粗糙分类器的多模型软测量建模方法

根据多模型可以改善模型估计精度,提高泛化性的思想,提出了1种粗糙分类器的多模型软测量建模方法。该方法采用聚类、分类相结合的方式对数据进行分组训练,在一定程度上消除了矛盾样本点可能对模型精度造成的影响。对各组样本利用支持向量回归机建立回归子模型,得到多模型软测量系统。同时,通过向粗糙集引入相似度作为评价样本间相似性的指标,解决了传统粗糙集无法识别训练样本集中未出现过的模式的问题。通过引入概率测度,利用概率公式作为粗糙集分类的决策规则,简化了算法。基于上述理论构造的粗糙分类器,有效地提高了分类器的分类精度,确保了各子模型的估计精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该算法的有效性。     

基于AP的LS-SVM多模型建模算法

针对多工况对象的单模型建模中存在的回归精度差和泛化能力弱的问题,提出基于仿射传播聚类的LS-SVM多模型建模方法。该方法用仿射传播聚类算法对样本进行聚类,采用LS-SVM的方法对子类样本分别建立模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。将该建模方法用在丙烯浓度的软测量建模实验中,结果表明该方法有较高的回归精度和较好的泛化能力。     

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。     

基于相关分析与最小二乘支持向量机的TE过程多模型建模

针对TE化工过程高度非线性、复杂性的特点,文章提出了一种基于相关分析和最小二乘支持向量机对TE过程进行多模型建模方法,以提高模型性能;首先对TE过程采用相关分析法划分为3个子系统,对每个子系统分别采用基于C-均值聚类的最小二乘支持向量机建模和基于K均值聚类的最小二乘支持向量机多模型建模;实验表明,基于K均值聚类的多模型建模能简化计算、提高模型精度、并且能更好的预测模型输出.     

一种改进的多类支持向量机超光谱图像分类方法

支持向量机(SVM)是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题.总结了现有的主要的支持向量机多类分类算法,并在1-a-1 SVM分类算法基础上提出一种二次分类的方法.改良了惩罚因子,提高了不易分的类别之间的可分程度.通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度.     

基于局部差商信息修正的全局多模型建模方法

针对目前多模型建模方法中存在的把样本点错误划分的问题,提出了一种局部信息修正与全局特征相结合的多模型建模方法.该方法确定多个模型的混合范围,引入局部差商信息,确定上述混合部分的类别归属,再此基础上利用基于最小二乘支持向量机的模糊C回归估计方法,得到多个回归模型.将该方法运用到两个仿真数据中,仿真结果表明,与现有方法相比,该方法建模正确率大大提高,均方根测试误差也有明显降低.     

基于混合SVR-PLS方法的丙烯腈收率软测量建模

为了更有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度,提出了混合支持向量回归机-偏最小二乘法(SVR—PLS)方法．该方法兼具SVR和PLS的优点．用PLS进行特征提取．用SVR建立PLS的内部模型．对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明．采用该方法建立的软测量模型．在模型精度、推广能力等方面明显优于一些传统软测量建模方法．满足工业应用要求．     

基于PCA-SVM的软测量建模方法与应用

主元分析(PCA)能够有效地提取数据的特征信息，消除变量问的共线性；而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显的优点。本提出了将PCA与SVM相结合的软测量建模方法，并利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，应用结果表明了该方法的有效性和优越性。     

基于支持向量机的软测量建模方法

提出了一种基于支持向量机的软测量方法，并建立了青霉素发酵过程中菌丝浓度的软测量模型，通过实验分析了参数调整和核函数选择对支持向量机建模的影响．利用现场数据建立各种软测量模型可以发现，与其他软测量方法相比，支持向量机方法在理论上优于人工神经网络等其他建模方法．     

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。     

采用虚拟训练样本的二次判别分析方法

小样本问题会造成各类协方差矩阵的奇异性和不稳定性. 本文采用对训练样本进行扰动的方法来生成虚拟训练样本, 利用这些虚拟训练样本克服了各类协方差矩阵的奇异性问题, 从而可以直接使用二次判别分析 (Quadratic discriminant analysis, QDA) 方法. 本文方法克服了正则化判别分析 (Regularized discriminant analysis, RDA) 需要进行参数优化的问题. 实验结果表明, QDA 的模式识别率优于参数最优化时 RDA 算法的识别率.     

