基于特征提取和极限学习机的软测量方法

针对建模数据存在的高维、共线性等特征,以及常用的基于人工智能的建模方法存在的模型结构难以确定、学习速度慢等缺点,提出了由基于主元分析(PCA)的特征提取和基于优化极限学习机(OELM)的建模算法两部分组成的软测量方法.采用PCA消除输入变量间的共线性并降低输入变量维数,以提取的线性无关的独立变量作为软测量模型的输入,从而简化模型结构.采用集成极限学习机(ELM)与支持向量机(SVM)算法优点的OELM方法作为建模算法,避免了ELM模型的随机性和SVM模型求解的复杂性.将特征提取方法与OELM方法结合后,提高了软测量模型的训练速度和预测性能.采用所述方法,对混凝土抗压强度的软测量问题进行了实验研究,验证了所提方法的有效性.该方法同时可以应用于基于雷达、光电等高维数据的目标识别,具有广阔的应用前景.     

基于支持向量机的软测量技术及其应用

支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。     

基于近红外光谱的柴油凝点计算机软测量法

柴油是重要的石油化工产品,凝点是确定其品质的主要理化指标,但传统测定方法周期长、费用高,且易受人为的影响。本文提出一种用近红外光谱(NIRS)分析技术的柴油凝点软测量方法。先用多项式卷积为原始的柴油MR光谱数据作光谱平滑、基线校正和标准归一化;然后,利用主元分析(PCA)组合近红外光谱数据集的高维特征并向低维空间投影,降低输入维数,提高各维特征的敏感性;最后,用最小二乘支持向量机(LS-SVM)回归算法建立凝点的软测量模型。用一个含120个样本的401维柴油近红外全光谱数据集建模和检验,通过PCA后,全光谱数据集的特征降到了6维,并保留了99.6%的信息。进一步的实验表明,采用PCA提取特征做软测量建模的性能,要普遍优于直接作用在光谱波长域的方法。与BP、PCA BP及PCA SVM方法相比,所提方法建立的柴油凝点软测量模型测量精度更高,且与标准方法测量的结果更为接近,因此,又为柴油凝点的在线测定提供一种新方法。     

基于3MAD-PCA的软测量数据过失误差侦破

经典PCA是一种对软测量建模数据进行误差侦破的方法,但当数据中存在单变量大误差时,该方法不能准确确定主元(PC),从而影响了误差侦破效果.针对这一情况,结合单变量误差侦破技术提出了3MAD-PCA方法.该方法首先用3MAD对数据分别进行单变量误差侦破,再利用经典PCA进行多变量误差侦破,提高了经典PCA方法的稳定性,有效实现了数据的过失误差侦破.用该方法对丙烯浓度的软测量数据进行过失误差侦破,取得了良好的效果.     

基于最大矩阵元法确定聚类数的软测量建模方法

采用模糊C均值聚类算法(FCM)与支持向量机(SVM)相结合的多模型建模方法:较单一支持向量机软测量模型而言,可以有效解决复杂工业对象的强非线性和大工况范围的问题。但是传统的模糊C均值聚类算法必须依赖先验知识预先确定聚类个数。本文通过建立样本间的相似矩阵,利用模糊聚类最大矩阵元法确定FCM最佳聚类个数,再由FCM对训练样本数据进行聚类并用SVM构建组合软测量模型,得到多模型软测量系统。在对双酚A结晶单元工艺分析的基础上,将该方法:应用于结晶单元苯酚含量的软测量建模,仿真结果:证明该建模方法:提高了模型的估计精度,具有更好的可行性和有效性,能够满足工业生产的要求。     

基于PCA-SVM的柴油凝点近红外光谱软测量法

提出一种基于PCA-SVM及近红外光谱(NIRS)分析技术的柴油凝点软测量方法。首先,采用多项式卷积对原始的柴油NIRS数据进行光谱平滑、基线校正和标准归一化;然后,利用主元分析(PCA)对近红外光谱数据集的高维特征进行组合并向低维空间投影;最后,利用SVM回归算法建立凝点的软测量模型。与BP、SVM及PCA-BP方法相比,实验结果表明所提方法具有更高的测量精度,且与标准方法测量的结果更为接近,因此适合柴油凝点的在线测量。     

核函数方法及其在软测量建模中的应用研究

软测量技术对实施工业过程先进控制与优化具有重要的作用。介绍了几种新的基于核函数方法的软测量建模技术，并提出了针对复杂工业过程的混合核函数软测量建模方法。工业萘初馏塔酚油含萘量软测量应用表明，这类方法具有非线性处理能力强、精度高及模型推广能力好的特点。     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

基于量子PSO的SVM参数选择及其应用

针对支持向量机(SVM)的参数选择问题,提出了一种改进的PSO(QDPSO)算法.该算法采用同时对三个参数寻优的策略,克服了对每个参数单独寻优的弊端,可实现对SVM参数的精确、稳定、快速优化选择.给出了应用该方法的具体步骤,通过仿真实验证明该算法的有效性.通过将该方法得到的参数应用于SVM建模,得到了有机溶剂回收脱附过程的软测量模型.仿真结果表明,预测效果良好.     

软测量技术及其应用

软测量技术是当前过程控制中研究热点之一.在介绍软测量技术基础上,对目前主要软测量建模的方法:机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机(SVM)和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等十种方法进行介绍,并对软测量建模方法进行了展望.最后列举了工业应用实例.