基于ERT和WLS-SVM的气液两相流空隙率测量

利用ERT传感器提供的电阻测量信息,基于加权最小二乘支持向量机(WLS-SVM),提出了一种气液两相流空隙率测量的新方法.该方法首先由ERT电阻传感器阵列获取电阻测量值,接着提取测量值的主成分,将主成分作为已经建立的WLS-SVM空隙率模型的输入,计算得到空隙率值.测量结果表明,提出方法的空隙率测量误差小于8%,实时性可以满足现场要求.     

一种改进的最小二乘支持向量机软测量建模方法

针对最小二乘支持向量机(LS-SVM)缺少支持向量所具有的稀疏性和模型参数值难以选择的问题,提出利用马氏距离进行样本相似程度分析,去除集中部分样本,以恢复最小二乘支持向量机的稀疏性的方法.同时,采用κ-折交叉验证误差作为学习目标的粒子群优化算法来选取模型参数,并利用改进算法建立了精馏产品浓度的软测量模型.通过仿真验证了改进算法的有效性.结果表明模型精度较高,泛化能力强,满足工业测量要求.     

一种非线性动态的传感器建模算法

针对传感器动态的非线性、动态特性,精确建模比较难.为此,提出一种非线性的传感器动态建模方法.首先将LSS-VM参数作为蚂蚁的位置向量,传感器动态建模精度作为目标函数,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,最后建立传感器动态模型.结果表明,ACO-LSSVM所建模型具有较强的实用性和可靠性,为改善传感器动态性能及在线补偿提供了参考依据.     

基于QGA-LSSVM的醋酸乙烯聚合率软测量建模

针对最小二乘支持向量机(LS-SVM)在建立醋酸乙烯(VAC)聚合率软测量模型过程中最优模型参数的选择问题,提出了利用一种量子遗传算法来自动选取LS-SVM模型正则化参数和核函数参数的方法;把LS-SVM模型参数的选择问题转化为优化问题,利用全局搜索能力强的量子遗传算法优化LS-SVM建模过程的重要参数,建立了基于QGA-LSSVM方法的VAC聚合率软测量模型;仿真结果表明:与已有的神经网络和支持向量机软测量方法相比,该模型泛化能力强,精度高,更有利于醋酸乙烯聚合率测量工程实际运用。     

一种实用的火电厂飞灰含碳量软测量建模方法

提出了同时利用自适应加权融合和最小二乘支持向量机建模的实用新方法。首先,给出了基于小波的自适应加权融合和最小二乘支持向量机算法;其次,将BP神经网络、最小二乘支持向量机和基于小波的自适应加权融合的最小二乘支持向量机算法进行建模精度比较;最后,采用真实火电厂飞灰含碳量数据进行模型验证与预测,仿真结果表明基于小波的自适应加权融合的最小二乘支持向量机算法具有较好的建模精度和实用性。     

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。     

一种改进细菌觅食优化算法及其在软测量建模中的应用

针对软测量建模中模型参数的优化需求,在分析细菌觅食优化算法(BFOA)和粒子群优化(PSO)算法的基础上,将二者有机结合,提出了一种新型细菌觅食粒子群混合优化算法(BSOA)。该算法将PSO粒子移动的思想引入BFOA,有效解决了BFOA趋向性操作中细菌位置更新的盲目性。将其分别用于典型函数的寻优与成品油研究法辛烷值最小二乘支持向量机(LSSVM)模型参数的优化,仿真结果表明:该方法有效增强了算法的全局寻优能力与收敛速度,并在一定程度上改善了模型的预测精度与泛化能力。     

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.     

基于APSO—LSSVM的软测量建模研究

针对最小二乘支持向量机在生化过程建模中的重要建模参数值选择问题,提出利用具有较强的全局搜索能力的自适应粒子群（APSO）优化算法,对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数。利用参数优化调整后得到的具有较优拟和预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明该方法能使模型取得较好的预测效果。     

丁二酸发酵过程的软测量建模研究

生物转化法生产丁二酸的间歇厌氧发酵过程存在明显的不确定性和高度非线性,其中某些参数(如丁二酸浓度)难以在线检测,给过程优化策略的有效实施带来了障碍.最小二乘支持向量机(LS-SVM)是标准支持向量机(SVM)的一种扩展,遵循结构风险最小化原则.将该算法用于丁二酸发酵过程建模.用具有RBF核函数的LS-SVM建立丁二酸浓度的模型,并通过MATLAB 7.0开发工具和径向基(RBF)人工神经网络的建模方法进行比较.结果表明LS-SVM方法比基于RBF神经网络的软测量建模方法降低了83.7%的外推误差,具有更好的泛化能力,使针对丁二酸浓度的在线预估与优化控制成为可能.     

