Soft sensor design for hydrodesulfurization process using support vector regression based on WT and PCA

A novel method for developing a reliable data driven soft sensor to improve the prediction accuracy of sulfur content in hydrodesulfurization(HDS) process was proposed. Therefore, an integrated approach using support vector regression(SVR) based on wavelet transform(WT) and principal component analysis(PCA) was used. Experimental data from the HDS setup were employed to validate the proposed model. The results reveal that the integrated WT-PCA with SVR model was able to increase the prediction accuracy of SVR model. Implementation of the proposed model delivers the best satisfactory predicting performance(EAARE=0.058 and R2=0.97) in comparison with SVR. The obtained results indicate that the proposed model is more reliable and more precise than the multiple linear regression(MLR), SVR and PCA-SVR.     

一种改进卷积神经网络的教学图像检索方法

针对卷积神经网络在提取图像特征时所造成的特征信息损失以及降低高维度图像特征数据等问题,提出了一种改进卷积神经网络的图像检索优化方法。该方法首先利用融合的卷积层提取图像特征,并在融合的卷积层之间添加全连接层以减少特征信息的丢失;然后采用主成分分析法对高维的特征数据进行有效的降维处理;最后采用余弦相似度的方法进行相似度匹配,以实现相似图像的检索。采用当前经典的LeNet-L、LeNet-5等方法同文中方法在图像检索性能评价指标上进行对比实验。实验结果表明,所提出的检索方法比文中其他检索方法在查全率和平均查准率方面提高了3%27.3%。     

径向基神经网络的图像颜色软测温方法

为了探究高温物体颜色与物体温度之间的复杂的非线性关系,根据高温物体在可见光波段颜色和温度的对应关系,提出了一种通过数码相机采集高温物体图像颜色值,再利用RBF神经网络的图像颜色测温方法拟合出高温物体的颜色值R,G,B与温度之间的非线性映射关系的方法.该方法测得的温度值与实际的温度值的平均误差为1.276 3℃,最大误差为3.726 5℃.结果表明,该方法简单、误差小且运行速度快,切实可行.     

Reconstruction based approach to sensor fault diagnosis using auto-associative neural networks

Fault diagnostics is an important research area including different techniques. Principal component analysis （PCA） is a linear technique which has been widely used. For nonlinear processes, however, the nonlinear principal component analysis （NLPCA） should be applied. In this work, NLPCA based on auto-associative neural network （AANN） was applied to model a chemical process using historical data. First, the residuals generated by the AANN were used for fault detection and then a reconstruction based approach called enhanced AANN （E-AANN） was presented to isolate and reconstruct the faulty sensor simultaneously. The proposed method was implemented on a continuous stirred tank heater （CSTH） and used to detect and isolate two types of faults （drift and offset） for a sensor. The results show that the proposed method can detect, isolate and reconstruct the occurred fault properly.     

汽车发动机电子控制系统的神经网络诊断技术

以发动机电子控制系统为对象,记录发动机运行过程的各种数据,研究基于BP神经网络和RBF神经网络的发动机电子控制系统传感器的故障诊断方法,并将主成分分析方法和神经网络相结合设计发动机电子控制系统诊断神经网络;借助流行的汽车OBDⅡ自诊断协议,组建发动机电子控制系统的诊断数据采集系统,并记录实验发动机电子控制系统工作时系统的输入、输出数据,进行诊断神经网络的训练和诊断网络系统的评价。     

基于主成分分析的神经网络评价模型研究

根据供电企业的特点,建立了适用于评价供电企业营销效果的指标体系,综合运用主成分分析法和BP神经网络方法建立模型,对供电企业的营销效果进行了模拟综合评价。     

Performance analysis of network code division multiplexing over wireless sensor networks

In a wireless sensor network (WSN), multiple groups of source nodes communicate with their respective destination nodes with the help of a common relay network. To remove the inter-session interference among multiple transmission sessions at each destination in a wireless sensor network, a network code division multiplexing (NCDM) scheme is proposed for the parallel session model. The fundamental of the NCDM scheme takes advantage of the property of the low-density generator matrix (LDGM) code to calculate the equivalent received signal. Then the NCDM scheme is analyzed. Based on the analysis of the soft processing, a new code design criterion for the construction of the generator matrix is developed. Simulation results show that by following the proposed code design criterion, the bit error ratio (BER) performance gap between the scheme we studied and the serial session scheme can be managed effectively.     

