一种改进的模糊PLS模型在软测量中的应用

针对石油化工过程的特点,提出一种改进的模糊部分最小二乘的建模算法。该算法先用减法-模糊C均值聚类进行模糊结构辨识,然后用高斯核函数实现非线性PLS并且用其进行后件参数辨识,即得到多个子模型,再将各模型输出的数据进行隶属度加权求和得到最终的估计输出。最后,将该方法应用于航煤干点的估计,仿真结果表明该算法更有效,预测精度更高。     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值.同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在子模型建立时将前一时刻初顶石脑油干点分析值作为网络模型的自变量.实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意.     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于核岭回归估计器的常压塔航煤干点推断控制

提出了一种基于核岭回归推断估计器的新型推断控制策略，来实现常压塔航煤干点的在线检测和控制.首先，对支持向量机与最小二乘支持向量机回归算法进行了分析，并提出一种直接优化核岭回归算法.其次，通过采集的二次变量数据和化验数据，用核岭回归方法建立了航煤干点的估计器模型．最后进行了仿真，结果表明，在相同样本集下，与支持向量机、RBF网络模型比较，所提建模方法调节参数少，预测精度高．     

机械手臂的多模型预测控制

针对机械手臂的非线性特点,提出了基于隶属度函数的多模型预测控制方法。该方法首先根据机械手臂的特点,选择合适的调度变量,将机械手臂的工作空间划分为若干个工作子空间,在每个子空间内的平衡点处对机械手臂进行线性化处理,得到相应的线性子模型,从而得到机械手臂的多模型表示;其次针对每个线性子模型设计局部预测控制器,使其在相应的子空间内达到控制要求;最后选择梯形隶属度函数与局部预测控制器进行加权求和,获得全局多模型预测控制器,以对机械手臂进行控制。仿真结果表明,当机械手臂的工作条件在大范围内变化时,全局多模型预测控制器的控制性能远优于常规PD控制器,达到了预期的控制目的。     

基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法

针对蒸馏工艺过程中变量多且变量间关系呈强耦合性及高度非线性的特点,提出一种基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法。分析石脑油干点值的影响因素,采集相关辅助变量。用基于PSO改进的K均值聚类算法将现场采集数据进行划分,得到样本子集。再将得到的各个样本子集分别用SVM算法进行训练,建立石脑油干点值的预测子模型。在此模型基础上,通过计算预测样本与各子模型训练样本聚类中心的欧氏距离,采用模型切换的方法选择预测模型。仿真结果表明该方法避免了分类时K均值算法易陷入局部极值的问题,可以有效预测常压塔石脑油干点值,与单个全局模型相比有更好的精度与泛化能力。     

C-R模糊模型在连续搅拌反应釜中的应用

针对化工生产过程中强非线性对象的动态建模问题,本文提出了具有代表性的连续搅拌反应釜的非机理模糊建模方法。从系统的输入输出数据出发,根据辨识精度将系统空间划分为个子空间,然后由隶属函数将子空间模型联接成全局模型来表征系统的整体非线性特性。仿真结果表明,该模型输出能够很好地跟踪系统的参考输出,效果明显。     

顾及参考点点位误差的八方向模糊不均匀划分模型*

基于经典模糊集建立了模糊方向模型,在四方向模型中各方向是等角划分;在八方向模型中四个主要方向各占60°,四次要方向各占30°。提出建立模糊方向区间来描述目标地物与参考点之间的方向关系,用一对带有符号的隶属度来表示目标在原子方向的隶属关系,使方向关系的描述更精细。利用二型模糊集理论建立了顾及参考点点位误差的八方向模糊不均匀划分模型,讨论了方向主隶属度成员函数和隶属度的不确定性。由于参考点点位误差引起方向隶属度误差,增加了方向关系的不确定性。该模型充分考虑了参考点点位误差、认知习惯和目标对象在参考点各原子方向     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

基于模块化回声状态神经网络光伏发电量预测

针对光伏发电的不确定性、间歇性给电力系统并网运行带来的安全问题,提出了一种基于模块化回声状态网络模型对发电量进行预测.首先利用模块化神经网络按季节建立预测子模型,再将子模型按相同日类型进行数据划分后,与平均气温一同作为样本,利用回声状态网络对子模型进行训练和发电量预测,最后集成输出结果.结果表明:此预测模型在日类型相同时预测误差较小,而在日类型不同时预测误差较大,但与ESN和BP预测模型相比均具有更高的预测精度和更快的预测速度.     

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.     

