局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法.该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二采回归模型,降低模型对异常数据的敏感度、优化模型参数.鉴于多模型可以改...     

发酵罐KPCA与SVR软测量技术的研究

青霉素发酵过程具有较强的非线性、时变性和不确定性,发酵过程中的基质浓度、青霉素菌体浓度、产物浓度等关键生物参数难以实时在线测量,而离线化验存在时滞大的问题,难以满足实时在线控制的要求。针对这一问题,提出了一种基于核主成分分析(KPCA)与支持向量机回归(SVR)的软测量建模方法。首先,利用KPCA提取软测量输入数据空间中的非线性主成分;然后,采用SVR算法建立了可准确预测青霉素发酵过程重要参数的软测量模型。试验结果表明,与传统建模方法相比,KPCA-SVR软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中青霉素菌丝浓度的在线测量要求,是一种有效的软测量建模方法。     

局部特征关系下的数据回归及软测量建模

针对复杂工业过程中存在的数据非线性的问题,对基于数据局部特征的回归模型构建和软测量建模方法进行研究。基于邻域保持嵌入(NPE)算法思想,利用数据间局部关系特征,建立多目标的回归优化函数,提出了基于局部的数据回归(LDR)算法。该方法基于数据的局部关系和邻域特征,在保留输入数据和输出数据局部特征的同时,获取数据间的最大相关关系。通过数据低维潜变量获取数据的回归关系,并建立软测量预测模型。将模型应用于工业案例中,预估产品的质量和难以在线测量的关键变量。脱丁烷塔的案例研究证明了所提出的方法在变量预测方面的有效性。与基于全局特征的软测量模型的对比分析结果表明,所提出的LDR在获取非线性数据相关性和增强数据预测精度方面具有显著的改善效果。     

优化岭参数的非线性岭回归及4-CBA含量软测量

针对二甲苯氧化反应过程中影响主要副产物对羧基苯甲醛含量的因素众多且呈高度非线性的问题,提出基于优化岭参数的非线性岭回归MNRR算法,并应用于建立4 CBA含量软测量模型,获得满意的结果.MNRR采用非线性变换对原始模式特征空间进行扩张,以预测性能为指标,采用进化算法确定最佳岭参数,最终建立具有强非线性表达能力以及预测性能良好的模型.与非线性最小二乘回归和基于广义交叉有效性逐步估计岭参数的非线性岭回归相比,MNRR模型具有更高的预测精度且克服了传统岭回归算法最佳岭参数难以确定的缺点.     

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.     

核主成分分析中核参数选择的遗传算法

基于核方法的主成分分析虽然能够提取数据的非线性特征,但其性能受核参数的影响比较大.本文提出一种基于遗传算法的核参数优化算法,在未知数据分布特征的情况下,采用该方法对核参数进行优化选取,取得较好的实验效果,表明该方法的有效性.     

基于灰狼优化算法的车牌字符识别研究

为了提高车牌字符识别的准确率和模型的泛化能力,提出一种基于字符特征向量和灰狼优化算法的字符识别方法。该方法通过提取车牌字符的特征向量建立非线性支持向量机模型,利用灰狼优化算法对支持向量机参数寻优,并基于寻优参数建立识别模型。经过实验对比,该方法相比其他优化算法寻优时间更短且识别准确率更高。     

基于PSO-SVR的飞灰含碳量软测量研究

针对飞灰含碳量测量的研究现状和不足,采用基于粒子群优化的支持向量回归法对飞灰含碳量软测量展开建模研究,该方法利用粒子群算法的寻优功能,实现支持向量机模型的参数优化,使模型具有良好的预测能力.以大唐潮州电厂1000 MW超临界机组为研究对象,将现场采集数据分为训练数据和测试数据,分别用来辨识飞灰含碳量软测量模型和检验模型的泛化能力.仿真结果表明,飞灰含碳量软测量模型仿真输出与实际输出基本吻合,验证了模型的有效性和泛化能力.     

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.     

基于KIsomap特征提取的软测量建模方法

来自化工生产过程的数据大多具有非线性和高维性,对数据进行特征提取是软测量建模过程的必要环节。流形学习作为一种非线性维数约简方法,可以获得高维数据在低维空间的嵌入。针对流形学习中的等距映射法(Isomap)鲁棒性差、拓扑稳定性不好等缺点,通过常数偏移的方法构造核矩阵,形成核等距映射法(KIsomap),提高了Isomap算法的鲁棒性和拓扑稳定性。运用一种将K近邻与ε-半径法相结合的方法构造邻域图,基于核等距映射法(KIsomap)对数据进行特征提取,并建立高斯过程回归软测量模型,提高了模型的泛化能力与学习效率。将该方法应用于某双酚A装置的软测量建模,仿真结果表明相比于其他特征提取的软测量建模方法,该方法具有更高的估计精度和学习效率。