基于迟滞神经网络的商品零售价格指数预测

将传统神经元的激励函数改为迟滞激励函数,将迟滞特性引入神经网络中,构造迟滞神经网络.利用迟滞特性增强神经元对原状态保持的惯性,从而减少了神经元状态的错误变化,提高了神经网络的存储和记忆能力.利用迟滞分支响应的跳变特性以抑制网络训练过程中假饱和现象的发生.借助于前向网络的结构和学习算法,构造应用于时间序列预测分析的迟滞神经网络模型,并将其应用于社会商品零售价格指数的预测分析中.预测结果表明,该网络具有良好的泛化能力,预测效果优于传统神经网络.     

基于BP神经网络的短期光伏集群功率区间预测

针对大规模光伏并网给电力系统安全稳定运行带来的严峻挑战,考虑传统单一光伏场站功率预测的局限性,以区域性光伏集群功率为研究对象,提出一种基于BP神经网络的光伏集群功率的区间预测方法。通过互信息方法对变量进行相关性分析,提取关键解释变量作为输入变量,利用主成分分析进行数据降维,解决了光伏集群功率预测大数据处理的问题。利用神经网络在数据挖掘和非线性关系拟合方面的优越性,将神经网络和非参数概率预测相结合,量化光伏集群功率预测结果的不确定性。实验算例采用中国某地区10个光伏场站,利用未降维的原始数据与本研究所提出的数据降维方法进行对比,分别计算80%和90%预测区间,结果表明,本研究所提出的预测方法预测区间带更窄,具有更好的预测效果。利用本研究所提模型预测了某天超前72 h的80%和90%置信区间,验证了该方法的可行性和先进性。     

基于BP神经网络的短期光伏集群功率区间预测

针对大规模光伏并网给电力系统安全稳定运行带来的严峻挑战,考虑传统单一光伏场站功率预测的局限性,以区域性光伏集群功率为研究对象,提出一种基于BP神经网络的光伏集群功率的区间预测方法。通过互信息方法对变量进行相关性分析,提取关键解释变量作为输入变量,利用主成分分析进行数据降维,解决了光伏集群功率预测大数据处理的问题。利用神经网络在数据挖掘和非线性关系拟合方面的优越性,将神经网络和非参数概率预测相结合,量化光伏集群功率预测结果的不确定性。实验算例采用中国某地区10个光伏场站,利用未降维的原始数据与本研究所提出的数据降维方法进行对比,分别计算80%和90%预测区间,结果表明,本研究所提出的预测方法预测区间带更窄,具有更好的预测效果。利用本研究所提模型预测了某天超前72 h的80%和90%置信区间,验证了该方法的可行性和先进性。     

权重提取与Dempster多重融合的凝汽器真空预测

为了解决单一网络预测结果不准确的问题,提出一种由BP、Elman及RBF三网络组合的预测模型,并引入模糊软集理论进行"判断证据"的权重提取以及D-S的多证据融合.以某电厂连续4天实测的现场参数构成样本空间,经主成分分析降维及权重提取后,采用Dempster组合规则下置信函数三重融合结果对随后一天的真空值进行预测.结果表明,与单一网络预测模型相比,组合预测模型的平均绝对误差和均方根误差均显著减小,融合精度更高.     

改善径向基函数网络泛化性能的主成分分析法及应用研究

采用主成分分析法 (PCA)来改善径向基函数网络的泛化性能 ,理论上可以根据PCA方法中的主成分累积贡献率 ηK 决定RBF网络的输入层节点数 .实例研究证明 ,采用PCA方法后的RBF网络泛化性能良好     

基于BP神经网络的复合材料预制件表面纹理特征分析

讨论了基于神经网络的复合材料预制件的表面纹理分类,提出了BP神经网络在预制件图像边缘增强,特征提取的基础上加感知器而实现纹理有效识别的应用方法,实验证明,该方法具有一定的可靠性,为复合材料的力学分析创造了条件。     

Node deployment strategy optimization for wireless sensor network with mobile base station

The optimization of network performance in a movement-assisted data gathering scheme was studied by analyzing the energy consumption of wireless sensor network with node uniform distribution. A theoretically analytical method for avoiding energy hole was proposed. It is proved that if the densities of sensor nodes working at the same time are alternate between dormancy and work with non-uniform node distribution. The efficiency of network can increase by several times and the residual energy of network is nearly zero when the network lifetime ends.     

