基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

基于CPSO的混合核LSSVM生物发酵软测量建模

针对赖氨酸发酵过程非线性、强耦合及关键参数难以在线实时测量等问题,将混合核函数概念引入最小二乘支持向量机中,提出了一种基于混合核LSSVM的软测量建模方法。该方法采用混合核函数代替传统的RBF核作为支持向量机的核函数建立模型,并利用全局搜索能力较强的混沌粒子群优化（CPSO）算法对模型参数进行了寻优处理。仿真结果表明,该方法建立的软测量模型可以实现对发酵过程中的菌体浓度C、基质浓度S及产物浓度P等参量的在线实时预测,在改善了模型全局性的同时也提高了预测精度。     

基于WSVM的软测量算法应用研究

为了克服污水处理过程中随机干扰严重影响软测量效果的不足,基于支持向量机(SVM)核方法和小波多分辨率理论,提出了一种多分辨率小波核支持向量机的机器学习方法,并应用于对污水处理过程水质参数的软测量中.利用支持向量回归机与参数特性混合建模,实现了对BOD浓度与COD浓度的在线软测量.仿真结果表明:应用该软测量技术能较好地克...     

基于支持向量机的催化剂颗粒浓度软测量

软测量技术的关键是建立优良的软测量数学模型,最小二乘支持向量机(LS-SVM)以其优良的泛化特性而被应用到软测量建模中.在分析炼油厂烟气催化剂颗粒浓度测量原理和现状的基础上,提出了基于最小二乘支持向量机建模的催化剂颗粒浓度软测量方法,给出了相应的系统结构和算法.针对系统慢时变特性,采用模型校正机制,以提高软测量的在线监测精度.仿真和实际运行结果表明,基于LS-SVM的软测量精度优于经验公式,是软测量建模的一种有效方法.     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。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合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于支持向量机的软测量方法及其在生化过程中的应用

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷，提出了一种改进的最小二乘支持向量机回归方法。根据样本点间欧氏距离的大小，去除原变量空间中大部分的样本点，从而获得回归模型的“稀疏”特性，大大简化模型复杂程度。同时，将这一方法应用于生物发酵过程，建立青霉素发酵过程中产物浓度的软测量模型，实现青霉素浓度的在线预估。实验研究结果表明，所提方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段。     

基于CPSO与LSSVM融合的发酵过程软测量建模

发酵过程是一个复杂的时变、非线性、强耦合过程.发酵过程中的关键参量菌体浓度通常难以用传统物理传感器实时在线检测.为了测量该参数,将CPSO算法与LSSVM相结合构建发酵过程软测量模型.模型采用CPSO算法优化LSSVM软测量模型参数,克服了常规交叉验证法选取参数的耗时和盲目性.仿真结果表明,CPSO-LSSVM软测量模型较LSSVM软测量模型更能在较短的时间内获得较高的收敛精度,其平均误差为2.05％,说明该软测量模型可用于发酵过程不可在线测量的菌体浓度的实时在线软测量,并且预测精度高,预测速度快,预测能力强.该软测量建模方法也为发酵过程其他关键参量的实时在线测量提供了新的途径.     

基于模糊LS-SVM的净化过程钴离子浓度软测量

针对锌湿法冶炼净化过程的复杂性,提出一种基于模糊最小二乘支持向量机方法的净化过程钴离子浓度软测量模型.考虑到不同时期以及小同区域样本数据所起的作用不一样,提出一种综合模糊加权函数.有效提高了最小二乘支持向量机的性能.以净化过程生产数据进行实验验证分析,计算结果表明:模糊最小二乘方法性能优于传统最小乘方法,模型具有精度高、泛化性能好等特点,钴离子浓度软测量结果满足现场工艺参数要求,可以作为过程信息用于净化过程的优化控制.     

基于PSO-SVM的关键生物参数软测量方法研究

微生物发酵过程中一些关键生物参数难以实时在线测量,严重影响发酵的优化控制。为解决关键生物参数的测量难题,采用了一种基于PSO-SVM的软测量方法。该方法利用粒子群优化(PSO)算法优化选择支持向量机(SVM)的最佳参数,并建立了基于PSO-SVM的软测量模型。利用赖氨酸发酵的数据对模型进行仿真验证,结果表明该模型具有很好的学习精度和泛化能力。另外在建模耗时上,PSO-SVM算法所用时间远少于标准SVM算法所用时间。     

基于SVM的微生物发酵过程软测量建模研究

微生物发酵过程中支持向量机(SVM)软测量模型的预测精度主要取决于SVM参数和输入变量优化选择.提出了一种新的SVM参数选择与输入变量选取方法,将SVM参数的选择和输入变量的选取看作组合优化问题,构造了基于赤池信息准则(AIC)的组合优化目标函数.为提高优化效率,采用遗传模拟退火算法(GSAA)来搜索最优的目标函数值.通过与网格算法、遗传算法等方法对比仿真研究表明,所提SVM微生物发酵过程软测量建模方法在微生物发酵过程的软测量建模中具有优良的性能.     

