一种基于非线性规划的多项式PLS算法

在基于误差的多项式偏最小二乘(PLS)的基础上,提出了一种基于带约束的非线性规划的多项式PLS算法,利用罚函数法计算最优的输入权值和内部关系式的参数。对催化裂化主分馏塔侧线柴油95%点的软测量应用结果表明,该算法和基于误差的多项式PLS相比,模型拟合精度高而且计算量较小,能获得较高的累计方差贡献率,并具有良好的预报能力。     

一种新型非线性偏最小二乘方法研究及应用--基于Chebyshev多项式改进的PLS方法

在实际生产过程中，过程变量之间往往存在大量相关关系，甚至非线性相关关系。过程变量间存在线性相关时，可采用偏最小二乘方法(Partial Least Squares，PLS)计算模型参数，但由于PLS方法采用线性关系来联系输入和输出因子，因而并不能有效地应用于非线性较强的过程。在这种情况下要对变量进行有效的压缩维数．需要采用非线性PLS方法。基于Chebyshev多项式改进的多元多项式PLS方法，是一种新的非线性PLS方法。该方法利用Chebyshev多项式的正交性质和递推性质，将过程输入变量正交化、线性化后，再应用PLS方法计算模型参数并还原，从而得到比较精确的模型。由于该方法综合考虑了输入变量的自相关和输入变量间的协相关关系。能够更有效地表达过程变量间的非线性关系，因此其对非线性过程的研究提供了新的思路。     

基于核函数的PLS丁苯橡胶聚合转化率软测量

针对企业对丁苯橡胶聚合转化率需在线高精度预测的需求,考虑实际工况复杂性和偏最小二乘(PLS)算法非线性处理能力的不足,分别建立了引入单核和混合核函数的丁苯橡胶聚合转化率PLS预测模型。工业数据仿真结果表明:基于核的PLS模型均可满足企业生产对预测精度的要求,即聚合转化率预测绝对误差大于1.5的比例不大于样本总数的10%,尤其是混合核PLS因兼有局部和全局特性,表现出更优的性能。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

二维共轭正交偏最小二乘分析及图像识别应用

偏最小二乘(PLS)是一种有效的图像特征抽取方法。不同于其他的多元数据分析方法,PLS综合了PCA与CCA的优点,抽取对样本具有最佳解释能力的成分。讨论了偏最小二乘法建模思想及非迭代算法、共轭正交算法和基于2D特征抽取时的算法原理和特点,以及PLS用于图像识别时类隶属矩阵的构造。在ORL与Yale人脸库上的实验结果表明用2DCOPLS抽取的特征进行图像识别的效果更好,更稳定。     

偏最小二乘回归模型的泛化能力改进研究

为了提高模型的泛化能力,提出了嵌入缩放思想的偏最小二乘回归(Partial Least-Squares Regression,PLS)建模方法。该方法通过对输入向量的缩放处理,将训练样本模糊化,缩小测试误差,从而提高了PLS的泛化能力。对原有的缩放法进行了改进,提出r算法。该算法可以找到合适的缩放因子,得到泛化能力更强的模型。仿真实验证明了所提方法的有效性。     

带有稳定学习的递归神经网络动态偏最小二乘建模

针对目前非线性动态偏最小二乘(PLS)建模方法在拟合较强非线性化工过程时存在的问题, 提出一种基于稳定学习的递归神经网络动态PLS建模方法. 该算法将递归神经网络与Hammerstein模型相结合, 对外部PLS提取的特征向量进行内部建模, 具有逼近较强非线性化工过程的能力, 改善了模型的适用范围. 此外, 采用带有稳定学习的参数更新算法对模型参数进行在线修正, 改善了模型的预测精度和自适应能力. 将此方法应用于氧化铝生产过程铝酸钠溶液组分浓度建模实验, 仿真结果表明, 本方法是可行有效的.     

PLS算法在多维数据挖掘判别分类中的研究及应用

针对高维少样本问题,利用偏最小二乘PLS模型,构造适合于小样本问题的挖掘算法。即在PLS的统一框架下,实现维数约简与分类学习,并在基因表达谱(Colon)癌数据分类问题中,实现PLS对小样本数据的挖掘与可视化。与经典算法SVMs进行比较分析,结果验证了PLS算法对高维少样本数据挖掘问题的有效性和可靠性。     

基于并行PLS算法的化学计量学软件研究

现有化学计量学软件普遍采用的偏最小二乘(PLS)算法均以单线程方式计算,建模速度缓慢,给应用带来较大的不便。随着多核处理器的普及,采用多线程并行计算技术可显著提高算法执行速度。本文将多线程并行计算技术引入化学计量学软件开发,提出并实现了PLS算法的并行化计算。利用标准数据集进行了性能对比实验,结果表明在四核计算机中多线程并行计算比单线程计算有大约3.1倍的速度提升。     

SVR算法的生物混液左旋多巴含量紫外光谱建模

以酪氨酸和左旋多巴混合溶液中左旋多巴的紫外光谱数据为研究对象,首先用Kennard-Stone算法对样品集进行分割;然后使用ν-SVR和ε-SVR算法对核进行建模,以建立不同的核。紫外光谱定量分析模型中左旋多巴含量的功能;最后,采用粒子群算法对参数进行了优化,并与传统的PLS算法进行了比较。实验结果表明,由ν-SVR,ε-SVR和PLS建立的左旋多巴含量校正模型具有较高的准确性,预测性能略有不同。在预测集实验中,PLS,ν-SVR(RBF)和ε-SVR(RBF)算法的预测均方根误差分别为1.755、0.826和0.68。实验已经证明了使用紫外光谱法快速测定左旋多巴含量的有效性以及基于径向基函数的ε-SVR的建模优势。