基于鲁棒估计的动态数据校正方法

针对目前动态数据校正方法存在的缺陷，本文在以前的工作基础上把基于鲁棒估计原理构造的鲁棒估计函数用于含异常点类型的过失误差的数据校正，Monte Carlo模拟结果及对TE问题的校正计算结果表明，这种基于鲁棒估计的过换误差侦破和数据协调同步方法可以在得到协调数据的同时很准确的侦破和识别出测量数据中所含的过失误差，具有较强的优越性。     

广义似然比过失误差侦破方法的改进及应用研究

准确可靠的测量数据是工业过程优化和控制的重要前提,实际过程中由于过失误差的存在导致测量数据不准确,而传统的过失误差侦破方法常会出现过失误差分摊到其他测量数据上的现象.本文在研究广义似然比法(GLR法)过失误若侦破的原理及步骤的基础上,对GLR法的检验统计量进行改进,提出了2个变量同步侦破补偿的两两同步侦破法,即每次同时用2个变量计算检验统计量,并对相埘调节量大的测量数据进行补偿.两两同步侦破法与GLR法的实例考核结果表明,在相同显著性水平下,两两同步侦破法的总体检验能力和选择性比GLR法高,且犯第1类错误的概率比GLR法小.因此新方法提高了过失误差侦破率,降低了犯第1类错误的概率,能有效地对过失误差进行侦破和识别,且同步补偿后得到的补偿值更准确,有利于获得较为准确的过程数据.     

基于3MAD-PCA的软测量数据过失误差侦破

经典PCA是一种对软测量建模数据进行误差侦破的方法,但当数据中存在单变量大误差时,该方法不能准确确定主元(PC),从而影响了误差侦破效果.针对这一情况,结合单变量误差侦破技术提出了3MAD-PCA方法.该方法首先用3MAD对数据分别进行单变量误差侦破,再利用经典PCA进行多变量误差侦破,提高了经典PCA方法的稳定性,有效实现了数据的过失误差侦破.用该方法对丙烯浓度的软测量数据进行过失误差侦破,取得了良好的效果.     

MT-GLR在甲醇工厂数据协调中的应用

对用于过失误差侦破的MT-GLR联合算法进行了研究.改进后的算法利用MT法和GLR法联合确定可能含有过失误差的集合,综合利用这两种方法,使侦破所有过失误差的可能性大大增加.给出了该算法的设计思想及实施步骤,基于该算法并以甲醇工艺过程为背景,设计了一套实时数据协调和校正软件.该软件在某大型甲醇工厂中投入在线运行,在数据校正及过失误差侦破方面获得了良好的效果.     

数据校正在焦化碳一过程中的应用

化工生产过程中，开展测量数据的误差侦破与校正方法的研究具有十分重要的意义。针对焦化碳一过程中测量变量的稳态数据校正，采用残差检验方法进行数据协调和过失误差的识别、侦破，通过两层次变换进行数据分类，从而消除了已有算法中出现奇异矩阵的情况。校正后的变量满足物料和元素平衡要求，误差侦破的结果为仪表故障的排除等提供了参考依据；数据校正则提高了生产效率。     

数据校正技术在能源经营计量系统中的应用

基于矩阵分解方法对过程变量进行分类,提出了一种广泛适用的数据协调算法。总结了GT(global test)和GLR(generalized likelihood ratio)算法,提出了一种基于顺序补偿原理的多过失误差侦破算法,实现对复杂工艺流程中存在的多个过失误差进行高效定位和准确补偿。通过数据协调和过失误差侦破,成功地解决了能源经营计量网络中能源供求不平衡等问题,并且对仪表故障诊断提供了重要的指导意义。     

用于过失测量数据侦破与校正的改进MT-NT算法

介绍了一种用于过失误差侦破和校正改进的MT-NT算法。改进后的算法采用逐次侦破、校正的策略,有效地解决了在侦破过失误差过程中出现的系数矩阵降秩问题,减少了运算量,增加了信息的可用性和完整性。给出了该算法的框图及步骤,并采用面向对象的方法和C 十语言编制出了过程测量数据校正软件。经过实例验证,该算法可有效侦破测量数据中的过失误差,避免了在运算过程中出现的系数矩阵降秩问题,具有一定的实用性。     