K-OPLS方法在化工软测量建模中的应用

针对强非线性复杂化工过程的软测量建模问题,提出了一种基于核隐变量正交投影(K-OPLS)的建模方法。隐变量正交投影(O-PLS)是一种通用的线性多变量数据建模方法,它可以消除与响应变量(输出)正交的描述变量(输入)的总体变化。在O-PLS模型框架下, K-OPLS方法利用"核技巧"将描述变量映射到高维特征空间,计算模型中的预测成分和响应-正交成分。因此, K-OPLS方法通过给出描述与响应变量之间的非线性关系,在一定程度上提高了模型的性能,增强了模型的可解释性。为了验证K-OPLS方法的有效性,将其分别应用于脱丁烷塔基丁烷(C4)组分含量估计、工业流化催化裂化装置(FCCU)关键产品产量预测、硫回收装置(SRU)中H_2S和SO_2浓度预测的软测量建模实例中。实验结果表明,在相同条件下,与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、主元分析-支持向量机(PCA-SVM)、极限学习机(ELM)、核极限学习机(KELM)和PCA-KELM方法相比较, K-OPLS方法具有更好的建模精度和模型泛化能力。     

一种支持向量分类器集成的方法

针对支持向量机的分类精度受数据表达形式以及个体分类器模型选择因素影响较大,提出一种新的支持向量机集成算法来克服这个缺陷.首先利用PCA对原始数据进行处理,通过寻求原始数据的更好表达形式,以降低高维特征空间的维数;然后利用模糊积分进行多个子分类器决策融合,兼顾各子分类器的分类结果和各子分类器判决对最终决策的重要程度.仿真...     

基于支持向量机模糊推理的二级倒立摆控制

本文提出了一种用于非线性系统控制的支持向量机模糊推理模型.该模型利用支持向量机回归的原理,从训练数据中提取模糊规则并进行简化;采用核函数来描述模糊推理系统,该模糊推理系统具有不必事先确定模糊规则数目、良好的泛化能力等优点.使用该模型对直线二级倒立摆系统构造模糊控制器并进行了实验研究,研究结果表明这种新的模糊规则提取方法对于非线性系统的控制是有效的,由支持向量确定的模糊规则不会出现规则数目"爆炸"的问题,该方法在不便事先确定模糊规则的复杂非线性系统控制中有着重要的应用价值.     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

Fault diagnosis method for rolling bearing based on VMD and improved SVM optimized by METLBO

Vibration signal processing and classification are critical for bearing fault diagnosis. In this study, a hybrid framework based on multi-envelopment teaching-learning-based optimization (METLBO) was proposed by combining parameters optimized variational mode decomposition (VMD) and improved support vector machines (ISVM). First, the average value of minimum enveloping entropy was considered the objective function of the optimizer, and the optimal parameters of VMD were obtained through METLBO optimization. Next, these optimal parameters were adopted to decompose the fault signal into intrinsic modal functions (IMFs). For ensuring fault feature robustness, the eigenvectors were formed by the energy and envelope entropy of IMFs. Finally, the ISVM model was established for training and testing by adding an input layer to the SVM to perform soft thresholding on input data. METLBO was adopted to determine the optimal soft threshold values of features and hyper-parameters of ISVM. The experimental comparison analysis revealed the effectiveness of the proposed method for bearing fault diagnosis.

     

SOFT SENSING MODEL BASED ON SUPPORT VECTOR MACHINE AND ITS APPLICATION

Soft sensor is widely used in industrial process control. It plays an important role to improve the quality of product and assure safety in production. The core of soft sensor is to construct soft sensing model. A new soft sensing modeling method based on support vector machine (SVM) is proposed. SVM is a new machine learning method based on statistical learning theory and is powerful for the problem characterized by small sample, nonlinearity, high dimension and local minima. The proposed methods are applied to the estimation of frozen point of light diesel oil in distillation column. The estimated outputs of soft sensing model based on SVM match the real values of frozen point and follow varying trend of frozen point very well. Experiment results show that SVM provides a new effective method for soft sensing modeling and has promising application in industrial process applications.     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。     

最小二乘支持向量机在空调温控系统中的应用

温度控制系统是空调控制系统的核心,传统的温控系统采用PID调节和普通模糊控制。利用最小二乘支持向量机（Least Squares SVM,LS-SVM）理论,建立模糊控制器,通过与一般模糊控制仿真实验结果进行比较,验证了其在温控系统的有效性。     

A novel approach for recognition of control chart patterns: Type-2 fuzzy clustering optimized support vector machine

Unnatural patterns in the control charts can be associated with a specific set of assignable causes for process variation. Hence, pattern recognition is very useful in identifying the process problems. In this study, a multiclass SVM (SVM) based classifier is proposed because of the promising generalization capability of support vector machines. In the proposed method type-2 fuzzy c-means (T2FCM) clustering algorithm is used to make a SVM system more effective. The fuzzy support vector machine classifier suggested in this paper is composed of three main sub-networks: fuzzy classifier sub-network, SVM sub-network and optimization sub-network. In SVM training, the hyper-parameters plays a very important role in its recognition accuracy. Therefore, cuckoo optimization algorithm (COA) is proposed for selecting appropriate parameters of the classifier. Simulation results showed that the proposed system has very high recognition accuracy.