基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值.同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在子模型建立时将前一时刻初顶石脑油干点分析值作为网络模型的自变量.实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意.     

基于特征加权模糊聚类的多模型软测量建模

针对化工生产过程中质量指标无法在线监测的问题,多模型软测量建模方法往往能取得不错的模型估计精度然而传统的模糊聚类算法都假定样本的各维特征对聚类的贡献相同,影响了聚类效果和模型估计精度.为了考虑样本各维特征对聚类的不同影响,提出一种新的特征加权模糊聚类算法.该算法在模糊聚类选代的基础上,逐步调整特征权值,最终有效改善了聚...     

基于特征加权K-means聚类的多模型软测量建模

针对传统K-means聚类算法的聚类结果易随不同的初始聚类中心波动的问题,采用最大距离积法优化K-means聚类算法的初始聚类中心。传统的K-means聚类算法都假定样本的各维特征对聚类的贡献相同,影响了聚类效果和模型估计精度。为了考虑样本各维特征对聚类的不同影响,利用一种新型的特征加权K-means聚类算法逐步调整特征权值,最终有效改善了聚类效果。利用本文方法建立组合支持向量机模型,将其用于双酚A生产过程质量指标的软测量建模中,仿真结果表明该算法能够有效改进数据的分类效果并提高软测量模型的估计精度。     

基于满意聚类的多模型建模方法

从系统输入输出数据出发, 首先在GK模糊聚类算法的基础上, 提出一种模糊满意聚类算法, 该算法能快速对系统进行用户满意的模糊划分 ;继而将其引入多模型建模过程中, 满意的系统划分数目即对应多模型个数, 然后针对不同的聚类建立起相应的子系统模型, 全局系统可视为各子模型的加权组合 ;最后通过几个典型实例验证了模糊满意聚类及基于此的多模型建模方法的有效性、准确性和快速性.     

基于自适应模糊聚类的神经网络软测量建模方法

提出一种基于模糊聚类的神经网络软测量建模方法．该方法采用数据分组训练、自动确定模糊分类数、在线测量时分类中心自适应修正，降低了计算量，提高了建模精度．将该算法用于步进式加热炉钢坯温度预报的仿真结果表明，它能够解决钢坯温度难以在线测量的问题。     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

基于改进满意聚类的多模型建模方法

针对模糊聚类中普遍存在的聚类个数需要事先给定和收敛速度慢等问题,在原有聚类方法的基础上提出一种改进满意聚类算法。用该算法快速确定系统的模糊划分数目,进而用支持向量机算法建立每个聚类的子模型,将输入变量对各类别的隶属度作为权值,将多个子模型用加权方式组合。工业仿真实例验证了基于该方法的多模型建模方法的有效性、准确性和快速性。     

基于DP-RFR的多模型软测量建模

实际工业过程往往是一个多工况、非线性的大规模复杂系统,使得单一模型软测量建模方法难以充分挖掘数据信息。针对这一问题提出了一种基于密度峰(Density Peak,DP)聚类和随机森林回归(Random Forest Regression,RFR)的多模型软测量建模方法,从而对主导变量进行估计。首先,利用DP聚类算法对训练数据进行划分;其次,采用RFR方法建立各子类的回归子模型;最后采用开关切换的方法进行多模型融合。将提出方法应用于TE过程和丁烷蒸馏过程的软测量建模中,分别对产物G含量和丙烷含量进行估计。仿真结果表明估计精度得到提高,证明该方法是有效的。     

Structure and weight optimization of neural network based on CPA-MLR and its application in naphtha dry point soft sensor

Structure and weight of neural networks play an important role in the predicting performance of neural networks. In order to overcome the main flaws of neural networks, such as under-fitting, over-fitting or wasting computational resource, correlation pruning algorithm combined with multiple linear regression (CPA-MLR) is proposed to optimize the structure and weight of neural networks. Firstly, an initial three-layer network with the maximum nodes of hidden layer is selected, and BP is employed to train it. Secondly, correlation analysis of the hidden-layer output is carried out to confirm the redundant hidden nodes. Thirdly, the redundant nodes will be deleted one by one, and a multiple linear regression model between the output of the hidden layer and the expected input of the output layer, which can be obtained through the inverse function of the output-layer node, is employed to obtain their optimal weight. Finally, the optimal structure of the neural networks, which is corresponding to the best predicting performance of the neural networks, is obtained. Further, a practical example, that is developing naphtha dry point soft sensor, is employed to illustrate the performance of CPA-MLR. The results show that the predicting performance of the soft sensor is improved and then decreased with deleting the redundant nodes, and the optimal predicting performance is obtained with the optimal hidden nodes.

