KICR在转炉炼钢终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于核独立元回归(KICR)方法的终点温度的预测模型.将核独立元分析(KICA)与回归分析相结合,利用KICA方法提取输入数据矩阵的独立元(KIC)矩阵;分别以KIC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业现场生产数据仿真结果表明:与PCR,PLSR和ICR等预测模型相比,基于KICR的转炉终点温度预测模型,预测精度高、跟踪性能较好,可为实际生产中的终点控制提供参考,提高生产效益.     

基于PSO-ICA 和RBF 神经网络的转炉炼钢终点预报模型

提出将微粒群优化算法和独立成分分析引入到径向基函数神经网络模型用于转炉炼钢终点预报．利用 微粒群优化算法的全局遍历特性和快速不动点算法的局部寻优能力,改进了传统的独立成分分析算法,解决了其目 标函数易陷入局部最优和独立特征排序不确定的问题,压缩冗余信息并降低输入维数．将提取出的独立特征输入径 向基函数神经网络,预报终点温度和碳含量．对转炉生产实测数据进行了仿真,结果表明该模型能有效提高预报精 度,保证预报的可靠性．     

一种转炉炼钢动态终点预报的新方法

1　引言转炉炼钢就是将含有较多杂质的铁水与吹入的氧气发生反应 ,达到去除杂质的目的 ,从而获得要求的钢水成分和温度 .目前自动化炼钢的方法是静态控制和以副枪检测信息为基础的动态控制相结合的方法 .动态控制的关键是准确预报转炉炼钢终点温度和碳含量 .文 [1 ]在文 [2 ,3]的基础上采用 RBF神经网络对转炉炼钢终点温度和碳含量进行预报 ,提高了预报精度 .但是 ,终点温度和碳含量受到非定量因素的影响 ,文 [4 ]提出以灰色模型为基础的预报方法 ,由于应用线性回归补偿 ,因而影响预报精度 .本文将灰色模型与RBF神经网络相结合提出新的转…     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

独立元回归在转炉终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于ICR方法的终点温度的预测模型.该方法将独立元分析(ICA)与回归分析相结合,先利用ICA方法提取输入数据矩阵的独立元矩阵(IC);然后再分别以IC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业生产数据仿真结果表明,与主元回归(PCR)和偏最小二乘回归(PLSR)方法相比,基于ICR的终点温度预测模型预测精度高,跟踪性能好.该方法可为实际生产中的终点控制提供参考,提高生产效益.     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型. 利用某厂实际生产数据进行仿真运行的结果表明, 本文建立的模型具有较高的预报精度和较强的实用性, 可用于指导生产实践.     

自适应模糊神经网络在噪声消除中的应用

本文提出了一种基于模糊神经网络的噪声自适应消除方法,介绍了该方法的原理及实现算法,并利用特殊函数和一定的噪声作为样本信号,建立了基于模糊神经网络的自适应噪声消除模型。通过该模型对有用信号的参数进行了辨识,仿真结果表明该方法具有学习速度快、诊断精度高等优点,可用于通信线路及其他电子设备的噪声消除。     

RBF神经网络在转炉提钒预报中的应用

该文用RBF神经网络建立了转炉提钒冷却剂预报模型。RBF网络的中心的选取采用了可以在线学习的最近邻聚类算法。为了进一步优化网络中心，提出了基于密度排名的最近邻聚类算法。该算法聚类前先将样本按其在样本空间的密度进行了排序，聚类过程始于样本空间最密集处。实践证明，该算法应用于提钒冷却剂预报模型的建立是合理的，可行的。     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

核函数在主成分分析中的应用

主成分分析在对线性数据进行降维时非常有效,核函数能够将线性不可分的数据映射到高维希尔伯特空间中可能可分。将核函数应用到主成分分析中成为核主成分分析。从核函数的性质、核函数的参数调整、核函数的构造等方面对核主成分分析进行应用与实现,并结合核Fisher判别分析,对样例数据进行核主成分分析,结论表明,效果良好,但执行速度较慢,需要后续改进。     