时间序列分析法用于常减压炼油装置测量数据校正

提高常减压炼油装置过程数据校正精度的有效手段是增加测量数据的冗余。通过对影响测量数据校正的因素进行分析，建立了时序平均值模型，提出了使用时间序列分析法来增加数据校正过程时间冗余的新方法，可在不增加测量点的前提下改善校正数据精度。采用常减压炼油生产装置的实际测量数据，对时间序列分析法的过失误差侦破能力、数据校正精度受时域值、过失误差大小的影响等进行了研究，探讨了时序法的可行性和实用性。结果表明，时序法可以快速有效地用于该装置的实时测量数据校正。     

基于改进PCA的软测量数据过失误差侦破

为提高软测量的模型精度,剔除建模数据中的过失误差,提出采用Bagging-PCA方法进行误差侦破。利用Bagging算法的集成思想,改善单变量大误差对经典PCA的影响,提高算法稳定性,实现数据的过失误差侦破。用该方法对丙烯浓度的软测量进行过失误差侦破,取得了良好的效果。     

基于模式聚类的数据预处理方法应用研究

在分析数据预处理的意义基础上，提出了一种基于最大距离算法的模式聚类的数据预处理方法。该方法不依赖于任何数学模型，通过对某造纸厂大量数据的仿真处理，研究表明本文提出的方法能在保留原始数据的有用信息的基础上剔除冗余数据，侦破过失误差，减少随机误差。     

用递阶神经网络进行多过失误差检测的方法

提出一种采用递阶函数型连接神经网络进行多过失误差检测的方法,并用该方法对一个三组分精馏过程进行研究。仿真结果表明,该方法能有效地提高对多过失误差共存时的检测能力。     

基于“3σ法则”的显著误差检测

由于测量或传感器等其他原因造成测量数据中可能存在显著误差,直接进行数据校正会导致显著误差的扩散,影响数据校正结果的可靠性和准确性,因此在数据校正前,需要侦破识别并剔除含有显著误差的测量数据。现有的显著误差检测方法并不能完全识别显著误差,而且只能对有限的显著误差(小于等于3个)具有一定的检测效果,本文提出基于概率统计(3σ法则)的检测方法,识别效果优异,对3个以上的误差具有良好的侦破效果,并且采用显著误差同步补偿的方法,有效避免奇异矩阵的出现。     

测量显著误差的F检验法

显著误差检测是数据校正技术中必不可少的一环,以往的显著误差检测方法绝大多数都是基于测量残差和约束残差这两个统计量展开研究的.基于测量残差的检测方法首先需要对测量数据进行数据协调,这就会将显著误差分散到各个测值中去,从而会对显著误差的位置做出错误的判断.基于约束残差的检测方法只能对节点的平衡性进行判断,而无法确定显著误差的具体发生位置.为此,本文通过构造一个基于测量值比例关系的F统计量,并与约束残差统计量相结合,对稳态过程中出现的显著误差进行检测.通过对工业数据的仿真结果表明此方法对显著误差十分敏感,其各项性能指标均符合实际工业要求,具有较高的可信度和可应用性.     

Robust Learning Algorithm Based on Iterative Least Median of Squares

Outliers and gross errors in training data sets can seriously deteriorate the performance of traditional supervised feedforward neural networks learning algorithms. This is why several learning methods, to some extent robust to outliers, have been proposed. In this paper we present a new robust learning algorithm based on the iterative Least Median of Squares, that outperforms some existing solutions in its accuracy or speed. We demonstrate how to minimise new non-differentiable performance function by a deterministic approximate method. Results of simulations and comparison with other learning methods are demonstrated. Improved robustness of our novel algorithm, for data sets with varying degrees of outliers, is shown.     