灰色软测量在介质填充率检测中的应用研究

通过对磨矿过程原理的分析，提出了基于径向基（RBF）网络的软测量方法，对以往无法在线检测的球磨机关键参数——介质填充率进行实时估计．针对现有软测量辅助变量选择方法存在的问题，结合灰关联分析理论，提出了一致关联度算法，并应用该算法实现了介质填充率软测量建模中辅助变量的选择．仿真结果表明，该软测量方法估计的平均相对误差保持在0．7％以下，可满足实际需要．同时，一致关联度算法可以准确的提取变量间的相关性，是一种有效的辅助变量选择方法．     

基于神经网络的中国商业银行效率综合评价

在广泛选取原始指标的基础上,建立了基于主成分分析法的商业银行效率评价指标体系,建立了基于BP神经网络的商业银行效率评价模型.采用改进的主成分分析法建立了新的指标体系,用7个指标保留了92%的原始信息,并避免了指标间相关性对后期评价的影响;运用斜交旋转法,得到了对商业银行效率影响较显著的7个指标因素;采用均值法对原始数据进行标准化处理,保留了指标间的差异信息和相互影响信息;利用BP神经网络避免了传统评价方法中人为主观因素和模糊随机因素的影响.     

基于区分服务的无线传感器网络性能研究

根据网络数据区分服务的思想,对无线传感器网络MAC层协议的CSMA/CA算法进行改进.新算法可通过改变协议参数的方式达到无线传感器网络对网络数据区分服务的目的.针对改进协议所进行的仿真证明,新算法可以为网络数据提供多层次的服务.     

无线传感器网络在工业网络中的应用研究

无线传感器网络是新一代传感器网络,具有广泛的应用前景,备受工业界和学术界的关注。文章主要研究无线传感器网络在工业网络中的应用。研究表明,在工业网络中采用无线传感器网络进行监测和控制,不受布线限制,能降低系统安装和维护成本,提供更好的系统性能;目前还有许多关键技术有待解决,无线传感器网络技术的成熟和实际部署将极大地推动工业网络的发展。     

基于多源数据特征融合的球磨机负荷软测量

针对磨矿过程球磨机负荷(ML)难以实时检测,生产中主要依靠人工经验判断负荷状态的难题,依据磨机筒体振动、振声、电流等信号与磨机负荷间存在相关性、信息互补与冗余的现象,提出基于多源数据特征融合的球磨机负荷软测量新方法.该方法由时域滤波、时频转换、特征提取、特征选择及软测量模型5部分组成.采用快速傅里叶变换(FFT)将滤波后的筒体振动及振声时域信号转换成频域信号,根据研磨机理将频域信号划分为低、中、高3个频段,采用核主元分析(KPCA)分别提取各个频段的非线性特征,选择振动、振声频域特征与电流时域特征的融合信号作为模型输入,建立基于最小二乘支持向量机(LSSVM)的磨机负荷软测量模型.实验结果表明,该方法与基于主元分析-最小二乘支持向量机(PCA-LSSVM)方法和单传感器方法相比,磨机负荷参数预测精度较高.     

一种基于RBF神经网络的非线性PCA故障检测方法

针对传统PCA(主元分析)故障诊断方法在非线性过程应用中存在的缺点,提出了一种基于RBF(径向基)神经网络的非线性PCA故障检测方法。首先,提出一个由两个RBF网络构成的非线性统计模型,其中第一个网络用于建立输入变量到主元的非线性映射,第二个网络实现逆映射来重构原始数据。其次,用主元曲线算法来解决网络训练数据的获取问题。最后,给出了使用基于RBF网络的非线性PCA方法进行故障检测的步骤,并通过一个三阶非线性系统的仿真实例验证了该方法的有效性。