基于差分进化算法-最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中存在的一类难以在线测量参数估计问题的有效方法,该技术的核心是建立优良的数学模型。支持向量机是基于统计学理论的一种机器学习方法,最小二乘支持向量机是一种扩展的支持向量机,相对于支持向量机具有较快求解速度。最小二乘支持向量机存在着参数选择的问题,针对这个问题,采用差分进化算法进行参数选择。提出基于差分进化算法的最小二乘支持向量机应用于软测量建模,并将其应用于对苯二甲酸中对羧基苯甲醛含量测试的软测量建模中,获得了满意的结果。     

最小二乘支持向量机在水平井产能预测中的应用

随着油气勘探开发技术的发展,水平井以其泄油面积大、油气流动阻力小的突出优点越来越受到人们的重视。通过对水平井的产能预测,可以预测该水平井的开发效益及经济回报,因此对水平井的产能研究变得尤为重要。鉴于水平井产能影响因素的复杂性,本文运用最小二乘支持向量机技术,对多因素非线性影响下的水平井产能进行预测,并通过实例说明该方法的实用性。     

最小二乘支持向量机在汽油调合建模中的应用研究

最小二乘支持向量机作为数据挖掘新方法,对学习样本质量和数量要求低,学习的泛化性更好.采用最小二乘支持向量机对小样本数据LS-SVMs建立油品调合数学模型,对模型进行仿真试验,结果表明采用LS-SVMs建立的模型精确,并具有良好的泛化性能.     

基于最小二乘支持向量机的非线性补偿器

针对工业过程中普遍存在的非线性被控对象,通过最小二乘支持向量机对系统的模型偏差建模,并在此基础上构造非线性补偿器.首先,采用具有RBF核函数的LS-SVM离线建立系统偏差模型,并在系统运行时不断对偏差模型进行在线修正;然后基于此模型在DMC预测控制的基础之上构建补偿器;最后成功应用于智能工厂实验室的多变量液位控制实验装置.     

基于最小二乘支持向量机的天然气负荷预测

对城市天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义．在国内,对于城市天然气负荷预测的研究才刚刚起步,目前还没有较系统的理论．同技术与理论较为成熟的电力负荷预测研究相比较,两者既有许多相同点,又有不同之处．相同之处在     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于偏最小二乘支持向量机的燃煤电站锅炉效率模型

针对电站锅炉燃烧系统非线性强、变量间强耦舍及信号噪声大等特点,提出了基于电站历史运行数据的锅炉效率建模方法。根据锅炉燃烧的机理选取关键输入变量,利用偏最小二乘原理(PLS)对其进行特征提取,建立锅炉效率与所提取特征之间的最小二乘支持向量机(LSSVM)关系模型,组成一个PLS-LSSVM混合模型,并利用电站实际数据对模型的准确性进行验证。结果表明:PLS-LSSVM模型相比于PLS模型具有更强的泛化能力,相比于LSSVM模型有更好的运行效率。     

基于最小二乘支持向量机的软测量方法在精对苯二甲酸生产中的应用

研究了一种基于改进型的最小二乘支持向量机的软测量方法在精对苯二甲酸(PTA)生产中晶体粒径大小估计中的应用。对最小二乘支持向量机采取了稀疏化与实时滚动改进,改进后的算法样本数量大大降低,同时保持了原有水平的预测能力。结果表明该方法对精对苯二甲酸的颗粒具有较高的预测能力。     

基于最小二乘支持向量机的复合肥装置养分含量的软测量建模

针对复合肥装置养分含量无法用常规的传感器在线测量的问题,提出了基于最小二乘支持向量机(LS-SVM)的软测量方法来在线估计养分含量.LS-SVM用等式约束代替传统的标准支持向量机中的不等式约束,求解过程从解二次规划问题变成解线性方程组,求解速度相对加快.工业实例表明LS-SVM所建模型的预测精度较高,能满足实际工业应用的需求.     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

基于PLS-LSSVM的谷氨酸发酵产物浓度预测建模

针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘（PLS）和最小二乘向量机（LSSVM）相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火（coupled simulated annealing,CSA）对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。     

基于最小二乘支持向量机的蜡沉积速率预测

考虑蜡沉积影响因素的复杂性和最小二乘支持向量机在小样本预测方面的优势,基于最小二乘支持向量机预测的原理,通过优化最小二乘支持向量机的参数,建立了蜡沉积速率的预测模型,并对蜡沉积速率进行了预测。结果表明：该方法在样本数量较小时仍具有较高的精度,蜡沉积速率的预测值和实验值的吻合程度较好;最小二乘支持向量机建模时可以得到直观的函数表达式,而神经网络方法却不能得到模型的显式表达式,因此该方法具有明显的优势;应用径向基核（RBF）作为核函数时,不同初值的正则化参数?和核函数宽度?对预测结果具有较大影响,使用时应合理选择。     

