基于变量相关性自适应即时学习算法的火电厂SCR脱硝系统建模

针对选择性催化还原(SCR)脱硝系统工作过程中存在非线性、多变量和时变性等问题,将变量相关性引入即时学习算法,同时引入局部模型自适应更新策略,建立了基于变量相关性自适应即时学习算法的最小二乘支持向量机模型。利用互信息计算各个输入变量与输出量的相关度,将计算出的相关度引入到即时学习算法学习集的选取中,用以选择当前工况点的建模邻域,进而提高模型精度;采用自适应相似度阈值更新方法对局部模型进行更新,增强模型实时性。将该方法应用于SCR脱硝系统建模仿真。结果表明,改进后的即时学习算法的预测精度高,且具有很好的实时性。     

基于SVM的复杂非线性黑箱系统在线辨识方法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的回归方法,本文分析了采用神经网络方法进行非线性系统建模存在的缺点,并将SVM应用于复杂非线性黑箱系统模型的在线辨识当中,理论分析和实验证明,该方法学习速度快,跟踪性能好,泛化能力强,对样本的依赖程度低,比神经网络非线性系统建模具有更好的预测精度.     

基于AFSA-BPNN的MRVM模型非线性融合建模

针对化工过程强非线性和多工况的特性,提出了一种基于BP神经网络(BPNN)有效非线性融合多关联向量机(MRVM)的建模方法.首先选择不同的核函数,采用样本数据建立单一RVM子模型;然后利用BPNN的强非线性拟合能力,对各子模型的预测信息进行非线性融合,并采用人工鱼群算法(AFSA)对BPNN的初始权重和阈值进行优化;最终建立MRVM非线性融合模型.将该建模方法应用于甲醇制烯烃生产过程(MTO)乙烯收率预测研究中,研究结果表明:与单一RVM模型和最优加权组合模型相比,基于MRVM的非线性融合模型具有更佳的预测精度.     

基于自适应模糊系统的非线性系统故障诊断

提出了一种基于模糊退火的自适应模糊系统学习算法,该算法进行非线性系统建模,建模精确度高,可以收敛到全局最优点,具有良好的性能。用这种学习算法建立某伺服机构的模型,并构造基于模型的故障诊断系统,通过实验取得了较好的结果。     

基于LAR和在线LS-SVR的非线性时间序列故障预报

针对非线性系统的故障预报,设计了一种在线最小二乘支持向量回归机(LS-SVR)算法,提出了一种基于在线LS-SVR和线性AR(LAR)混合预测的故障预报新方法.用LAR对非线性系统进行局部线性建模,用LS-SVR在线补偿局部线性模型的建模误差,实现了非线性时间序列的一步预测,并推广到N步预测.基于已知的正常时间序列数据,直接对当前N步预测值进行异常估计,实现故障预报,提高了实时性.同时方法的误检率和漏检率还可人为调整,对不同对象具有普遍性.仿真实验证明了方法的有效性.     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于ISSA的多变量ORVFL网络自适应预测控制

针对多输入多输出（Multiple?Input Multiple?Output, MIMO）的非线性系统,提出了一种基于改进的麻雀搜索算法（Improved Sparrow Search Algorithm, ISSA）的在线序列随机权值网络( Online Random Vector Functional?Link Net, ORVFL)自适应预测控制算法(ISSA?MPC)。该算法采用ORVFL网络逼近非线性系统模型,并用于系统过程的多步预测。为了提高麻雀搜索算法的性能,使用该算法对系统性能指标进行了在线优化,求解了每一个采样周期的最优控制律。结果表明,该算法控制性能良好并具有较好的抗模型失配能力。     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的SVM和LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

一种在线快速估计多变量时滞的算法

本文提出一种在线估计多变量时滞的方法.其特征是采用多模型滑动的方法在线估计多变量系统的最大共同时滞.仿真表明,算法可以正确地确定系统即时的时滞.当系统的最大共同时滞突变时,算法可使模型很快地跟踪上变化.     

