环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

机器学习在化学工程中应用研究的若干进展

随着计算机算力的提高与数学算法的不断突破,机器学习作为一种科学研究方法逐渐在化学工程中的过程优化、故障诊断等领域得到了应用,了解机器学习在化工中的研究进展对拓展化工领域的科研方法,改变传统的科研范式有较大意义。文章通过综述机器学习在萃取、精馏等单元操作中的应用场景及其使用的算法,归纳出化工数据用于机器学习的优势和劣势,提出采用机器学习模型对复杂多维非线性关系进行预测和对生产过程进行整体优化,是提高生产连续化和自动化水平的重要手段和方向。最后对机器学习应用于化工中其他领域(如计算流体力学、系统工程等)进行了展望。     

基于向量投影的代谢支持向量机乙烯精馏产品质量软测量建模

针对支持向量机(SVM)增量学习过程中易出现计算速度慢、稳定性差的缺陷,提出了一种基于向量投影的代谢支持向量机建模方法.该方法首先运用向量投影算法对训练样本进行预选取来减少样本数量,提高SVM建模速度.然后将新增样本"代谢"原则引入SVM增量学习过程中,以解决因新增样本不断加入而导致训练样本数量"爆炸"的问题.最后将该方法用于乙烯精馏产品质量软测量建模,实验结果表明,与传统SVM和最小二乘支持向量机(LSSVM)相比,向量投影的代谢SVM具有更好的预测结果.     

第二十七讲 SVR对小样本缺失数据的挖掘处理

正第二十六讲"支持向量机(SVM)简介及DPS应用操作"简要介绍了SVM的概念、原理、模型、算法及支持向量回归(SVR)案例在DPS系统中的操作应用。由于SVM是基于小样本的统计理论,在小样本案例中,计算结果能获得较好的统计效果。一些情况下,难以获得"充分大"的大样本实验数据,例如:难以安排大范围考察的试验设计的场合,如中试以上规模的装置;实验周期较长的响应,如材料老化、蠕     

支持向量机综述

支持向量机是基于统计学习理论的一种新的机器学习方法,因其出色的学习性能在国内外学术界引起了日益广泛的重视。本文介绍了支持向量机的基本原理,回顾了SVM近年来的研究与应用,并给出了总结和展望。     

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。     

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。     

基于人工智能算法的氯盐侵蚀混凝土预测模型

本文基于机器学习算法建立了输电塔桩基混凝土氯离子浓度预测模型,通过相关系数、均方根误差、绝对平均误差和方差比对模型进行检验,并根据蒙特卡洛模拟对模型的稳健性进行分析,同时基于海马优化器对模型进行优化。结果表明,支持向量机(SVM)模型、随机森林(RF)模型和梯度提升树(GBDT)模型都可以准确预测输电塔桩基混凝土中氯离子浓度,相关系数R²均大于0.880,均方根误差小于0.009,绝对平均误差小于0.006,方差比大于0.890。根据误差和稳健性分析结果,建议混凝土中氯离子浓度的预测计算优先使用GBDT模型和SVM模型。根据优化结果,海马优化器能显著提升模型的性能。     

新冒落带高度算法FOA-SVM预计模型

针对顶板冒落带高度问题提出新的预计模型,通过搜集众多矿井的实测数据,在支持向量机理论基础上建立预计模型。采用果蝇优化算法对预计模型进行优化训练,建立FOA-SVM预计模型,利用实测数据对模型的预计结果进行检验,预计结果较为准确,比PSO-SVM模型和GA-SVM模型结果稳定性好计算精度高。     

基于模拟退火算法和支持向量机的粘液形成菌识别

针对获取的工业冷却水中的粘液形成菌图像,采用形状不变矩、统计法和分形法分别从形状和纹理两个方面对其进行了特征提取,然后将模拟退火算法应用于图像识别中支持向量机分类参数C和g的优化,并与网格搜索法优化结果进行了对比,结果表明参数优化速度提高了5.736倍,分类器的识别率提高了2.31%.采用模拟退火-支持向量机分类器对粘...     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

基于SVM的融合算法在管道裂纹缺陷漏磁信号特征识别的应用研究

在研究分析支持向量机(SVM)的基础上,探讨分析了基于支持向量机的融合算法,利用建立的算法流程,以漏磁检测信号峰峰值、波峰值和波谷值3个特征量为研究对象,根据具体实验得到的特征数据库,进行了多分类器、多特征量匹配融合分析.研究证明,该算法能有效地对管道裂纹缺陷漏磁信号进行分析和辨识,具有一定的实用价值.     

基于PSO-SVM的催化裂化装置故障诊断研究

提出基于粒子群优化算法和支持向量机的催化裂化装置反应再生子系统故障诊断方法。利用粒子群优化算法的全局搜索特性,实现支持向量机的参数优化算法。根据支持向量机算法构建了催化裂化装置反应再生子系统故障诊断模型。结果显示,该诊断方法准确率高,具有较高的使用价值。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

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     

基于最小二乘支持向量机和遗传算法的热式油水两相流含油率建模

利用铂电阻基于流体传热方程测量油水两相流的含油率。为了提高油水两相流含油率的测量精度,研究了油水两相流含油率与电热器前后铂电阻的温差和油水总流量之间的关系,提出用最小二乘支持向量机和遗传优化算法对含油率进行建模,将温差和油水总流量作为模型输入量,含油率作为输出量,通过遗传算法优化最小二乘支持向量机的参数,得到了含油率的最优模型,与含油率理论模型相比,基于最小二乘支持向量机和遗传算法的含油率模型,较好的实现了含油率测量,含油率在5%~60%范围内,含油率的平均测量误差为0.96%。