电弧炉终点温度的GASVR_GM预报模型研究

电弧炉终点温度是炼钢过程中的重要指标之一,决定了钢水的质量和整体成本.电弧炉终点温度预报模型的建立是实现炼钢自动化的重要环节,为了得到高精度的终点温度预报值,提出了一种GASVR_GM的钢水终点温度预报模型.该模型以定量因素为主,采用遗传算法优化的支持向量回归机预报终点温度;再运用灰色模型进行预报误差的补偿,解决非定量因素的影响,实现滚动预报.试验仿真表明,与智能软测量方法相比,GASVR_GM预报模型具有更高的精度和鲁棒性.     

基于粒子群算法的支持向量机的参数优化

支持向量机(Support Vector Machine,SVM)对内部参数有着极高的依赖性,因此参数的好坏直接决定了SVM的分类效果,比如径向基核函数的参数。为了寻找出与分类问题相契合的参数,将样本数据投影到高维度特征空间,从而在特征空间中计算类内平均距离与类外中心距离之差,并将其作为参数评估的适应值;利用粒子群算法的全局寻优能力,在定义域内生成种群以代表不同的参数取值;利用粒子的随机游走来进行最优参数搜索,并将结果代入SVM进行样本训练。将所提算法与网格算法等进行了比较,结果表明所提算法的参数设定更加准确,分类准确率有显著提高,且算法复杂度并没有明显增加。     

基于遗传算法与粒子群算法的支持向量机参数选择

支持向量机(SVM)参数的选择是评价SVM性能的一个很重要的因素。SVM在解决小样本、非线性等问题中起到的效果是很好的。但是,该方法的缺点是在解决大样本数据集时消耗时间长,且易陷入局部最优解。为了降低SVM在这方面的不足,本文提出了遗传算法和粒子群算法相结合(PSOGA)对参数进行优化求解,并将该算法建立的模型应用到实验中。仿真结果说明该方法避免了陷入局部解,提高了收敛速度并缩短了优化时间,是一个很有效的方法。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于PSO算法的支持向量机核参数选择问题研究

核函数中的参数选择是支持向量机中的一个非常重要的问题,它直接影响到模型的推广能力.本文提出了采用粒子群算法搜索支持向量机最优核参数的方法,并在Checker数据集上进行了实验,实验结果表明,通过这种方法选择出来的核参数能够提高分类正确率以及预测正确率,具有一定的实用性.     

基于改进粒子群算法的支持向量机

对求解含线性约束优化问题的粒子群算法（LPSO）进行了改进,给出了应用其训练支持向量机（SVM）的方法。改进后的算法在基本PSO惯性权重策略的基础上加入了基于种群收敛速度的自适应扰动,能够较好地调整算法的全局与局部搜索能力之间的平衡。对双螺旋问题的分类实验表明本文提出的方法稳定性好,训练出的SVM具有较高的分类正确率。     

基于支持向量机的机载吊舱故障诊断优化算法

提升机载吊舱的后勤保障能力,适应吊舱测试中多型号、多故障类型和测试环境动态变化的测试要求,是打赢现代化战争的重要保障。支持向量机（SVM）算法适用于小样本、高维度、非线性分类问题,SVM相关参数是影响算法性能的重要因素。基于K-CV算法和粒子群算法两种改进的SVM模型可以实现SVM参数优化,K-CV算法可以交叉验证优化模型参数,粒子群算法可以对SVM参数进行动态寻优,建立多核SVM吊舱故障诊断模型。两种算法都可以提高吊舱故障诊断模型的准确率,提高模型的学习能力和泛化能力,有效对吊舱的故障进行定量和定位诊断。     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

基于支持向量机的转子系统早期故障诊断方法

转子系统中的振动信号包含了很多状态信息,运行过程中故障特征的有效提取和识别对于转子系统早期故障诊断非常关键。针对转子系统故障信息的复杂性,提出将小波包分析和支持向量机相结合的转子系统早期故障诊断方法。该方法首先利用改进的小波包方法提取早期故障特征;然后将提取的特征向量输入基于支持向量机的分类器进行故障识别。实验分析结果表明,该方法在小样本情况下,能够有效识别转子系统的早期故障,具有很好的分类精度,而且能够实现旋转机械的多故障诊断。     

基于支持向量机的电弧炉逆内模控制器

针对三相交流电弧炉电极调节系统的耦合问题,提出了基于支持向量机的逆内模解耦控制策略.根据广义电弧炉对象的Taylor近似模型直接推导逆控制律,消除三相之间的耦合,避免了在线辨识逆模型计算量过大的问题.另外,在内模结构中引入非线性补偿,当系统参数变化和受到外部干扰时,保证了系统的鲁棒性.系统的稳定性和鲁棒性通过Lyapunov方法进行了分析,最后的仿真与实验结果验证了控制器的有效性.     

