基于宽度混合森林回归的城市固废焚烧过程二噁英排放软测量

二噁英是城市固废焚烧过程排放的痕量有机污染物.受限于相关技术的复杂度和高成本,二噁英排放浓度检测的大时滞已成为制约城市固废焚烧过程优化控制的关键因素之一.虽然具有低成本、快响应、高精度等特点的数据驱动软测量模型能够有效解决上述问题,但二噁英建模方法必须要契合数据的小样本、高维度特性.对此,提出了由特征映射层、潜在特征提取层、特征增强层和增量学习层组成的宽度混合森林回归软测量方法.首先,构建由随机森林和完全随机森林构成的混合森林组进行高维特征映射;其次,依据贡献率对全联接混合矩阵进行潜在特征提取,采用信息度量准则保证潜在有价值信息的最大化传递和最小化冗余,降低模型的复杂度和计算消耗;然后,基于所提取潜在信息训练特征增强层以增强特征表征能力;最后,通过增量式学习策略构建增量学习层后采用Moore-Penrose伪逆获得权重矩阵.在基准数据集和城市固废焚烧过程二噁英数据集上的实验结果表明了方法的有效性和优越性.     

基于主动学习机制GAN的MSWI过程二噁英排放风险预警模型

针对构建城市固废焚烧(municipal solid waste incineration, MSWI)过程剧毒污染物二噁英(dioxin, DXN)排放风险预警模型的样本极为稀少的问题，提出一种基于主动学习机制生成对抗网络(generative adversarial network, GAN)的DXN排放风险预警建模方法.首先，以DXN风险等级作为条件信息使得GAN生成候选虚拟样本；然后，利用基于最大均值差异和多视角可视化分布信息的主动学习机制进行虚拟样本的初筛和评估，以获得期望虚拟样本；最后，基于混合样本构建DXN排放风险预警模型.通过基准数据集和MSWI过程数据集验证了所提方法的有效性.基于主动学习机制GAN的DXN排放风险预警建模方法可以有效解决样本稀少的问题，提高模型精度.