基于数据降噪的冷轧板形调控功效系数获取

 针对轧制过程实际数据噪声大、难以获取准确板形调控功效系数的问题,提出了一种融合集成经验模态分解(EEMD)和小波变换(WT)的数据降噪方法。将含有噪声的实际生产数据经过EEMD分解后,利用小波变换方法对噪声主导的本征模态分量(IMF)进行降噪处理,处理后的噪声分量与其余分量重构得到降噪后数据,并结合结构方程模型(SEM)计算得到板形功效系数。利用1 450 mm五机架冷连轧生产线实际数据进行试验,结果表明,EEMD-WT-SEM方法可以有效降低数据噪声,有效提升板形调控功效系数的准确性。     

一种新的外测数据随机误差分离方法

主要研究了外测数据随机误差分离问题。利用模型函数逼近趋势项的方法建模较为复杂,小波变换的方法需预先确定小波基和分解层数。基于经验模式分解(EMD)的趋势项消除方法由于EMD分解可能会有模态混叠效应和分解的本征模态函数层数冗余的特性,导致该方法分解的余项不一定能准确逼近趋势项。在此方法基础上提出了基于总体经验模式分解(EEMD)的随机误差分离方法,利用EMD分解的频率特性和能量特性,提出了利用能量比例法来确定用来逼近趋势项的本征模态的层数,进而分离随机误差的方法。理论仿真和实测数据证明了该算法的有效性和实用性。     

基于选择性集成策略的嵌入式网络流特征选择

机器学习在网络流量分类中存在特征选择度量指标单一、类别不平衡和概念漂移等问题,使得模型复杂度提高、泛化能力下降.该文提出基于选择性集成策略的嵌入式特征选择方法,根据选择性集成策略选取部分特征选择器集成,再改进序列前向搜索和封装器组合方法二次搜索最优特征子集.实验结果表明该算法在保证分类效果的同时有效降低了特征子集复杂度,从而达到了分类效果、效率和稳定性的最优平衡.     

Partial oxidation of methane to synthesis gas over α-Al2O3-supported bimetallic Pt–Co catalysts

The partial oxidation of methane to synthesis gas was studied at atmospheric pressure and in the temperature range of 550–800°C over -Al₂O₃-supported bimetallic Pt–Co, and monometallic Pt and Co catalysts, respectively. Both methane conversion and CO selectivity over a bimetallic Pt_0.5Co₁ catalyst were higher than those over monometallic Pt_0.5 and Co₁ catalysts. Furthermore, the addition of platinum in Pt–Co bimetallic catalysts effectively improved their resistance to carbon deposition with no coking occurring on Pt_0.5Co₁ during 80 h reaction. The FTIR study of CO adsorption observed only linearly bonded CO on bimetallic Pt–Co catalysts. TPR and XPS showed enhanced formation of a cobalt surface phase (CSP) in bimetallic Pt–Co catalysts. The origins of the good coking resistivity of bimetallic Pt–Co catalysts were discussed.     

防止过拟合的属性约简

近年来,机器学习的过拟合问题备受关注,尤其在属性约简中。为解决这一难题,提出一种融合集成策略和去除操作的算法。首先将训练模型数据平分为◢M份;然后将其中M◣-1份采用集成策略进行潜在约简计算;最后将剩余的一份进行提前测试,一旦发生过拟合则将刚加入的属性从潜在约简集中去除。利用提前测试潜在属性约简的方法来防止过拟合现象的发生,几组UCI数据的实验结果说明了新算法的有效性,同时为丰富和发展属性约简提供了一种新的方向。     

基于EnKS和SWAT模型的闽江流域径流数据同化

地表水文过程中观测变量对状态变量的响应存在时间滞后性,为提高径流数据同化的精度,以闽江流域为研究区,基于集合卡尔曼平滑器（EnKS）和SWAT模型,构建径流数据同化方案,并与集合卡尔曼滤波（EnKF）方法进行对比,评价不同同化模型的精度,分析数据同化对不同径流分量的影响。结果表明：EnKS最优时间窗口长度在不同水文周期、流域存在差异;考虑水文模型的时间滞后性可以有效提高模型的同化精度,对比EnKF方法,EnKS方法的纳什效率系数(NSE)在七里街、沙县、竹岐3个站点上分别提升了0.03、0.12、0.03,均方根误差(RMSE)分别减小了7.43%、26.81%、4.25%;数据同化方法对不同径流分量的改进程度存在空间异质性和时间异质性,在高渗透率土壤和陡坡区域EnKS方法能使壤中流获得更显著的改进,丰水期EnKS方法对地表径流的改进较枯水期更明显。     

基于资源分配网络的小数据集并行集成学习方法

机器学习领域中,如何在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,一直以来都是一个棘手而富有挑战的问题。从算法模型出发,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络（RANEKF）组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。     

基于ARIMA和Prophet的水质预测集成学习模型

将时间序列模型ARIMA和Prophet作为基学习器,结合BP神经网络模型构建了水质预测集成学习模型。选取长江流域某断面2019—2020年的DO、CODMn、NH₃-N、TP和TN等5个水质指标的监测数据对该模型的有效性进行了检验,结果表明:5个水质指标集成学习模型预测结果的平均绝对百分比误差比时间序列模型的预测误差分别低35.0%、29.9%、4.1%、40.6%和17.1%,模型预测值和监测值的皮尔逊相关系数大于0.8。集成学习模型预测精度高于单一模型,可以更精确地进行水质预测。     

变邻域分解多目标自适应差分进化算法

分解方法是处理复杂问题常用的一种手段,而差分进化算法被广泛地应用于多目标优化问题(multiobjective optimization problems,MOP),为了克服经典差分进化算法和分解方法的缺陷,本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法一ADEMO/D-ENS,该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子问题,并利用邻域子问题的信息进行优化,基于邻域种群集依概率自适应选择邻域种群规模;同时采用概率匹配(]probability match,PM)自适应方法从差分策略池中选择差分进化策略;同时分析了算法的复杂度;最后,通过和经典的非支配排序遗传算法(non-dominated sorting genetic algorithmsⅡ,NSGA-Ⅱ)和多目标差分进化算法(multi-objective differential evolution algorithm,MODE)仿真对比,说明ADEMO/D-ENS方法可以更有效的处理多目标优化问题.     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.