基于最小二乘支持向量机的软测量建模及在电厂烟气含氧量测量中的应用

通过分析燃煤电厂烟气含氧量测量的现状。提出了基于最小二乘支持向量机的软测量方法,给出了相应的系统结构和算法,用现场实测数据计算取得了良好的效果。通过和神经网络方法的比较,仿真结果证明了该方法具有更好的性能指标。     

基于支持向量机的火电厂烟气含氧量软测量

针对火电厂烟气含氧量的测量,提出了一种基于支持向量机的软测量建模方法,实验证明,该方法比较传统的氧量分析仪和RBF神经网络软测量均有着明显的优势,对于实现火电厂经济燃烧有着重大的意义.     

一种基于直接广义预测的烟气含氧量软测量方法研究

针对工业锅炉烟气含氧量的测量,文章给出了一种基于直接广义预测算法的烟气含氧量软测量方法,运用该方法能够客观反映锅炉燃烧过程中任何时段的真实情况,提高烟气含氧量的测量精度,优化锅炉燃烧控制系数的性能.利用现场实际数据对该方法进行了仿真验证,仿真结果果表明了该软测量方法的有效性.     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于神经网络的火电厂烟气含氧量软测量

介绍了测量仪表及过程控制中的软测量技术. 讨论了软测量技术的有关问题和开发策略.提出了基于一种复合型神经网络的火电厂烟气含 氧量软测量模型,并且用它对火电厂烟气含氧量的软测量进行了建模仿真验证,现场不同负荷 下的实测数据仿真验证结果表明了软测量方法的有效性.最后给出了应用前景展望.     

基于GMDH的电厂烟气含氧量软测量

烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标,所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量,所采用的软测量建模方法为数据成组处理法(Group method of data handling,GMDH),利用从华润某电厂300MW机组得到的实际运行数据建立模型,并与BP神经网络所得预测结果进行对比。仿真结果表明:该方法能够较准确的对火电厂烟气含氧量进行预测。     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于ANFIS模型的烟气含氧量建模和预测

针对电厂热工测量参数难以进行有效预测的问题,提出一种基于ANFIS模型的烟气含氧量建模和预测方法.基于自适应神经模糊推理系统(ANFIS)学习能力与泛化能力均较强的优点,建立软测量预报模型,借助某电厂循环流化床锅炉烟气含氧量实测数据进行仿真,结果表明,基于ANFIS的自适应预测模型,具有良好的预报能力,具有较高的预报精度和鲁棒性,可以较好地解决电厂烟气含氧量预测问题,对于实现锅炉燃烧系统的优化运行和预测控制具有一定的价值.     

一种基于KPCA-LSSVM的可用带宽在线预测算法

针对目前端到端可用带宽预测方面研究工作较少的现状,提出一种基于核主成分分析KPCA(Kernel Principle Component Analysis)和最小二乘支持向量机LSSVM(Least Squares Support Vector Machine)的可用带宽在线预测算法ABOP。在采集网络状态样本数据并对其进行相空间重构的基础上,采用KPCA对数据进行降维降噪处理,最后基于LSSVM对可用带宽进行在线预测。为减小计算开销,提出一种递推计算的方法加快模型更新速度,并采用粒子群优化算法对模型参数进行多步更新,确保了在线预测的时效性。仿真表明,提出的ABOP算法具有较高的预测精度和较快的预测速度,能够满足可用带宽在线预测的要求。     

基于灰关联分析的KPCA-LSSVM蒸发过程软测量

针对氧化铝生产蒸发过程铝酸钠溶液浓度难以在线检测问题,提出一种基于灰色关联分析和核主元分析相结合的支持向量机蒸发过程建模方法.该方法采用灰色关联分析和核主元分析过程可测参数确定出软测量模型的输入输出变量,再用混沌粒子群优化算法的最小二乘支持向量机构建软测量模型.通过灰关联和核主元分析,既可以全面广泛的筛选出输入变量,增强了模型的适应能力;又可以消除样本共线性,大大降低样本维数.以蒸发过程生产数据进行实验验证的结果表明,与KPCA-LSSVM和LSSVM相比,新模型收敛速度快、鲁棒性较强、精度较高、泛化性更好,能有效的实现蒸发过程铝酸钠溶液浓度的在线检测.     

基于分块核主成分分析和支持向量机的故障检测

针对工业系统监测数据为非线性,且难以辨识复杂工作过程中故障位置的问题,提出一种基于分块核主成分分析(BKPCA)和最小二乘支持向量机(LS–SVM)的集成故障检测方法.首先对系统监测变量进行分块,使用KPCA对每个分块在特征空间中建立T²和平方预测误差(SPE)统计量来实时监测系统健康状态,并使用LS–SVM对上述过程检测出来的故障数据进行再次判断.随后计算出现故障后计算每一分块的故障贡献率,进而确定发生故障的分块.由于采用了并行分块算法,可以较简单的确定故障发生位置,提高计算效率,同时LS–SVM方法的应用也可以提升故障检测的精度.使用田纳西–伊斯曼化工(TE)过程数据对本文所提方法进行仿真验证,试验结果表明所提方法取得了较好效果.     

