基于RBF神经网络的出水氨氮预测研究北大核心CSCD

针对污水处理中关键水质参数氨氮(NH4+-N)难以在线实时准确检测且实验室取样检测时间长,精度低等问题,提出了基于RBF神经网络的出水氨氮软测量模型研究。首先,选择出对出水氨氮影响较大的辅助变量去预测氨氮的变化,然后,利用梯度下降算法优化RBF网络的结构和参数,结合北京市某污水处理厂的实测数据,对出水氨氮的预测进行仿真并与其他模型对比,结果显示,该模型具有预测误差相对较小,预测准确等优点,说明该预测模型对于氨氮的预测具有一定的实用价值。     

氧化铝浓度软测量技术研究

分析了铝电解生产过程中建立氧化铝浓度神经网络软测量模型的必要性和可行性,根据软测量建模理论建立了采用Levenberg-Marquardt算法的氧化铝浓度神经网络软测量模型.实际应用结果证明了该软测量模型能够有效实现氧化铝浓度的在线检测.     

A2/O污水处理过程出水水质的多元线性回归软测量模型

为实现污水处理出水水质的预测预报，笔以昆明市污水处理厂的A^2／0工艺为背景，针对其出水水质多个参量难以在线测量的问题，提出采用软测量技术，建立了多输入多输出的多元线性回归软测量模型。     

基于类脑模块化神经网络的污水处理过程关键出水参数软测量

针对城市污水处理过程关键出水参数难以实时检测的问题,文中提出了一种基于类脑模块化神经网络（Brain-like modular neural network,BLMNN）的关键出水参数软测量方法.首先,基于互信息和专家知识进行任务分解,分析关键出水参数的相关变量,获取各出水参数的辅助变量.其次,通过模拟大脑皮层模块化分区结构,构建软测量子模型对各水质参数进行同步测量,降低软测量模型复杂度的同时保证了其精度.最后,通过基于实际数据的仿真实验验证了所提出方法的准确性和有效性.     

污水处理出水水质软测量建模研究

污水水质参数监测技术是限制实时在线控制的一个重要因素。本论文进行了基于神经网络软测量技术的污水处理出水水质软测量建模的研究,目标是解决污水处理厂重要出水水质指标因人工化验检测而产生的严重滞后问题,以实现污水处理出水水质的预测及控制。     

基于过程神经网络的污水处理软测量算法研究

过程神经网络是传统神经网络的拓展,它的输入是与时间有关的函数和过程。过程神经元增加了一个对于时间的聚合算子,使网络同时具有时空二维信息处理能力。从而更好地模拟了生物神经元的信息处理机制。污水处理过程是一个与时间有关的过程,将过程神经网络引入到污水处理软测量中是一种新颖的软测量预测算法。在对基于正交基展开的过程神经网络算法的污水处理软测量仿真研究的基础上,通过分析原网络收敛速度慢等问题,借鉴传统BP的改进算法,在原算法的基础上提出两方面的改进,仿真取得较好的训练结果。     

基于稀疏预处理和XGBoost的生化检验智能审核

临床生化检验数据为医生进行疾病诊断提供最有力的数据支撑,当前采用基于规则的半自动异常检验值过滤和医务人员人工审核的方式,存在缺乏学习能力、效率低下的问题.为此,提出一种将检测数据进行稀疏化处理并使用极端梯度提升算法进行智能审核的机器学习模型.首先使用深度神经网络对医院信息系统导出的,经过脱敏、清洗后的检验数据用聚类算法...     

基于XGBoost和自适应阈值的电厂风机故障预警

为了对电厂风机实现故障预警，提出了基于极端梯度提升(XGBoost)算法的数据驱动的故障预警方法。首先，通过对电厂原始数据进行数据特征提取和Box-Cox变换，建立基于XGBoost算法的风机轴承温度预测模型；其次，将模型预测值和真实值的偏差用相似度函数表示，并设计了基于区间估计思想的自适应阈值方法；最后利用某电厂送风机数据进行仿真，并将XGBoost算法与支持向量机(SVM)算法、梯度提升树(GBDT)算法进行对比。结果表明该方法能实现风机早期故障预警，验证了该故障预警模型的有效性。     

氧化铝浓度的RBF神经网络软测量模型研究

在电解铝的生产过程中,针对氧化铝浓度不能在线测量的难题,采用了软测量技术来估计氧化铝浓度;运用径向基函数(RBF)神经网络构建了软测量的数学模型,利用神经网络的非线性逼近能力和自学习功能来适应不断变化的槽况,从而较准确地估计出氧化铝浓度;以某铝厂为实际应用背景,结果表明该软测量模型能够有效实现氧化铝浓度的在线检测.     