     

用于多模型软测量的扩张搜索聚类算法

多模型可以改善模型估计精度,提高泛化性能.针对传统的聚类方法过于依赖空间数据先验知识及初始参数的缺点,提出1种适用于任何形状样本分布的单参数调节扩张搜索聚类算法.该方法以近邻算法为基础,通过设定各样本的ε-邻域,以扩张搜索的方法将所有相关的ε-邻域样本归为一类,从而聚类样本数据.将其用于聚类样本数据集,构建基于扩张搜索聚类的软测量多模型.在双酚A生产过程质量指标的软测量建模仿真中验证了算法的有效性,其均方根误差、最大相对误差和平均相对误差均较基于模糊C均值的多模型建模方法有所减小,分别从1.2943,3.88%和1.40%下降到了1.0276,2.72%和1.16%.     

基于同步聚类的污水水质混合在线软测量方法

污水处理过程工况频繁波动,单一模型难以保证软测量精度,提出了基于同步聚类的出水COD混合在线软测量方法。模型由简化机理模型和建模误差补偿模型组成,其中简化机理模型作为主模型,集成模型作为误差补偿模型。机理模型用于表征污水处理过程的基本动态机理特性;误差补偿集成模型中子模型均采用线性模型,用以补偿不同工况下的机理模型建模误差。子模型个数采用在线同步聚类算法进行划分,考虑了输入和输出数据的时间区间,同时考虑了相邻数据间的关联性,提高了计算效率,改善了模型的实时性。采用实际污水处理厂数据进行仿真实验,验证了所提建模方法在多个运行工况下仍具有较好的精度。     

基于二代小波变换的信号去噪及其软测量建模

化工生产过程中采集到的数据信号通常具有随机性和非平稳性,附加了各种噪声,以至于影响数据建模的拟合效果和泛化性能.本文基于二代小波分析的特点,提出了一种对信号数据进行小波变换阈值去噪的方法.该方法可去除大部分高频随机噪声,提取真实信号,进而提高数据的置信度.将该方法与支持向量机相结合并应用于双酚A反应过程质量指标软测量模型中.仿真结果表明,该方法能有效恢复数据的真实性,提高数据建模的拟合精度与泛化性能.     

基于二阶相似度的即时学习软测量建模方法

针对即时(惰性)学习模型频率降低间接导致的精度下降问题,提出一种二阶相似性的即时学习方法。该方法综合顾及到样本集的整体分布特性,在传统一阶相似度准则的基础上建立二阶相似度准则,采用与测试样本具有绝大部分相同近邻的二阶相似样本建立当前时刻的模型;同时将累计相似度因子用于建立局部模型时样本量的确定,并采用相似度阈值的方式判断此刻模型是否需要重新建立。该方法在青霉素发酵过程产物浓度的预测实验中得到了有效的验证。     

基于滑动门中心点计算的K均值聚类并行算法研究

随着GPU硬件设备的普及和GPGPU技术的快速发展,越来越多的研究人员投入到GPGPU的研究当中。当前,GPU具有很强大的并行计算能力、浮点运算能力、计算单元集成能力等特点,显示出了GPU在并行计算领域的巨大潜力。CUDA是由NVIDIA公司提出的一种利用GPU进行并行计算的架构,CUDA使得GPU具有友好的可编程性,为研究人员能够在GPU上实现各种领域的科学计算提供了方便的途径。K均值聚类算法由于其概念简单,易于实现等优点成为并行计算研究的一个热门方向。对于K均值并行算法的研究,有基于8核CPU并配备FPGA加速板的方法,但对于一个需要启动数千个线程的复杂模型,基于传统CPU并行计算方法难以实现;也有使用CUDA并行计算平台对K均值聚类算法进行处理,但处理算法时通常忽略对CUDA平台上K均值聚类算法自身的优化。基于以上缺陷,介绍K均值聚类算法的同时对算法在CUDA平台上进行了相应优化,特别针对更新中心点的耗时问题,提出了一种基于滑动门中心点计算的K均值聚类并行计算。实验结果表明,当聚类数较多时,相对于传统的更新中心点算法,基于滑动门中心点并行算法的效率更高。     

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.     

基于兴趣聚类的自动建模

针对传统粗兴趣粒度表示的建模方法不能准确描述每个用户的兴趣主题的问题,提出基于兴趣聚类的自动建模方法.利用文档聚类发现用户的多个子兴趣主题,从而提高对用户兴趣偏好描述的准确性.将该方法用于个性化信息检索,取得较好的效果.     

基于数据驱动技术和工艺机理模型的PTA生产过程软测量建模方法

PTA生产过程物耗指标和质量指标实时准确的监控,是PTA生产企业降低生产成本、提高市场竞争力的重要途径.现存的PTA工艺机理模型无法实时有效地对PTA生产过程进行监控,本文提出了1种基于数据驱动技术和工艺机理模型的软测量建模方法,通过采用主元分析和模糊C均值聚类(PCA-FcM)算法将PTA历史工况进行分类,建立BP神经网络和偏最小二乘(PLS)的组合多工况模型,对PTA生产过程的物耗指标和质量指标进行预测.以某化工厂的投运效果分析,该方案有效地对PTA重要指标作了实时准确的预测,其中质量指标4CBA的相对误差控制在3%左右,有效地帮助现场操作人员将生产装置稳定运行在较优工况点.