM进行检验;结果表明G-LSSVM的超参数选取耗时少;模型稳定性良好;且拟合和预报性能都优于标准SVM和神经网络。有望适用于机理不明、高度非线性、小样本的化工过程建模。     

基于风险管理的石化工业供应链网络设计

提出了一种带有风险约束的石化工业供应链设计方法,能够应对需求不确定性带来的影响。供应链网络设计问题包括仓储和分销中心的布局结构及容量安排,以及各级之间的物流连接关系。首先建立了不确定条件下的供应链设计模型,并在此基础上加入了风险约束,最后将多目标优化问题转化为单目标优化问题,建立了确定性的两阶段随机规划模型。以某个化工集团供应链设计为例,分析了风险管理在建立供应链中的重要性。     

基于收敛深度控制的多元混合非线性规划算法

随着对象模型描述的系统性和完整性的提高,过程优化问题的复杂程度逐步增加,对优化算法的性能提出了更高的要求。现有的非线性规划算法在求解性能上各有优劣,本文提出了一种基于收敛深度控制的多元混合非线性规划算法,将各个非线性规划算法视为元算法,利用收敛深度来控制这些元算法之间的相互协作,更好地发挥元算法各自的优势,从而提高求解大规模复杂优化问题的能力。采用空分系统的数据校正问题以及脱丙烷塔和脱丁烷塔联塔系统的优化问题对多元混合算法进行了测试,数值结果表明相比各个单独的非线性规划算法而言,多元混合算法具有更好的求解性能。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于收敛深度控制的多元混合非线性规划算法

随着对象模型描述的系统性和完整性的提高,过程优化问题的复杂程度逐步增加,对优化算法的性能提出了更高的要求。现有的非线性规划算法在求解性能上各有优劣,本文提出了一种基于收敛深度控制的多元混合非线性规划算法,将各个非线性规划算法视为元算法,利用收敛深度来控制这些元算法之间的相互协作,更好地发挥元算法各自的优势,从而提高求解大规模复杂优化问题的能力。采用空分系统的数据校正问题以及脱丙烷塔和脱丁烷塔联塔系统的优化问题对多元混合算法进行了测试,数值结果表明相比各个单独的非线性规划算法而言,多元混合算法具有更好的求解性能。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

基于计算机图象处理技术的玻璃等级的动态在线识别

为了识别浮法玻璃生产线上玻璃的等级标记，实现玻璃的自动化分等级堆垛，提出了一种基于数字图象处理技术的机器视觉识别方法。对数字图象的线性变换、平滑处理进行了介绍，提出了运用减影的方法提取等级标记和运用一种基于膨胀的新算法识别等级标记，在此基础上开发出了玻璃等级在线识别系统，并对该系统的应用前景做了展望。     

基于CNN的航拍图像中车辆目标检测

目前,卷积神经网络技术在智能交通目标检测算法中应用越来越广泛。针对传统的检测算法受光照、天气、路况、角度等外界因素影响,提出了一种基于卷积神经网络的改进算法。在基础的RetinaNet以及典型纹理特征上进行了优化,并结合显著性目标检测算法,产生受约束的候选区域,在判定是否为车辆目标的步骤前丢弃多个不可能的区域候选框。在车辆检测公开数据集和自己构建的航拍道路车辆数据集上验证,并与目前一些常用算法进行性能与效率的比较,体现了算法的优越性。     

基于参数动态调整的控制工程多目标差分进化算法设计

本文介绍了控制工程、差分进化算法、多目标差分进化算法以及多目标优化控制问题。在此基础上，提出一种基于参数动态调整的多目标差分进化算法设计，包括算法设计流程、实现细节和性能评估指标，并进行算法实验及结果分析，包括实验设置和数据收集、实验结果展示及分析、实验结果与其他算法结果比较。结果表明，基于参数动态调整的多目标差分进化算法在多目标优化控制问题上表现出良好性能，可以为解决实际工程问题提供有力支持。     

基于深度学习的工程作业智能监控技术的模型优化测试

为了改善输变电工程作业人工检测效率低、人员财产安全风险频发问题，提出了一种基于神经网络模型压缩目标检测技术，结合改进的卡兹曼滤波进行目标跟踪，实现无人机对输变电工程的智能监控。通过深度可分离卷积模型，降低参数数量、提高推理速度，引入注意力机制和剪枝算法，降低神经模型复杂度和非必要参数，减少信息处理数量。同时采用欧氏距离改进的卡尔曼滤波进行目标跟踪，提升目标跟踪的实时性和准确性。实验结果表明，提出的组合模型算法与传统算法对比，可以充分提取文本的高频特征信息，对于不同颗粒度的数据集的准确率提升8%,召回率降低4%,性能更优，具有一定的科研及应用价值。     

基于工况的操作模式优化及在石化工业中的应用

提出了一种基于工况的操作模式优化框架,框架包括三部分:数据预处理、优化操作模式库的形成和基于工况的实时优化。在操作模式优化控制的框架和相关概念的基础上重点研究了催化过程中干点温度指标在线优化的应用。针对催化的工业特点,提出SVM与AdaBoost相结合的两步结合的操作模式的发现方法,试验证实该方法具有较高的预测性能。