基于KF与ESN的糖厂澄清工段在线预测

糖厂澄清工段是甘蔗制糖的重要工艺环节之一,是一个复杂的物理、化学过程,具有非线性、大时滞、时变等特点.而且不同的榨季、甘蔗的品种、新技术的应用等情况,都可能导致过去良好的控制模型往往不能及时适应新情况的发生.基于大量离线、在线数据,结合回声状态网络(ESN)和Kalman滤波(KF)的特点,设计了应用于糖厂澄清工段的在线自适应预测方法.该方法将Kalman滤波应用于ESN的高维状态空间中,可以直接对网络的输出权值进行更新.将仿真结果与基于EKF的RBF网络相比较,说明了基于KF与ESN的糖厂澄清工段在线预测模型的优越性.     

改进粒子群优化的极限学习机软测量建模方法

工业过程常含有显著的非线性、时变等复杂特性,传统的极限学习机有时无法充分利用数据信息,所建软测量模型预测性能较差。为了提高极限学习机的泛化能力和预测精度,提出一种改进粒子群优化的极限学习机软测量建模方法。首先,利用高斯函数正态分布的特点实现惯性权重的自适应更新,并线性变化学习因子以提高粒子群优化算法的收敛速度和搜索性能;然后将该算法用于优化极限学习机的惩罚系数和核宽,得到一组最优超参数;最后将该方法应用于脱丁烷塔过程软测量建模中。仿真结果表明,优化后的极限学习机模型预测精度有明显的提高,验证了所提方法不仅是可行的,而且具有良好的预测精度和泛化性能。     

糖厂澄清工段pH值测量电路设计与实现

针对糖厂复杂工作环境中pH玻璃电极测量存在的阻抗匹配和工业现场电磁信号干扰问题,率先把线性光耦HCNR201运用到INA116前置放大电路中,设计出pH值测量电路。实验结果表明:该电路可以解决阻抗匹配和电磁干扰2个问题,并能快速准确采集蔗汁pH值。     

基于改进型极限学习机的电子鼻气体浓度检测

针对目前电子鼻应用于气体污染物浓度检测时难以达到理想精度的问题,提出基于粒子群算法与人工蜂群算法的极限学习机(Particle Swarm Optimization and Artificial Bee Colony algorithm based Extreme Learning Machine,PSOABC-ELM)算法,通过改进极限学习机输入层与隐含层权值和隐含层阈值随机的缺陷,提高电子鼻浓度检测的精度。将PSOABC-ELM算法与其他算法进行比较,并在公开数据集上进行验证。实验结果表明,PSOABC-ELM算法用于电子鼻气体浓度检测时比其他算法精准度更高,检测结果误差更小,模型稳定性更强,为电子鼻气体浓度检测提供了一种新的方法。     

自适应混沌粒子群算法对极限学习机参数的优化

针对极限学习机（ELM）在处理非线性数据时效果不理想,并且ELM的参数随机化不利于模型泛化的特点,提出了一种改进的极限学习机算法。结合自适应混沌粒子群（ACPSO）算法对ELM的参数进行优化,以增强算法的稳定性,提高ELM对基因表达数据分类的精度。在UCI基因数据集上进行仿真实验,实验结果表明,与探测粒子群-极限学习机（DPSO-ELM）、粒子群-极限学习机（PSO-ELM）等算法相比,自适应混沌粒子群-极限学习机（ACPSO-ELM）算法具有较好的稳定性、可靠性,且能有效提高基因分类精度。     

基于金枪鱼群算法优化极限学习机的混凝土抗压强度预测

混凝土抗压强度是建筑结构设计与评价一个重要指标,它直接关乎建筑的质量与安全。为解决现有机器学习模型对其预测存在预测耗时长、精度不够高,不能很好地满足施工现场对混凝土抗压强度预测实时性与准确性要求的问题,提出一套基于新式仿生算法金枪鱼群算法优化极限学习机（TSO-ELM）的混凝土抗压强度预测方法。该方法通过对ELM隐藏层初始参数中的连接权值与偏置值使用TSO进行寻优,有效提升了ELM的预测准确度。在仿真实验部分,通过两组混凝土数据集对ELM的预测速度、TSO的寻优能力、TSO-ELM模型的泛化性逐一进行验证。结果表明,该方法可以有效提高预测的速度与精准度,迭代次数更少,同时具有良好的泛化性,为现场施工及时进行混凝土抗压强度的预测提供了一种新方法。     