基于改进LS-SVM的随钻测量数据传输误码率预测

针对泥浆连续波随钻测量数据传输误码率预测精度低、数据传输过程中易受干扰信号影响等缺点,提出利用改进的最小二乘向量积(LS-SVM)对连续波数据传输误码率建立预测模型,并引用遗传算法对参数寻优,在建立模型过程中利用狄克逊准则对数据进行筛选,从而提高误码率预测的精度.在小样本数据的情况下,采用Matlab建立基于改进的最小二乘支持向量机泥浆连续波数据传输模型.仿真结果表明该模型能够有效地避免陷入局部最优问题,具有较强的泛化能力和预测能力.通过与误差反传前馈(Back propagation,BP)和Elman神经网络预测模型对比可知,该模型预测精度更高,预测值更接近于实际值,可以用于泥浆连续波数据传输误码率预测.     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

LS-SVM在提高气压测高系统精度中的应用研究

在利用计算机软件补偿飞机测高系统误差方法中,传统的采用分段拟合方法精度不高,非线性误差大;神经网络存在过学习、网络拓扑结构不易确定以及泛化能力差等缺点。提出利用最小二乘支持向量机(LS-SVM)对某型飞机测高系统误差进行预测、补偿,提高其测高精度。在分析LS-SVM回归算法的基础上,利用LS-SVMlab1.5对某型飞机测高系统误差样本数据进行了仿真。结果表明,LS-SVM在数据回归预测方面精度高、泛化能力强、稳定性好,可以有效提高飞机气压测高系统精度,具有应用推广价值。     

电容层析成像技术中图像重建算法的发展及研究

为使电容层析成像(ECT)技术应用于多相流参数在线测量,有效提高其图像重建精度与速度是该技术的关键,也是国内外学者的研究热点。对ECT技术图像重建算法原理进行了分类叙述,在此基础上,综述了ECT技术图像重建方法近期研究成果,提出了进一步研究的方向和内容。     

基于LS-SVM的BTT导弹动态逆反演控制

基于LS -SVM理论、动态逆控制和反演控制方法,针对具有非匹配不确定性的BTT导弹非线性数学模型,设计了一种基于LS- SVM的BTT导弹动态逆反演控制律;对传统反演控制律设计的不足之处,采用LS- SVM法逼近BTT导弹控制系统中带有未知成分非线性函数,从而实现了无需精确数学模型的全新控制律,避免了因建模误差对控制带来的不良影响,在此基础上,利用李亚普诺夫方法证明了系统的稳定性和收敛性;仿真结果表明,文章所设计的控制律,对导弹控制系统中存在的不确定因素具有较强的鲁棒性和自适应性.     

用于两相流检测电容层析系统成像的迭代算法

电容层析成像技术(ECT)在应用生产过程中作为一种在线检测技术而得到充分应用。通过精确测量ECT系统的12个电极之间的电容,并利用测量数据进行二维模型有限元法计算其电场敏感分布图,提出了一种迭代的成像算法。该迭代算法可比较精确地对管道横截面的两相流进行图像重建。并讨论了工业应用的实际问题和目前的技术上的缺陷性。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

大型呼叫中心人工呼入量的最小二乘支持向量机模型

通过分析大型呼叫中心人工呼入量的数据特点, 文中将呼入量分解为日呼入量与相应时间段呼入量, 利用最小二乘支持向量机(LS-SVM)的原理, 建立日呼入量与时间段呼入量两个时间序列预测模型. 实验仿真证明, 采用该方法建立的日呼入量与时间段呼入量预测模型, 在回归和预测方面都可以得到满意的结果. 通过与神经网络预测模型的对比分析, LS-SVM总体上优于人工神经网络的预测效果.