基于小波变换与多项指标的疲劳驾驶检测应用

为了对疲劳驾驶的脑电进行研究,本文收集数据并利用小波变换在实验数据中提取α波、β波、θ波和δ波这4种频段的均幅值和(α+β)/β、α/β、(δ+α)/(α+β)、(α+β)/θ共8项合成指标集成为脑电特征参数。通过KPCA提取贡献率90%以上的主元特征信息形成特征集合,并将特征信息输入最小二乘支持向量机（LSSVM）,建立KPCA-LSSVM预测模型并对比其他4种模型试验,最终求得该模型平均正确率达到89.47%,通过实验表明了该实验的有效性及在数据处理速度上的优势。     

燃料乙醇发酵过程中生物参量的软测量建模

针对燃料乙醇发酵过程中关键生物参量(基质浓度、菌体浓度、乙醇浓度等)在线检测困难,离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的软测量建模方法。以关键生物参量中乙醇浓度的预测为例,首先,利用KPCA提取软测量输入数据空间中的非线性主元,然后利用LSSVM算法建立了乙醇浓度的软测量模型。仿真结果表明,与PCA-LSSVM建模方法相比,KPCA-LSSVM软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中乙醇浓度的在线测量要求,是一种有效的软测量建模方法。     

基于LS-SVM的涡轮增压发动机性能预测

针对神经网络方法在涡轮增压发动机性能预测方面存在的缺陷,提出了一种新的基于最小二乘支持向量机的涡轮增压发动机性能智能预测方法.介绍了最小二乘支持向量机的基本算法,分析了涡轮增压发动机的性能指标,选择发动机转速、压缩比、容积效率、平均指示压力和平均制动压力作为预测模型的输入参数,输出功率、输出扭矩和有效燃油消耗率作为预测模型的输出量,进一步建立了基于最小二乘支持向量机的涡轮增压发动机性能预测模型.仿真实例的预测结果表明,所建立的智能涡轮增压发动机性能预测模型是合理有效的.     

基于DPCA与LSSVM的飞机发动机异常状态识别

针对飞机发动机异常状态识别精度差、效率低和易误诊漏诊等问题,提出了一种基于动态主元分析 (Dynamic Principal Component Analysis, DPCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)的飞机发动机润滑系统异常状态识别方法。首先对发动机润滑系统参数进行DPCA处理以及在线检测是否有故障发生,如果有故障发生,再采用LSSVM方法进行异常状态识别。以某型飞机发动机润滑系统为例,对文中所提方法的准确性进行试验验证,由试验结果得出文中方法能有效提高飞机发动机异常状态识别准确率。     

KPCA方法过程研究与应用

给出一种基于核函数的主成分分析方法,它主要用来解决大规模非线性数据的特征提取问题。文中给出了简化的协方差矩阵的计算方法与推导过程,还给出了KPCA方法的详细推导过程。最后使用核主成分分析的方法分别对线性与非线性分布的数据进行了分析,取得了比传统主成分分析方法更好的结果。     

基于核二维主成分分析算法的步态识别

步态识别是一种新的生物认证技术,它是通过人的行走方式来识别人类身份的方法。为了更加快速有效地对人体步态特征进行提取和识别,采用了基于核二维主成分分析（Kernel two Dimensional Principal Component Analyses,K2DPCA）的方法进行步态特征提取,运用支持向量机（SVM）进行步态识别。根据人体步态下肢摆动距离统计出步态周期,得到步态能量图（GEI）,对生成的GEI采用核二维主成分分析方法进行步态特征向量提取,采用SVM分类器进行分类识别。实验结果表明该方法具有很好的识别效果。     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

Log-Gabor小波和分数阶多项式KPCA的火焰图像状态识别

目的 为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于Log-Gabor小波和分数阶多项式核主成分分析(KPCA)的火焰图像状态识别方法。方法 首先利用Log-Gabor滤波器组对火焰图像进行滤波,提取滤波后图像的均值和标准差,并构成纹理特征向量。然后使用分数阶KPCA方法对纹理特征向量进行降维,并将降维后的纹理特征向量输入支持向量机进行分类。结果 本文与基于Log-Gabor小波特征提取以及2种基于Gabor小波特征提取的方法相比,本文方法的分类识别正确率更高,分类精度为76%。同时,第1主分量方差比重与核函数参数d之间满足递增关系。本文方法能够准确地提取火焰图像纹理特征。结论 本文提出一种对锅炉燃烧火焰图像进行状态识别的方法,对提取的火焰图像纹理特征向量进行降维并进行分类,可以获得较高的分类精度。实验结果表明,本文方法分类精度较高,运行时间较短,具有良好的实时性。     

基于PCA 的LS-SVM 预测模型应用

油气储层的识别和预测是当今热门的研究课题。本文以实地测井数据为基础,提出基于PCA的LS-SVM预测模型对储层油气进行分类预测,并与人工神经网络预测模型对比。结果表明,该模型的性能优于其它模型,具有一定的应用价值。