基于改进极限学习机的软测量建模

极限学习机（ELM）因其泛化能力好和学习速度快而成为软测量的新方法,但当应用到铝电解工艺参数建模时,ELM通常需要较多隐层节点并且泛化能力较低。针对这一问题,提出一种基于改进极限学习机（IELM）的软测量模型。首先,利用粗糙集中的约简理论剔除输入变量中的冗余或不相关属性,以降低ELM的输入复杂性;然后,利用偏相关系数对输入变量和输出变量间的相关性进行分析,将输入数据分为正输入和负输入两部分,分别对这两部分建立输入单元,重新构建ELM网络;最后,建立了基于改进极限学习机的铝电解分子比软测量模型。仿真实验结果表明,基于改进极限学习机的软测量模型具有较好的泛化能力和稳定性。     

纯电动汽车磷酸铁锂电池组的建模及优化

鉴于传统神经网络和支持向量机机理复杂、计算量大的缺陷,很难实时跟踪磷酸铁锂电池组复杂快速的内部反应,影响电池荷电状态的估算精度,提出应用一种简单、有效的极限学习机对一额定容量为100 Ah、额定电压为72V的纯电动汽车磷酸铁锂电池组建模,并分别与BP神经网络、RBF神经网络、支持向量机进行对比;随后,以学习时间和泛化性能为优化目标,应用粒子群方法寻找最佳隐层节点个数;结果表明,基于极限学习机的磷酸铁锂电池组模型的学习时间、泛化性能优于BP神经网络、RBF神经网络、支持向量机;隐层节点优化后,模型的学习时间和泛化性能达到最优.     

基于改进量子粒子群算法的NCS模糊控制器参数优化

针对网络化控制系统中模糊控制器的量化因子和比例因子采用传统经验方法难以整定的问题, 提出了一种改进量子粒子群（IQPSO）算法对模糊控制器量化因子和比例因子进行优化。该方法将ABC算法中的搜索算子作为变异算子引入到QPSO算法中, 使得IQPSO算法较好地克服了QPSO算法保持种群多样性差容易早熟收敛的缺陷, 并以ITAE指标作为IQPSO算法的适应度函数对模糊控制器进行优化。典型工业过程仿真结果表明, IQPSO优化的模糊控制器具有比PID控制器和标准QPSO优化的模糊控制器更好的控制性能和适用性。     

基于增量学习思想的改进AdaBoost 建模方法

针对软测量建模的特点以及建模过程中存在的主要问题,提出了基于 AdaBoost RT 集成学习方法的软测量建模方法,并根据 AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难,提出了自适应修改阈值 和增添增量学习性能的改进方法.使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型,并使用实际生产数据对模型进行了检验.检验结果表明,该模型具有较好的预测精度,能够很好地实现在线更新.     

基于人工蜂群优化高斯过程的运动想象脑电信号分类

针对传统的高斯过程采用共轭梯度法确定超参数时对初值有较强依赖性且易陷入局部最优的问题,提出了一种基于人工蜂群优化的高斯过程分类方法,用于脑电信号的模式识别.首先,构建高斯过程模型,选择合适的核函数且确定待优化的参数.然后,选取识别错误率的倒数为适应度函数,使用人工蜂群算法搜索寻找出限定范围内可以取得最优准确率的超参数.最后,采用参数优化后的高斯过程分类器对样本分类.分别采用2008年竞赛数据集BCI Competition Ⅳ Data Set 1和2005年数据集BCI Competition Ⅲ Data Set Ⅳa对所提方法进行验证,并与支持向量机(SVM)、人工蜂群优化的支持向量机(ABC-SVM)、高斯过程分类(GPC)方法进行比较,实验结果表明了所提方法的有效性.     

基于WNN的亚法糖厂澄清过程工艺指标建模

研究亚硫酸制糖生产中澄清过程工艺指标的优化预测问题.对亚法糖厂澄清过程操作参数进行优化可以确保各项工艺指标满足生产要求,提高白糖的品质和产量,但目前各项工艺指标无法全部实现在线检测,且人工化验滞后时间长,难以及时对生产过程的操作参数进行优化.为了解决上述问题,根据澄清过程的生产工艺要求和大量的现场数据,建立用小波神经网络(Wavelet Neural Network,WNN)的澄清过程工艺指标预测模型,并与BP网络模型进行了性能比较分析.仿真结果表明:基于WNN的糖厂澄清过程工艺指标预测模型,可以达到对澄清工程工艺指标的预测作用,进行预测精度高、收敛速度快,优化预测效果比BP模型好.     