基于人工神经网络的多模型综合预报方法

根据天气系统非线性变化及天气变化受大气多种内外因素综合影响的特点,文中提出了用ANN的前馈网络(BP算法)串入竞争自组织映射网络(SOM网络)方法对同一预报量进行不同结构类型的MOS模型、动力诊断模型和人工智能模型的综合预报。利用这一系统对样本进行了先聚类后训练的预报。结果表明,BP SOM网络实现多模型(异型)综合预报系统具有很好的应用前景。     

基于扰动分析的不相关鉴别矢量集优化方法

在不相关图像投影分析的基础上,重点分析特征值及特征向量的扰动特性,指出病态特征值所对应的特征向量会受到较大扰动.因此,若以该特征向量作为投影轴进行投影,则所得到的特征矢量不能提供有效的鉴别信息.由此,提出不相关鉴别矢量集的优化方法.在ORL人脸库上的实验结果表明,利用该优化方法可简化投影矩阵,从而提高特征提取的效率并使识别率的稳定性得到改善.同时,本文提出的基于扰动分析的优化方法同样适用于对其它线性鉴别矢量集进行优化.     

一种基于非线性频谱分析的多模型在线早期故障预报方法

为了克服非线性系统故障诊断方法一般计算量比较大,不利于在线实施的不足,该文以非线性频谱分析故障诊断方法为基础,融合时间序列分析理论,提出并实现了一种多模型在线早期故障预报策略。通过对某型直升机并联电动舵机的大量实际检测表明,该文提出的在线预报方法是有效的。该方法可以直接应用于工程实际,具有重要的实用价值。     

一种两阶段判别分析方法

为了解决LDA 对复杂分布数据的表达问题,本文提出了一种新的非参数形式的散度矩阵构造方法。该方法 能更好的刻画分类边界信息,并保留更多对分类有用的信息。同时针对小样本问题中非参数结构形式的类内散度矩阵可能奇 异,提出了一种两阶段鉴别分析方法对准则函数进行了最优化求解。该方法通过奇异值分解把人脸图像投影到混合散度矩阵 的主元空间,使类内散度矩阵在投影空间中是非奇异的,通过CS 分解,从理论上分析了同时对角化散度矩阵的求解,并证明了 得到的投影矩阵满足正交约束条件。在ORL,Yale 和YaleB 人脸库上测试的结果显示,改进的算法在性能上优于PCA+LDA, ULDA 和OLDA 等子空间方法。     

基于局部线性判别器融合的非线性流形判别分析

提出一种基于局部线性判别器融合的方法,在非线性流形上展开判别分析.首先根据Gabriel图对整体流形作局部区域划分,并构造局部线性判别器.然后通过局部判别器融合获取整体非线性判别器:基于边界准则函数,以迭代优化的方式为每个局部判别器分配最佳的权重系数.基于边界准则函数的融合算法,克服小样本问题,消除整体判别器的性能对样本分布的依赖性.在人工合成数据集以及人脸图像库上的实验证明本文算法的有效性.     

基于核Fisher判别分析的意识任务识别新方法

提出一种新的基于核Fisher判别分析的意识任务识别新方法。该方法首先通过核函数建立一个非线性映射,把原空间的样本点投影到一个高维特征空间,然后在特征空间应用线性Fisher判别。利用不同意识任务生成的脑电数据对KFDA和FDA进行比较,最后用线性支持向量机进行分类和识别,并与非线性支持向量机进行了比较,结果表明KFDA的识别率明显优于后二者。     

基于核Fisher判别分析的意识任务识别新方法

提出一种新的基于核Fisher判别分析的意识任务识别新方法。该方法首先通过核函数建立一个非线性映射，把原空间的样本点投影到一个高维特征空间，然后在特征空间应用线性Fisher判别。利用不同意识任务生成的脑电数据对KFDA和FDA进行比较，最后用线性支持向量机进行分类和识别，并与非线性支持向量机进行了比较，结果表明KFDA的识别率明显优于后二者。