基于三维空间模型的特高压耐张塔跳线间隙检测方法

提出一种基于三维空间模型的特高压耐张塔跳线间隙检测方法研究,利用三维激光扫描数据建立特高压耐张塔整体空间扫描模型,并描述激光扫描建模的原理。据此确定出了待检测标的物的三维点云数据集合;通过预处理的方式去除点云数据检测系统内部噪声和环境噪声,对点云数据集合进行高斯平滑滤波、坐标转换和点云数据拼接,并输出空间点云数据的文件集合;获取的跳线检测测量结果中还有可能包含粗差、系统误差和偶然性误差,利用检测数据分析前必须消除各种误差因素的影响。实验数据表明提出方法的坐标检测精度值能够控制在+-1,并且总体的检测残差分布也位于合理的区间范围之内,实际检测效果优于传统检测方法。     

Landmine detection and classification with complex-valued hybrid neural network using scattering parameters dataset

Neural networks have been applied to landmine detection from data generated by different kinds of sensors. Real-valued neural networks have been used for detecting landmines from scattering parameters measured by ground penetrating radar (GPR) after disregarding phase information. This paper presents results using complex-valued neural networks, capable of phase-sensitive detection followed by classification. A two-layer hybrid neural network structure incorporating both supervised and unsupervised learning is proposed to detect and then classify the types of landmines. Tests are also reported on a benchmark data.     

基于BP神经网络的病毒检测方法

提出了一种基于BP神经网络的病毒检测方法,该方法成功地把BP神经网络的理论引入计算机病毒的检测中。该方法比传统的病毒检测技术更有效地对系统信息和文件系统进行语法分析,快速地诊断出被感染病毒以及病毒类型。     

Pitch Detection Enhancement Employing Music Prediction

Pitch detection methods are widely used for extracting musical data from digital signals. A review of those methods is presented in the paper. Since musical signals may contain noise and distortion, detection results can be erroneous. In this paper a new method employing music prediction to support pitch determination is introduced. This method was developed in order to override disadvantages of standard pitch detection algorithms. The new approach utilizes signal segmentation and pitch prediction based on musical knowledge extraction employing artificial neural networks. Signal segmentation allows for estimating the pitch for a single note as a whole, therefore suppressing errors in transient and decay phases. Pitch prediction helps correcting pitch estimation errors by tracking musical context of the analyzed signal. As it was shown in the experimental results, pitch estimation errors may be reduced by using both signal segmentation and music prediction techniques.     

一种用于数据校正的最小二乘与准最小二乘组合方法

过程系统的控制与优化要求可靠的过程数据。通过测量得到的过程数据含有随机误差和过失误差,采用数据校正技术可有效地减小过程测量数据的误差,从而提高过程控制与优化的准确性。针对传统基于最小二乘的数据校正方法:和基于准最小二乘的鲁棒数据校正方法:,分析了它们的优缺点,并提出了一种最小二乘与准最小二乘组合方法:。该方法:先采用准最小二乘估计器检测过失误差并剔除,然后再采用最小二乘估计器进行数据校正,可以综合前两种方法:各自的优点,使得数据校正结果:更加准确。将提出最小二乘与准最小二乘组合方法:应用于线性与非线性系统的数据校正中,通过校正结果:的比较说明此方法:的具有较好的过失误差检测能力和较准确的数据校正结果:。最后将此方法:应用于实际过程系统空气分离流程的数据校正中,结果:说明了此方法:的有效性。     

一种基于罚函数的数据协调模型

如果工业测量数据中存在显著误差,则传统的数据协调模型会将显著误差分散到各个测量值中去.针对于传统数据协调模型的缺陷,本文通过添加一个基于测量值比例关系上下限的约束条件,并利用罚函数的概念将物料平衡的约束条件以软约束的形式表示,建立一种新的数据协调模型.改进后的数据协调模型只会对含有显著误差的测量值给予较大的协调量,而使得显著误差对其他测量值协调结果的影响较小,具有较高的鲁棒性.基于工业实际生产模型的仿真试验证明基于该数据协调模型的协调结果,可直接利用测量残差检测法进行显著误差检测,具有较高的错误检出率,且第Ⅰ类错误率较低.