基于时间近邻拉氏正则的多工况软测量回归

针对流程工业中,工况改变导致传统软测量模型预测精度下降的问题,考虑到工业数据连续性、序列性、多重共线性、数 据量庞大等特殊性对模型建立的影响,提出一种基于时间近邻拉普拉斯正则的多工况软测量回归模型框架。 针对工业数据的 多重共线性,回归框架采用非线性迭代偏最小二乘方法,同时引入域适应正则项改善工况变化对模型的影响,在此基础上,提出 时间近邻拉普拉斯正则项,能够在映射过程中保持住数据的序列结构,并且大幅度减少模型训练时间以满足工业实时性要求。 实验部分以三聚氰胺聚合过程多工况数据集为例,对本文模型的预测有效性以及减少训练时间的有效性进行了实验和分析。 结果表明,与传统方法偏最小二乘回归相比,当目标工况为工况 1 到工况 4 时,本文方法使平均均方根误差分别降低了 30. 3% 、 31. 4% 、29. 3% 和 24. 1% 。 且相较于传统全连接法,时间近邻法构建拉普拉斯正则项能够使得四个工况上模型训练时间分别降 低 14. 11、 1. 01、 26. 43 和 0. 71 s,表明该模型的预测准确性和训练时间均得到有效改善.     

新的基于区分对象集的邻域粗糙集属性约简算法

基于正域的属性约简算法是利用"下近似"思想,仅考虑被正确区分样本数的约简算法。借鉴"上近似"的思想,利用"邻域信息粒"的概念定义了区分对象集,探讨了其基本性质,并提出了基于区分对象集的属性重要度度量及启发式属性约简算法。该约简算法既考虑信息决策表的相对正域,也考虑以核属性为启发信息逐个增加条件属性时对边界域样本的影响。通过实例分析,说明了所提算法的可行性,并且以6个UCI标准数据集为实验对象,与基于正域的属性约简算法进行对比实验。实验结果说明,采用提出的约简算法得到的约简属性集,与基于正域的属性约简算法相比,在进行分类任务时的分类精度能够保持不变或有所提高。     

基于超图正则化的域适应偏最小二乘多工况软测量模型

针对流程工业中, 因多工况导致数据分布变化引起传统软测量模型预测性能恶化问题, 本文提出一种基于 超图正则化的域适应多工况软测量回归模型框架. 首先, 采用非线性迭代偏最小二乘回归算法为基模型, 在潜变量 空间利用历史工况数据重构当前工况数据, 以增强工况间的相关性, 有效减小数据分布差异; 同时, 对重构系数施加 低秩稀疏约束, 保留了数据的局部和全局子空间结构; 其次, 通过超图拉普拉斯正则项对域适应潜变量求解过程进 行约束, 避免在寻找潜变量过程中破坏数据结构. 最后, 利用交替方向乘子法优化求解模型参数. 在多个数据集上 的实验表明, 本文方法在多工况环境下可有效提高软测量模型的预测精度和泛化性能.     

基于改进EO-BP神经网络的高压线损预测

针对高压线损预测精度不高的问题,提出一种基于均衡优化器（Equilibrium Optimizer,EO）和BP神经网络相结合的线损预测模型。首先,为了提高EO算法的寻优能力,利用多种混沌映射关系初始化种群,使种群多样性增加,全局搜索能力得到改善;同时,采用物竞天择概率跳脱策略改进EO算法,使模型依概率跳出局部最优而收敛于全局最优解。其次,采用改进的EO算法对BP神经网络的权值和偏置进行优化,进而改善BP神经网络的预测效果。最后,实验结果证明,所提线损预测模型相对于回归模型、BP神经网络模型、模拟退火算法优化BP神经网络模型和EO优化BP神经网络模型具有更高的预测精度。     