基于GHA的核主成分分析及其应用

文中提出了一种将GHA(Generalized Hebbian Algorithm)学习规则应用到核主成分分析的新方法,它结合了核主成分分析和GHA学习规则的优点,既能利用核主成分分析的方法方便地提取数据的非线性特征,又能避免在大样本数据的情况下运算复杂和存储空间大的问题。实验证明了该方法的可行性和高效性。     

一种解决大规模数据集问题的核主成分分析算法

提出一种大规模数据集求解核主成分的计算方法.首先使用Gram矩阵生成一个Gram-power矩阵,根据线性代数的理论可知,新形成的矩阵和原先的Gram矩阵具有相同的特征向量.因此,可以把Gram矩阵的每一列看成核空间迭代算法的输入样本,这样,无须使用特征分解即可迭代地计算出核主成分.该算法的空间复杂度只有O(m);在大规模数据集的情况下,时间复杂度也降低为O(pkm).实验结果表明了所提出算法的有效性.更为重要的是,在大规模数据集的情况下,当传统的特征分解技术无法使用时,该方法仍然可以提取非线性特征.     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

主成分分析法神经网络及其在瑞培林片剂测定中的应用

介绍了主成分分析法神经网络的基本原理，对瑞培林片剂进行了测定，回收率令人满意，讨论了此法在复方制剂多组分同时测定中的优越性，并研究了网络拓扑结构、学习速率等对结果的影响。     

Kernel Generalization of Multi-Rate Probabilistic Principal Component Analysis for Fault Detection in Nonlinear Process

In practical process industries, a variety of online and offline sensors and measuring instruments have been used for process control and monitoring purposes, which indicates that the measurements coming from different sources are collected at different sampling rates. To build a complete process monitoring strategy, all these multi-rate measurements should be considered for data-based modeling and monitoring. In this paper, a novel kernel multi-rate probabilistic principal component analysis (K-MPPCA) model is proposed to extract the nonlinear correlations among different sampling rates. In the proposed model, the model parameters are calibrated using the kernel trick and the expectation-maximum (EM) algorithm. Also, the corresponding fault detection methods based on the nonlinear features are developed. Finally, a simulated nonlinear case and an actual pre-decarburization unit in the ammonia synthesis process are tested to demonstrate the efficiency of the proposed method.      

基于KPCA和FSVM的猪肉组织变性识别方法

生物组织变性识别是监测HIFU治疗过程的一个重要方面,对提升HIFU治疗效果有重要意义。提出了一种基于核主元分析(KPCA)和模糊支持向量机(FSVM)的猪肉组织变性分类识别方法。对HIFU辐照离体猪肉组织产生的超声回波信号分别提取能量、衰减系数、背向散射积分等时频域特征,构造表征组织变性特征的混合域特征集。利用KPCA对特征集中能敏感地体现组织变性的特征进行二次特征提取,按累计贡献率高于95%的标准,选择前2个核主元当作主要特征并将其联合输入FSVM进行组织变性识别。实验结果显示,联合特征比单个特征能更好地检测组织变性状态,更准确地对猪肉组织进行变性分类识别。该方法可为监测HIFU治疗中生物组织是否变性提供参考。     

基于自组织神经网络与核密度估计的非线性MPCA在线故障监测

针对多向主元分析(MPCA)不能提取复杂的非线性系统变量间的非线性特性以及T2统计量置信限的确定是以主元得分呈正态分布为假设前提的情况,提出了一种基于自组织神经网络与核密度估计的非线性MPCA在线故障监测方法.该方法用自组织神经网络去提取变量间的非线性特征信息;用核概率密度函数去估计非线性主元的置信限.将该方法应用到β-甘露聚糖酶补料分批发酵过程的在线故障监测中,应用效果表明用非线性主元比用同样数目的线性主元能够获取更多的变量信息,并且用核密度估计置信限的方法比用参数估计的方法能更准确地对故障进行监测.