基于grey Markov--支持向量机的电弧炉终点参数预报

考虑电弧炉终点参数既受定量因素的影响,又受非定量因素的影响.将灰色马尔可夫 (grey Markov)与支持向量机 (SVM)相结合.建立了电弧炉终点参数grey Markov-SVM预报模型,其中grey Markov模型反映非定量因素对电弧炉终点参数预测值的影响,SVM模型反映电弧炉各种定量输入对终点参数预测值的影响.建立grey Markov-SVM模型的方法是:首先建立反映非定量因素的GM (1,1)模型,然后用Markov链修正其预测值:由于grey Markov模型对定量输入的影响无法准确反映,因此grey Mar-kov模型必然存在预测偏差,此预测偏差通过建立反映定量输入与终点参数预测偏差之间关系的SVM模型方法加以补偿,并采用粒子群算法 (PSO)对SVM的参数进行寻优,最终得到电弧炉终点参数的预报值,同时实现滚动预测.仿真实验表明grey Markov-SVM模型与grey-SVM模型、Markov-SVM相比较,具有很高的终点预报精度.     

基于特征加权的支持向量回归机研究

基于统计学习理论的支持向量回归机有比较好的泛化能力,然而当样本含有与该问题不完全相关甚至完全无关的特征时,会使得各个特征对问题的相关程度差异很大,从而使得支持向量回归机的效果受到影响。为了解决这个问题,提出了一种基于特征加权的支持向量回归机。模拟的计算结果显示出此方法的有效性。     

新型鲁棒孪生支持向量回归机

回归问题是模式识别与机器学习领域的基本问题之一,孪生支持向量回归机（TSVR）是在支持向量回归机（SVR）基础上发展而来的一种处理回归问题的新算法,它在处理无噪声数据时表现出较好的性能,但在处理有噪声数据时往往性能不佳。为了降低噪声对孪生支持向量回归机性能的影响,结合ε-不敏感损失函数与Huber损失函数构造了混合Hε损失函数,该损失函数可以有效地适应于不同分布类型的噪声;然后基于混合Hε损失函数和结构风险最小化（SRM）原则提出了一种鲁棒的孪生支持向量回归机（Hε-TSVR）,并在原始空间中利用牛顿迭代法求解模型。分别在有噪声和无噪声的人工数据集、UCI数据集上进行实验,与支持向量回归机和孪生支持向量回归机等算法比较,实验结果验证了所提算法的有效性。     

基于遗传模拟退火算法的神经网络预报模型

遗传和模拟退火是两种不同的优化算法，对这两种算法进行混合，有利于丰富优化过程中的搜索行为。遗传模拟退火混合策略利用了不同的邻域搜索结构，增强了算法全局和局部意义下的搜索能力和效率。分别用遗传模拟退火算法和标准遗传算法对电弧炉氧化期终点碳含量预报模型进行训练，仿真结果表明遗传模拟退火算法在收敛速度和预报精度上优于标准遗传算法。     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

基于SVR的软件可靠性预测模型研究

利用软件生命周期中的相关数据进行软件可靠性分析与预测是软件可靠性工程的重要组成部分。首先从软件开发全过程中分析影响软件可靠性的相关因素,对其进行定义并确定度量方法,然后以支持向量回归机(SVR)分析方法为数学工具,建立基于软件质量度量的软件可靠性预测模型,并对该模型进行仿真分析。     

遗传算法优化支持向量机用于语谱图识别

本文提出了一种新的语谱图识别算法,该算法首先利用遗传算法(GA)对支持向量机(SVM)中两个重要参数(惩罚参数c和核函数参数g)进行大范围的寻优,然后利用最佳参数训练支持向量机,最终实现对语谱图的识别.     

基于GA-SVM的心脏病诊断模型

心脏病是一类高发病率、高死亡率的疾病,及时且准确地诊断心脏病有利于为患者争取更多的治疗时间,提高患者的康复概率并减少危险。选用UCI提供的心脏病数据集作为实验数据,提出了基于遗传算法（Genetic Algorithm,GA）优化支持向量机（Support Vector Machine,SVM）的心脏病诊断模型GA-SVM。实验结果表明,GA-SVM的分类准确率较高,相较于其他机器学习模型而言具有更强的预测与泛化能力。     

基于最小二乘支持向量回归的水质预测

水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。为此,本文提出一种基于最小二乘支持向量回归的水质预测算法。支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归（LS-SVR）利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。     

进化支持向量机模型及其在水质评估中的应用

水质评估模型是进行水质规划、环境水污染控制和环境管理的有效工具。利用遗传算法(GA)对支持向量机(SVM)分类算法的径向基核函数参数σ和错分惩罚因子C进行组合优化,建立进化支持向量机模型,并将该模型应用于水质评估中。将该模型分别应用于松花江松原段、松花江哈尔滨段、黄河甘肃段和吉林桦甸关门砬子水库的真实数据上进行测试。实验结果表明,提出的进化支持向量机水质评估模型在分类精度和泛化能力上较经典SVM方法都有所提高,表明了该方法的有效性。     