基于迁移变分自编码器-标签映射的湿式球磨机负荷参数软测量

在工况改变时，湿式球磨机的实时数据和建模数据分布不一致，不满足传统软测量建模方法要求的数据同分布假设，导致模型失准和性能恶化。为此，引入迁移学习思想，提出一种基于迁移变分自编码器-标签映射的软测量模型，实现多工况下湿式球磨机负荷参数的准确测量。首先，迁移目标域数据编码得到的隐变量分布参数，对源域数据对应隐变量进行拟合，再解码得到迁移数据；然后采用相似性度量选取相似样本构建标签映射模型，并得到映射标签；最后使用迁移数据和映射标签构建出最终的软测量模型。实验结果表明，该软测量方法显著优于现有方法，适用于多工况下的软测量建模。     

基于迁移变分自编码器-标签映射的湿式球磨机负荷参数软测量

在工况改变时,湿式球磨机的实时数据和建模数据分布不一致,不满足传统软测量建模方法要求的数据同分布假设,导致模型失准和性能恶化。为此,引入迁移学习思想,提出一种基于迁移变分自编码器-标签映射的软测量模型,实现多工况下湿式球磨机负荷参数的准确测量。首先,迁移目标域数据编码得到的隐变量分布参数,对源域数据对应隐变量进行拟合,再解码得到迁移数据;然后采用相似性度量选取相似样本构建标签映射模型,并得到映射标签;最后使用迁移数据和映射标签构建出最终的软测量模型。实验结果表明,该软测量方法显著优于现有方法,适用于多工况下的软测量建模。     

考虑交通流非线性特性的交通信号迭代学习控制策略

现实中城市交通流的运行具有很强的非线性特性, 采用简单的线性模型难以全面描述交通流的实际运行过程. 本文在考虑城市交通流非线性动态特性的基础上, 提出了一种非线性交通流排队模型, 并基于宏观交通流固有的周期性特征, 设计了交叉口信号的迭代学习控制策略. 通过对交叉口信号的迭代学习控制, 使交叉口各进口道的车辆排队长度尽可能趋于均衡, 提高交叉口信号有效绿灯时间的利用率, 从而提高路网的通行效率. 最后通过严格的数学推导证明了该方法的收敛性, 仿真研究及实验结果验证了所提方法的有效性.     

基于迁移子空间学习的偏最小二乘回归软测量方法

针对流程工业中工况改变易导致当前样本与历史样本分布失配,传统软测量模型失准的问题,考虑工业数据时序性、动态性以及存在过程漂移等特性对建模的影响,提出一种基于迁移子空间学习的偏最小二乘回归软测量方法.首先,回归框架采用非线性迭代偏最小二乘方法,对其求解映射向量的目标函数施加基于子空间重构的域适应正则项,映射过程中保证当前工况中每个样本能够被历史工况样本线性重构.在此基础上对重构矩阵施加低秩稀疏约束,保持数据结构的同时使重构矩阵具备块状结构以应对过程漂移特性.将所提出方法在1个数值案例和3个不同的多工况数据集中进行实验,并与现有域适应回归方法进行对比分析.实验表明,所提出方法能够有效提高模型在跨工况条件下的预测精度,减少工况间数据分布差异对模型性能的影响.     

基于区分性联合概率分布的域适应故障诊断

针对多工况条件下的故障诊断方法因建模数据和待测数据不满足独立同分布假设,导致模型性能恶化这一问题,提出了一种基于区分性联合概率分布差异的域适应故障诊断建模方法。以一个结构风险最小化域不变分类器作为故障诊断框架。在框架上施加基于区分性联合概率分布差异的域适应项,将建模数据和待测数据投影到公共特征空间中,对齐跨域同类别样本分布的同时,最大化跨域不同类别样本间分布差异;并且利用流形正则化保持数据的局部几何结构。在多工况条件下的凯斯西储大学(CWRU)和帕德伯恩大学(PU)轴承故障诊断数据集上进行试验。试验结果表明,该方法能有效提高故障诊断模型预测精度和泛化性,在多工况故障诊断任务中的表现良好。