基于稀疏最小二乘支持向量机的软测量建模

针对传统最小二乘支持向量机非稀疏化解问题,提出了基于遗传算法的最小二乘支持向量机稀疏化及参数优化方法,稀疏化的基本思想是给训练样本赋予一个概率值,将概率值小于0.5的样本作为测试样本,从而将总的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。种群个体的前N维表示每个样本对应的概率,后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数进行整体优化,取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方法用于PX氧化过程4-CBA含量的软测量中,工业数据仿真结果表明,用本文提出的方法稀疏化率达到87%,核参数选取自动完成,与稀疏前建立的模型相比推广能力更高。     

Melt index prediction by weighted least squares support vector machines

Melt index is considered an important quality variable determining product specifications. Reliable prediction of melt index (MI) is crucial in quality control of practical propylene polymerization processes. In this paper a least squares support vector machines (LS‐SVM) soft‐sensor model of propylene polymerization process is developed to infer the MI of polypropylene from other process variables. Considering the use of a SSE cost function without regularization might lead to less robust estimates; the weighted least squares support vector machines (weighted LS‐SVM) approach of propylene polymerization process is further proposed to obtain a robust estimation of melt index. The performance of standard SVM model is taken as a basis of comparison. A detailed comparison research among the standard SVM, LS‐SVM, and weighted LS‐SVM models is carried out. The research results confirm the effectiveness of the presented methods. © 2006 Wiley Periodicals, Inc. J Appl Polym Sci 101: 285–289, 2006     

基于M估计器的支持向量机算法及其应用

训练样本的准确性对回归分析模型有很大的影响,然而训练样本中难免会出现一些造成分析模型失效的奇异点。 为克服奇异点对回归模型的影响,本文提出了一种基于M估计器的支持向量机（M-SVM）。它采用M估计器的目标函数代替最小二乘支持向量机（LS-SVM）目标函数中的残差平方和,同时提出了M-SVM的迭代求解算法,并将该算法应用于含有奇异点的低维仿真数据回归和汽油近红外光谱定量分析中。实验结果证明,相比于其他的支持向量机,M-SVM具有更好的稳健性和分析精度。     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性（由于原材料波动或过程动态特性波动等）,基于全局学习的建模方法（如最小二乘支持向量机回归,LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。     

基于最小二乘支持向量回归机的光管污垢特性预测

搭建了污垢实验系统以测得管壁温度和出、入口温度等参数,并将这些参数作为模型的输入变量,以污垢热阻值作为模型的输出变量,利用最小二乘支持向量回归机搭建了污垢预测模型,对光管的污垢特性进行了预测。一方面,通过与测量结果相比较,验证所搭建的模型是合理可行的;另一方面,通过对多次预测结果分析比较得出,该模型不但适用于流速、水浴温度、材质等参数为定值的情况,而且当这些参数发生改变时,该模型也是适用的。     

Development of a least squares support vector machine model for prediction of natural gas hydrate formation temperature

Hydrates always are considered as a threat to petroleum industry due to the operational problems it can cause.These problems could result in reducing production performance or even production stoppage for a long time.In this paper,we were intended to develop a LSSVM algorithm for prognosticating hydrate formation temperature (HFT) in a wide range of natural gas mixtures.A total number of 279 experimental data points were extracted from open literature to develop the LSSVM.The input parameters were chosen based on the hydrate structure that each gas species form.The modeling resulted in a robust algorithm with the squared correlation coefficients (R2) of 0.9918.Aside from the excellent statistical parameters of the model,comparing proposed LSSVM with some of conventional correlations showed its supremacy,particularly in the case of sour gases with high H2S concentrations,where the model surpasses all correlations and existing thermodynamic models.For detection of the probable doubtful experimental data,and applicability of the model,the Leverage statistical approach was performed on the data sets.This algorithm showed that the proposed LSSVM model is statistically valid for HFT prediction and almost all the data points are in the applicability domain of the model.     

Hybrid modeling of penicillin fermentation process based on least square support vector machine

According to the problem of the pre-estimation with least square support vector machine (LSSVM) modeling is not ideal in the initial stages of penicillin fermentation process, two hybrid models are designed by utilizing the advantage of LSSVM and kinetics model. Through selecting the appropriate state variables and adopting these methods for penicillin fermentation, the mycelial concentration can be pre-estimated. Experiment results show that these hybrid modeling methods not only improve the above problem, but also have higher predicting accuracy and more powerful generalization ability than the single LSSVM method.