基于近似模型的电弧炉解耦控制器

针对电弧炉电极调节系统,提出了基于近似模型的解耦控制策略.首先,选取弧长为状态变量,推导电极调节系统的状态方程,由Taylor展开技术,得到系统的近似模型.由近似模型直接推导近似逆控制律,实现三相之间的解耦,并避免了在线辨识逆模型计算量过大的问题.由于状态不能直接测量,利用扩展卡尔曼状态估计方法得到系统状态.另外,在内模结构中引入非线性补偿,保证了系统的鲁棒性.系统的稳定性通过Lyapunov方法进行了分析,最后的仿真结果验证了控制器的有效性.     

A smart modelling for the casting temperature prediction in an electric arc furnace

The efficient and reliable control of an electric arc furnace (EAF) is a challenging problem, due to the strong intercorrelation among process variables, the large dimension of the input and output space, the strong interaction among process variables, a large time delay, and a highly nonlinear behaviour. This paper presents a model that allows us to optimize the control and, therefore, the electric power consumption in an EAF. The data used for this study were collected from Bizkaia Steel Mill (Arcelor Company). Neural network and fuzzy logic techniques have been applied on these data in order to get an improved model of the casting temperature inside the furnace's hearth. First, we developed some neural network models with different topologies and input variables. Then we used the best model obtained in the previous step to combine it with a fuzzy logic technique to get the final model. Comparison with experimental data and other models is carried out to validate the proposed model. Finally, the conclusions and future studies are exposed.     

基于微粒群算法的灰色预测PID控制器

针对大滞后系统，提出一种基于微粒群算法的灰色预测PID控制算法．采用灰色预测模型GMC（1，2）预测时滞系统的输出并用微粒群算法优化PID控制器的参数．这种控制方法不需要精确的数学模型，在线估计参数少，计算简单．仿真结果表明该方法的有效性．     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

Real-time energy management for electric arc furnace operation

Electric arc furnaces are used extensively in the steel industry for steel production. Development of energy savings strategies for the highly energy-intensive batch process is extremely challenging due to the complexity of the process and lack of measurements due to the harsh operating conditions. Here we introduce a new energy management approach that effectively curtails the energy cost in real-time through the implementation of economically optimal operating decisions. An economics- oriented shrinking horizon nonlinear model predictive control (NMPC) algorithm that exploits time-varying electricity prices is coupled with a multi-rate moving horizon estimator (MHE) to form an integrated decision- making framework. With a detailed first-principles dynamic model functioning at the core, the multi-variable interactions and plant variations are successfully incorporated into the control strategy to achieve reliable performance. We also present a novel initialization scheme for obtaining fast on-line solutions of the economic NMPC and multi-rate MHE dynamic optimization problems. Using this initialization algorithm, we show that the optimal input decisions are obtained with sufficient computational speed for real-time implementation. The energy usage optimization results indicate a significant reduction in the operating cost and peak electricity demand compared to the case where the electricity price profile is not updated.     

基于灰色预测模型和粒子滤波的视觉目标跟踪算法

结合灰色预测模型和粒子滤波,提出一种新的视觉目标跟踪算法.由于粒子滤波未考虑先验信息对建议分布产生的指导作用,不能很好地逼近后验概率分布,对此,采用历史状态估计序列作为先验信息,建立该序列的灰色预测模型来预测产生建议分布.与粒子滤波、卡尔曼粒子滤波和无迹粒子滤波进行对比实验,结果表明所提出的算法在视觉目标跟踪中具有更好的性能.     

基于灰预测的图象编码技术

在研究以往编码技术的基础上,根据差分编码的思想提出了一种基于灰预测的编码技术。该方法通过建立灰模型对图象中象素点的灰度值进行预测,然后对各点预测值与原始值之间的误差编码,以达到图象压缩的目的。其主要特点是:采用灰模型对象素值进行预测易于实现,可避免线性预测时对于系数的确定;另外,采用差分编码技术减少了被编码数据之间的相关性,能够更有效地提高压缩性能。通过实例验证了以上方法的有效性。     

基于残差改进的灰色模型网络流量预测

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要的作用的重要参数.在流量管理中,流量模型用于评价接入控制机制和预测网络性能.灰色模型在反映数据的趋势性变化上效果明显,随着灰色理论的发展及其广泛应用,越来越多的改进方法已经被提出.在对原有的模型进行研究的基础上提出进一步改进模型来对网络流量进行预测.