变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。     

可见光谱结合偏最小二乘法对混合染料浓度的同时测定

采用偏最小二乘法建立测定混合染料浓度的可见光谱定量分析模型,应用多种光谱预处理方法对光谱进行信息提取和分析,分别建立定量分析模型;讨论了光谱的预处理方法和主成分数对PLS模型定量预测能力的影响;比较各个模型的内部交互验证均方根误差(RMSECV),校正均方根残差(RMSEC),校正相关系数R,预测均方根误差(RMSEP)选取最优模型.结果表明:所建立的校正模型稳健性好和预测精度高,为混合染料浓度的快速、准确和同时测定提供了新的途径,对于连续在线监测混合染料浓度具有指导意义.     

大坝变形监控模型识别的R–OC准则

大坝变形监控模型的优劣主要体现为模型泛化能力的高低。模型泛化能力指的是模型对训练集以外样本的预测能力,而欠拟合和过度拟合是导致模型泛化能力不高的主要原因。AIC和BIC准则是目前常用的模型识别方法,但是不能定量比较和评价模型的过度拟合程度。本文通过定义过度拟合系数OC量化模型过度拟合程度,同时采用复相关系数R定量评判模型是否欠拟合,建立了R-OC模型识别准则。首先将大坝变形监测序列划分为拟合时段数据和验证时段数据,采用全回归方法对拟合时段数据进行拟合,构建多种位移监控模型。再根据监控模型的估计值和估计误差的概率分布确定异常监测数据的预警界限,计算各监控模型的误警率FAR。最后根据不同监控模型对拟合时段和验证时段的拟合和预测误差评价指标（均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE）,确定过度拟合系数OC,结合复相关系数R绘制二维散点图,并对各监控模型的泛化能力进行评价。结果表明,过度拟合系数OC同模型的误警率呈良好的相关关系：过度拟合系数OC小于1时,监控模型没有过度拟合,模型误警率FAR为0,不会发出错误预警;当OC大于1时,模型误警率FAR与OC呈正相关关系。R-OC模型识别准则一方面通过复相关系数R刻画模型的拟合精度,另一方面通过过度拟合系数OC定量评判模型的过度拟合程度,对于不同数量的待选模型,R-OC准则均能识别出拟合和预测精度都较高的模型。     

基于熵判据自组织模糊神经网络的混沌时间序列预测

在自组织模糊神经网络(SOFNN)算法的基础上提出了一种基于熵判据的改进算法。依据动态自适应方式建立模糊神经网络,采用误差均方根判据和误差熵判据相结合的修剪策略,对网络进行剪裁,去掉对网络输出贡献小的节点。算法的主要优点在于:能够自动地决定神经模型的结构并得出模型的参数,而不需要对神经网络和模糊系统有深入的理论知识,算法具有非常高的预测精度,并且通过修剪策略提高网络的泛化能力。应用该算法对典型的混沌时间序列Mackey-Glass序列进行了研究,结果表明,应用新的修剪策略后,算法精度及泛化能力进一步提高,并且需要的先验知识少,更适合于实际应用。     

基于RS-SVM的建筑施工项目安全预警模型

针对目前建筑施工项目安全风险管理的现状,应用粗集理论对建筑施工项目的安全因素进行预处理,将处理后的信息结构作为支持向量机的输入数据进行训练和预测,构建建筑施工项目安全风险预警模型,并在小样本条件下,与BP神经网络进行对比分析。结果表明,RS-SVM预测模型的最小均方根误差为0.011 5,BP神经网络的均方根误差为0.070 7,RS-SVM预警模型的预测精度、泛化能力明显优越于BP神经网络学习方法。     

L—V模型在软土地基沉降预测中的应用

为了提高软土地基沉降模型的预测精度,将现有的Logistic模型和Von—Bertalanffy模型进行叠加,提出了L—V模型,并利用Origin拟合软件对模型参数进行求解。将该模型应用到软土地基沉降预测中,并与Logistic模型和Von—Bertalanffy模型比较。结果表明L—v模型全过程沉降预测的拟合程度最高,达到0．9978;沉降后期L—V模型的均方根误差（RMSE=1．512）小于Logistic模型（RMSE=2．930）和Von—Bertalanffy模型（RMSE=3．624）的均方根误差,其预测值更加接近观测值。     