基于非线性偏鲁棒M-回归的萃余液pH值软测量

提出了一种径向基函数网络(Radial basis function networks, RBFNs)与偏鲁棒M-回归(Partial robust M-regression, PRM)相结合的非线性PRM (Nonlinear PRM, NLPRM)建模方法, 用以解决鲁棒非线性系统建模问题. 该方法首先通过RBF变换获得扩展的输入数据矩阵; 接下来PRM算法通过反复迭代计算, 自适应地为变换后的数据分配不同的连续权值, 用以克服离群点对模型的影响. 本文通过仿真实验, 验证了方法的有效性; 并将其应用于湿法冶金萃取过程萃余液pH值软测量建模问题, 获得了相比于偏最小二乘法(Partial least squares, PLS)、PRM以及RBF-PLS方法更高的预测精度.     

一种基于T-S模型的快速自适应建模方法

在分析Takagi-Sugeno模型的网格法（即ANFIS方法），聚类法和模糊树法的基础上，提出一种新的改进的建模方法，它划分的空间的个数与分布和采样数据的特征密切相关，具有自适应能力。应用国际标准例题进行仿真，说明了该方法的有效性。     

基于2维激光测距仪的快速路边检测

为了在光线较差、缺失明显道路标志时,快速准确地检测道路边界,基于最大熵原理,提出了一种利用2D激光测距仪的实时测量数据快速提取路边算法。该算法首先通过对连续有限不同角度观测数据的重新组合,直接构造模糊聚类中心;然后利用最大熵原理求取当前状态的隶属度函数值,同时对测量结果和预测误差进行预测,以便消除传统方法对专家知识或先验信息的依赖;最后根据当前状态与所选连续状态的距离,利用较近状态对预测结果产生较大影响的原理来构造加权因子,并计算模糊预测结果,再利用预测误差对预测结果进行修正,这种预测误差仅由有限几次测量结果决定,而不随时间的推移产生积累。实验结果表明,该方法是有效的。     

Soft computing applications in dynamic model identification of polymer extrusion process

This paper proposes the applications of soft computing to deal with the constraints in conventional modelling techniques of the dynamic extrusion process. The proposed technique increases the efficiency in utilising the available information during the model identification. The resultant model can be classified as a ‘grey-box model’ or has been termed as a ‘semi-physical model’ in the context. The extrusion process contains a number of parameters that are sensitive to the operating environment. Fuzzy rule-based system (FRBS) is introduced into the analytical model of extrusion by means of sub-models to approximate those operational-sensitive parameters. In drawing an optimal structure for each sub-model, a hybrid algorithm of genetic algorithm with fuzzy system (GA-fuzzy) has been implemented. The sub-models obtained show advantages such as linguistic interpretability, simpler rule-base and less membership functions (MFs). The developed model is adaptive with its learning ability through the steepest decent error back-propagation algorithm. This ability might help to minimise the deviation of the model prediction when the operational-sensitive parameters adapt to the changing operating environment in the real situation. The model is first evaluated through simulations on the consistency of model prediction with the theoretical analysis. Then, the usefulness of adaptive sub-models during the operation is further explored in existence of prediction error.     

基于二阶马尔可夫模型的模糊时间序列预测

针对当前模糊时间序列模型存在的缺乏有效论域划分方法和模糊关系前件多为一阶的现状,提出了基于二阶马尔可夫模型的模糊时间序列预测方法。应用模糊C均值聚类方法,获得序列中元素的隶属度;引入二阶马尔可夫模型中的转移概率矩阵表示模糊关系,更新了传统的模糊关系表示和运算;预测待求元素在各个模糊聚类的隶属度,并利用重心法去模糊化。将该模型运用到移动3G网络的性能预测中,与传统模糊时间序列预测方法相比,其准确性有了较大提高。     

基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景, 针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态, 难以检测磨机内部负荷参数的问题, 提出了一种基于高灵敏度的筒体振动频谱的集成建模方法. 首先, 依据磨矿过程的研磨机理, 将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段; 然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型; 最后, 依据子模型训练数据预测误差的信息熵获得初始权重, 加权得到最终的ML参数集成预测模型; 在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新. 仿真结果证明了该方法的有效性.     

SVR算法的生物混液左旋多巴含量紫外光谱建模

以酪氨酸和左旋多巴混合溶液中左旋多巴的紫外光谱数据为研究对象,首先用Kennard-Stone算法对样品集进行分割;然后使用ν-SVR和ε-SVR算法对核进行建模,以建立不同的核.紫外光谱定量分析模型中左旋多巴含量的功能;最后,采用粒子群算法对参数进行了优化,并与传统的PLS算法进行了比较.实验结果表明,由ν-SVR,...