基于Gradient Boosting算法的ERMS辐射数据预测

影响核辐射监测站点辐射监测HPIC剂量率实时数据准确性的组成因素多且复杂,如自然因素的降雨、温湿度、风向及太阳辐射等,客观因素的设备异常及放射性状况等;以致在实际应用中发现辐射监测状态异常时,很难分析出是什么原因导致的监测数据偏离.结合ERMS海量历史辐射序列监测数据,深入挖掘降雨、温湿度、气压、风向、太阳辐射天顶方向电子量及周边各站点辐射数值等特征因子集,基于Gradient Boosting算法（简称GB算法）建立起HPIC剂量率辐射数据的在线预测模型,有效融合自然特征因子,降低了自然因子对HPIC剂量率辐射监测数值异常的分析及判读的干扰作用,提高了对ERMS辐射异常发现的辅助判断能力及维保效率.     

基于梯度提升回归树的处理器性能数据挖掘研究

现代处理器一般只内置了 4～8 个性能计数器,但可以监测多达上千个时钟周期级别的性能事件。这些事件可以轻易地产生大量数据,称为处理器性能大数据。然而,如何从这些性能大数据中提取有价值的信息面临着许多挑战。该文提出一种处理器性能数据分析方法,通过迭代使用梯度提升 回归树算法构建性能模型,为云计算负载的性能事件进行重要性排序,从而指导云计算平台的性能调优。     

融合随机森林和梯度提升树的入侵检测研究

网络入侵检测系统作为一种保护网络免受攻击的安全防御技术,在保障计算机系统和网络安全领域起着非常重要的作用.针对网络入侵检测中数据不平衡的多分类问题,机器学习已被广泛用于入侵检测,比传统方法更智能、更准确.对现有的网络入侵检测多分类方法进行了改进研究,提出了一种融合随机森林模型进行特征转换、使用梯度提升决策树模型进行分类...     

基于梯度提升决策树的变形宏病毒检测

宏病毒在高级持续性威胁中被广泛运用.其变形成本低廉且方式灵活,导致传统的基于病毒规则库的反病毒系统难于有效对抗.提出一种基于梯度提升决策树的变形宏病毒检测方法.该方法以病毒专家经验为指导,实施大规模特征工程,基于词法分析对变形宏病毒做细粒度建模,并使用海量样本训练模型.实验表明,该方法能够准确检测企业级用户网络中传播的...     

基于梯度提升回归树的短时交通流预测模型

短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的 管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次, 在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。     

尿素涂层对土壤渗出液NO-3-N和NH 4-N的影响

采用盆栽试验方法,研究尿素涂层后施用于水田土壤其渗出液NO3--N和NH4 -N含量的变化情况。研究结果表明:与未涂层尿素相比,施用尿素涂层可使氮素释放变得平缓,土壤渗出液中NH4 -N和NO3--N浓度明显降低,有利于水稻生长对氮素的吸收利用;在等氮量条件下,施用涂层尿素处理的土壤渗出液中的NH4 -N浓度明显低于未涂层尿素处理,且尿素用量越低这一差异越明显,而土壤渗出液中的NO3--N浓度施入土壤后前10天涂层尿素低于未涂层尿素处理,而至第18天则表现出高于未涂层尿素处理的趋势;涂层处理土壤渗出液NO3--N和NH4 -N之和大都小于未涂层处理。     

基于梯度提升决策树的电力电子电路故障诊断

针对电力电子电路的常见故障类型,提出一种利用主元分析(PCA)提取电路状态的故障信息特征和基于梯度提升决策树(GBDT)分类的电力电子电路故障诊断方法.首先讨论利用PCA进行特征提取的步骤以及GBDT的分类原理;然后研究了基于PCA特征提取以及GBDT分类的电力电子电路故障诊断流程;最后利用三相桥式整流电路进行了建模、仿真、验证,实验结果表明,采用该方法进行电力电子电路故障诊断相比其他方法在低维空间具有更高的诊断准确率和更佳的样本泛化能力.     

基于神经网络的软测量技术

本文对基于人工神经网络的软测量技术进行了综述与分析,给出了基于神经网络软测量技术摹一般步骤以及开发过程中需要注意的问题。