常规给水处理工艺处理效率的神经网络预测与控制

建立了常规给水处理工艺处理效率神经网络预测模型和混凝剂投量预测模型。应用结果表明，建立的预测模型具有较高的预测精度：对浊度和UV254处理效率的相关系数（R^2）分别为0．86和0．80，对混凝剂投加量的预测精度相关系数为0．72。模型的预测精度可基本满足常规工艺的在线控制和实时调控，使水处理系统在原水水质变化情况下，实现系统优化运行控制。分析模型误差的原因，并对比偏最小二乘回归模型说明神经网络模型的精度，指出该模型在系统优化运行中的可行、及时、准确性。     

鱼露发酵过程中挥发性盐基氮和氨基酸态氮质量浓度的预测

研究了鱼露发酵过程中理化指标的变化情况并对发酵过程中产生的挥发性盐基氮(TVB-N)和氨基酸态氮(AN)质量浓度进行预测.通过对不同鱼露发酵条件下的理化指标进行检测,得到130组实验数据,由Person相关性分析可知,在整个发酵过程中,TVB-N和AN质量浓度均与发酵时间和含盐量呈正相关性,与pH呈负相关性,与温度和成曲添加量不相关.将主成分回归、偏最小二乘回归以及BP神经网络模型应用于TVB-N和AN质量浓度的预测,结果表明3种模型均能对鱼露发酵过程的TVB-N和AN质量浓度进行预测.比较3种模型的预测参数(相关系数、均方根误差以及相对分析误差),发现BP模型具有最低的均方根误差与最高的相关系数和相对分析误差,表明BP模型能更准确预测鱼露发酵过程中TVB-N及AN质量浓度.     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

风电机组齿轮箱温度预测中输入变量的选择及仿真

风电机组齿轮箱温度预测中输入变量的选择直接影响预测的准确性,本文将正交最小二乘法和相关系数法用于齿轮箱输入变量的选取,采用BP神经网络,对比预测了齿轮箱温度.研究结果表明:选取的输入变量用于温度预测的均方误差、均方根误差和平均绝对百分比误差均小于相关系数法,验证了正交最小二乘法在齿轮箱温度预测输入变量选择上的有效性.     

基于GRU神经网络的燃煤电站NO_x排放预测模型

针对工业过程动力学建模中,输入变量特征集确定困难的问题,提出了一种基于数据驱动的门控循环单元(GRU)神经网络模型。该模型可以通过学习自动提取输入数据与输出数据间的时空特征,简化人工智能模型的输入变量个数,减少了输入的冗余信息,降低了建模过程的难度,并具有较好的精确度和泛化能力。通过使用某燃煤机组实际运行数据中与氮氧化物(NO_x)排放相关的数据作为模型输入,建立了基于GRU神经网络的燃煤锅炉NO_x排放预测模型。并分别与传统循环神经网络(RNN)和长短期记忆(LSTM)神经网络模型比较,验证了GRU神经网络模型在工业过程动力学建模中的优良性能。     

融合动态图表示和自注意力机制的级联预测模型

传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低.为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas).该模型采用端到端的方式,避免了人工标记特征造成级联图表示困难的问题;通过子图采样捕获级联图的动态演化过程,引入自注意力机制,更好地融合在观测窗...     

1，2-二芳基环戊烯类环氧合酶-2抑制剂的3D—QSAR研究

采用三维全息原子场作用矢量（3D-HoVAIF）对26个1,2-二芳基环戊烯类环氧合酶-2抑制剂进行结构参数化表征并与其活性建立定量构效关系（QsAR）模型。运用偏最小二乘回归（PLS）建模,同时采用内部和外部双重验证的方法对所得模型稳定性进行分析和检验。所得模型的复相关系数（Rcum^2）、留一法（LOO）交互校验（Cv）复相关系数（Qcum^2）和外部样本校验复相关系数（Qext^2）分别为0．820,0．734和0．749。结果表明,3D--HoVAIF能较好地表征1,2-二芳基环戊烯类环氧合酶-2抑制剂分子结构信息,所建模型具有较好稳定性能和预测能力。     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

基于FNN-UKF神经网络的氧化铝浓度动态预测模型

针对影响氧化铝浓度的因素较多,彼此相关性强,难以建立动态预测模型的问题,提出一种基于FNN-UKF神经网络的动态预测方法.首先考察各原始变量置零前后在特征空间主元投影上的相似度,判断其对氧化铝浓度的解释能力,由此进行原始变量选择;再将约简后的原始变量输入基于UKF算法的神经网络预测模型,通过更新状态估计值和方差矩阵提高模型的泛化能力.对取自某厂160KA大型预焙槽的247组样本数据进行检验:228组样本的预测误差在±1％之内,计算量减少52.07％,表明该方法在保证预测精度的同时,有效降低了模型学习的计算量.