糖厂澄清过程中和pH值控制的RBF神经网络建模研究

澄清工段是亚硫酸法生产蔗糖的关键过程之一,由于该过程是一个复杂的物理、化学过程,具有多输入、大滞后、强非线性、时变参数等特点,因此难以建立其精确的数学模型。为此本文采用径向基函数神经网络（Radial Basis Function NeuralNetwork,RBFNN）来建立该过程的神经网络模型。模型测试结果表明：采用该方法所建的模型精度较高、泛化能力较好,为解决复杂系统的建模问题提供了一种新途径。     

考虑多目标的柔性工艺与调度集成优化算法

针对工艺规划与车间调度集成优化问题,在考虑零件的加工工序柔性、工序次序柔性及加工机器柔性的基础上,以最大完工时间、总加工成本和总拖期时间为优化目标,对多目标柔性工艺与车间调度集成问题建模,提出一种基于改进人工蜂群算法的多目标柔性工艺与车间调度集成优化策略,并提出邻域变异操作以及全局交叉操作,对种群进行更新。引入Pareto方法,通过对适应度评价、贪婪准则、Pareto最优解集构造和保存以及解得多样性维护等方面进行改进,设计了一种基于Pareto方法的多目标人工蜂群算法。最后,通过采用基本人工蜂群算法及改进人工蜂群算法对六个工件、五台机床的柔性工艺与车间调度集成问题进行优化,验证了改进算法的有效性。     

改进人工蜂群算法及其在应急调度优化问题中的应用

针对于大规模灾难发生时首批“生命”物资的应急调度建模及优化求解问题,将受灾点缺失损失评价函数由线性扩充到非线性,对一次性消耗类和连续性消耗类物资建立了多对多约束多目标调度模型。基于Pareto支配和拥挤距离的概念将人工蜂群基本算法应用到此问题的求解,并对算法进行了以下改进：基于反向食物源的定义提出融合反向学习的食物源初始化,以提高初始解的质量;将反向学习策略和广泛学习策略融合到蜜蜂搜索过程,以反向食物源和其他较好食物源信息来引导蜜蜂搜索方向。三种规模的仿真实验表明,所提出算法所求出的非支配前沿解集更具多样性,分布更加广泛和均匀,能够为应急物资调度决策进行支持。     

发酵过程混合建模与优化控制新方法

针对当前微生物发酵过程存在因为生物传感器不具备足够的准确性和灵敏性,实验时的菌液和产物浓度等生化指标难以实时监测和控制等缺点,提出了采用量子粒子群优化算法(QPSO)优化最小二乘支持向量机(LSSVM)参数的QPSO-LSSVM混合建模新方法,并用于多粘菌素的发酵过程建模;同时,基于此模型,采用QPSO算法对pH值与溶解氧浓度Do控制轨线进行优化研究;首先,利用LSSVM进行发酵过程的建模,然后采用QPSO对LSSVM建模过程中的重要参数进行优化调整,形成QPSO-LSSVM混合建模与优化控制方法;仿真结果表明,该方法得到的模型能取得更好的预测效果,优化后的pH值与Do浓度控制轨线能够提高最终的产物浓度;该方法用于发酵过程的建模和重要参数的优化控制是可行的、有效的。     

优化极限学习机算法及其在力信息解耦中的应用

高性能解耦算法有助于提高多维力传感器的检测精度。针对传统非线性解耦算法存在精度较低等缺点,对极限学习机算法进行了优化和改进,并将其应用于多维力信息解耦。在基于粒子群和遗传算法两种改进极限学习机算法(PSO-ELM、GA-ELM)的基础上,提出了一种基于天牛须算法的改进极限学习机(BAS-ELM),天牛须算法针对极限学习机隐含层节点参数的每一维进行逐步的优化,使得整体损失函数最小。为验证算法性能,本文以六维力/力矩传感器为实验对象,将各类改进算法应用到力/力矩传感器的非线性解耦中,通过解耦实验可知,与其他算法相比,BAS-ELM解耦精度更高、收敛时间更短,对于非线性解耦具有更强的适应性。     

基于蚁群优化与独立特征集的遥感图像实时分类算法

为了提高遥感图像的实时分类准确率与效率,提出了一种基于蚁群优化算法与独立特征集的遥感图像集实时分类算法。首先,提取遥感图像的小波域特征与颜色特征,并且组成特征向量;然后,采用蚁群优化算法对特征空间进行优化,独立地选出每个分类的显著特征集,从而降低每个子特征空间的维度;最终,每个分类独立地训练一个极限学习机分类器,从而实现对遥感图像集的分类。基于公开的遥感图像数据集进行了仿真实验,结果显示本算法实现了较高的分类准确率,并且实现了较高的计算效率。     

高斯过程回归的近似方法及其应用

作为机器学习的一个分支,高斯过程回归在近年来越来越受到重视,在诸多领域得到了广泛的应用;该方法适用于非线性系统的建模,并可以自动在模型的复杂度和建模精度之间进行权衡;但是由于计算复杂度较高,其难以直接被应用于大数据量的学习任务,因此,很多近似方法被发展出来以降低其计算成本;根据是否将训练数据划分为子集,高斯过程回归的近似方法可以被分为全局近似方法和局部近似方法;文章首先阐述了高斯过程回归的理论基础,接下来对全局和局部这两种近似方法进行了分析,然后介绍了其在实际应用中的情况,特别是在软测量和控制领域,最后进行了总结和对其未来研究方向的展望。