基于变量选择的转炉炼钢终点预报模型

转炉炼钢的终点预报模型对于钢水终点碳含量和温度的命中非常重要.针对高维输入不利于建立精确模型的问题,使用互信息方法对预报模型输入变量进行选择.为了区分各输入变量对输出的不同重要程度,对各输入变量进行加权处理,并采用微粒群算法对权值进行优化.最后,使用支持向量机方法建立转炉炼钢终点碳含量和温度预报模型.对一座180t转炉实际生产数据进行仿真,结果表明,合理的变量选择和加权处理能有效提高模型的预报精度.     

独立元回归在转炉终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于ICR方法的终点温度的预测模型.该方法将独立元分析(ICA)与回归分析相结合,先利用ICA方法提取输入数据矩阵的独立元矩阵(IC);然后再分别以IC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业生产数据仿真结果表明,与主元回归(PCR)和偏最小二乘回归(PLSR)方法相比,基于ICR的终点温度预测模型预测精度高,跟踪性能好.该方法可为实际生产中的终点控制提供参考,提高生产效益.     

炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型. 利用某厂实际生产数据进行仿真运行的结果表明, 本文建立的模型具有较高的预报精度和较强的实用性, 可用于指导生产实践.     

基于PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

基于BP神经网络及模糊推理的温度预警模型研究

主要研究建立疫苗冷链物流运输过程中的温度监控预警模型,通过优化的BP神经网络算法进行温度的预测,并采用模糊推理进行有效的决策预警,旨在把冷链物流运输中可能产生的损失降到最低;仿真测试阶段通过建构一个隐藏层神经元为13个的优化BP神经网络,在Matlab中进行有效性仿真,训练回归统计R值接近于1,且得出期望输出与实际值相差无几;模糊推理系统采用trapmf隶属函数,通过仿真的规则曲面表明该规则对输入有良好的判断。     

一种转炉炼钢动态终点预报的新方法

1　引言转炉炼钢就是将含有较多杂质的铁水与吹入的氧气发生反应 ,达到去除杂质的目的 ,从而获得要求的钢水成分和温度 .目前自动化炼钢的方法是静态控制和以副枪检测信息为基础的动态控制相结合的方法 .动态控制的关键是准确预报转炉炼钢终点温度和碳含量 .文 [1 ]在文 [2 ,3]的基础上采用 RBF神经网络对转炉炼钢终点温度和碳含量进行预报 ,提高了预报精度 .但是 ,终点温度和碳含量受到非定量因素的影响 ,文 [4 ]提出以灰色模型为基础的预报方法 ,由于应用线性回归补偿 ,因而影响预报精度 .本文将灰色模型与RBF神经网络相结合提出新的转…     

基于神经网络的电热前床温度控制的研究

以电热前床自动控制系统为研究对象．提出了一种基于BP神经网络整定的PID控制方法．并给出了系统设计及软件开发。由于神经网格所具有的任意非经理性表达能力．可以通过对系统性能的学习来实现具有最佳组合的PID控制。电热前床控制实验结果表明．用该方法整定的PID控制系统，逼近精度高，鲁棒性好。     

基于卷取温度预测的层流冷却优化控制模型

卷取温度对带钢的金相组织影响很大,是决定成品带钢加工性能、力学性能、物理性能的重要工艺参数之一;层流冷却过程具有强非线性、不确定性、时变的特点,采用传统的基于传热机理和统计分析的建模方式难以满足卷取温度优化控制要求;针对某钢铁企业热轧板厂卷取温度控制过程中存在的问题,建立了基于神经网络的卷取温度预测模型,综合考虑多种因素对卷取温度的影响,将该模型预测值与目标卷取温度值的偏差作为原有前馈模型的输入,以提高前馈补偿的控制精度;仿真结果表明,模型预测精度高,具有在线应用前景.     

基于改进PCR方法的加热炉钢温预报模型

运用多元统计投影原理，结合改进PCR方法，建立了钢坯出口温度变量和过程变量之间的主元回归预测模型，最后基于某钢厂实际生产数据对模型的参数进行了求取．校验和误差分析表明，该模型能提前5～25分钟预测出钢坯的出口温度，且预测误差满足工业应用的精度要求．     

基于数学模型的出钢温度预报数值模拟

以某钢厂加热炉为研究对象,建立了五段式步进粱式加热炉板坯物理模型和数学模型,并采用有限差分的方式对数学模型进行离散,开发了板坯温度场计算模型.利用黑匣子数据验证了该模型的准确性,通过该数学模型模拟计算不同钢种的大尺寸低合金钢在不同入炉温度下的出炉温度,为实际操作提供参考.