基于低维约束嵌入的分布参数系统建模

针对分布参数系统受时空耦合特性、强非线性、复杂的能量交换以及未知因素等的影响,难以精确建模的问题,提出基于数据驱动的低维约束嵌入建模方法. 以数据流形分布为基础,考虑数据局部非线性和全局非线性;通过非线性映射和流形学习方法,保证数据局部流形结构的非线性联系;约束非局部流形结构,避免数据在低维空间内发生混乱现象;采用最小二乘支持向量机建立时序模型,获得时间方向上的动态特征,并通过时空整合,重构系统完整的预测模型. 热过程的实验结果表明,所提出的方法能有效建立强非线性分布参数系统的模型,与传统方法对比,具有更强的建模性能与预测能力.     

基于ISM法的系统学习路径的设计与实现

网络在线学习是否能够顺利完成,与网络学习中学习路径的选择和确定直接相关。确定网络学习路径的关键是准确分析各知识点之间的先决关系。本文基于解释结构模型法,给出了一个网络系统学习路径的设计和实现算法。     

基于模糊关系的非线性系统辨识研究

分析了传统的利用神经网络进行非线性辨识的方法在系统有噪声数据时鲁棒性差且系统辨识结构不准确的问题，提出了一种基于模糊关系的系统辨识与建模方法。该方法将模糊控制与神经网络有机结合，在优化系统辨识结构的同时有效降低了噪声数据对系统的干扰。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于资源信息细分的学习评价系统的设计实现

在网络化学习系统中,如何准确发现学习者的缺陷是学习评价系统的主要任务,也是一个非常困难的问题：通过学习资源标注知识点、能力点、方法点、错误现象和错误归因等信息．将学习资源所包含的信息进一步细分和深化。再以测试结果为基础进行评价,能够更准确的发现学习者的缺陷。     

基于改进BP神经网络的复杂系统故障识别

复杂系统的故障种类多样,成因复杂,依靠传统的数学建模方式对复杂系统的故障进行识别和研究比较困难。研究了BP网络的非线性逼近能力和多分类能力,在此基础上分析了BP网络的设计方法和存在的缺陷,提出了一种基于变学习速率法与共轭梯度法相结合的BP网络性能改进算法,将其用于复杂系统的故障进行识别并进行了实验验证。实验的结果表明,改进后的BP网络缩短了训练时间,提高了故障识别的准确率,增强了网络的泛化能力,取得了良好的效果。     

基于语义P2P虚拟学习社区的构建方法

随着系统规模的扩大,在基于P2P远程学习系统中出现学习参与者无法有效发现学习资源,同时建立的虚拟学习社区不能很好地反映参与者的动态学习特性。在分析语义网和本体建模的基础上,按照学习社区要求建立节点本体模型,提出一种基于混合模式P2P技术的远程学习系统;并在此基础上,设计实现基于语义相似度的虚拟学习社区的构建算法。     

问题与事例的类似性评价及基于事例学习的建模方法研究

引入知识工程与机器学习理论,以问题与事例的类似性分析为研究对象,以利用以往的建模经验知识和事例指导改进建模操作为突破口,提出实际应用问题基于知识的树状表示方法,从问题域、问题结构和数据信息三方面给出了问题与事例类似性的评价方法和类似度的计算公式,并对基于事例学习的建模方法及其建模支持系统进行了初步研究。本项研究有利于促进和深化建模与模型管理的类人化、智能化研究、在动态系统的实时优化控制领域具有较广阔的应用前景。     

基于小波极限学习机的分解炉温控系统建模

在新型干法水泥生产过程中,分解炉温度是一个非常重要的控制对象.由于分解炉出口温度与其影响因素不是简单的线性或者非线性关系,使得传统的建模方法精度较低.本文提出一种基于小波极限学习机的方法,通过对已有的大量数据进行训练、测试,实现对水泥窑分解炉温度的建模.实验结果表明,该方法泛化性能好、学习速度快、模型精度高,具有一定的实践指导意义.     

Optimized Modeling Method for Unbalanced Data in High-Level Visual Semantic Concept Classification

To solve the unbalanced data problems of learning models for semantic concepts,an optimized modeling method based on the posterior probability support vector machine(PPSVM)is presented.A neighbor-based posterior probability estimator for visual concepts is provided.The proposed method has been applied in a high-level visual semantic concept classification system and the experiment results show that it results in enhanced performance over the baseline SVM models,as well as in improved robustness with respect...