含能材料分子设计与性能预估研究

本文应用主成分分析(PCA)、遗传算法(GA)等方法进行变量选择确定对含能材料爆轰性能影响显著的分子结构描述符,再用偏最小二乘(PLS)和人工神经元网络等方法建立含能材料预测模型。通过预测模型进行计算,预测密度、爆速、生成焓和爆压等爆轰性能参数。与已知的爆轰性能参数比较,其准确度可达到98%。这说明了模型的准确性,可以用于未知含能材料的爆轰性能的预测。     

一种改进的遗传算法在含能材料设计中的研究与应用

在本文中作者提出了一种改进的遗传算法,并将该方法引入到"分子结构——爆炸性能"(QSDR)关系研究中,对变量进行筛选、建立结构性能关系模型,并可利用该模型预测含能材料的爆炸性能。将该方法应用于呋咱类系列化合物,取得了较好的效果,证明了方法的有效性。     

基于遗传算法的支持向量机预测含能材料密度的研究

基于遗传算法(genetic algorithm,GA)的变量筛选和支持向量机(support vector machine,SVM),提出了一种改进的定量结构-性质相关(quantitative structure detonation relationship,QSPR)建模方法——遗传-支持向量机(GA-SVM),并用其建立含能材料的定量结构-爆轰性能关系(QSDR)模型,此外还应用标准SVM方法建立了QSDR模型,并用这2种模型进行呋咱系含能化合物密度的预测,随机选取85%化合物作为训练集,用来建立模型,其余化合物作为测试集来测试模型的预测能力。预测结果的交互检验的相关系数平方分别为0.9887和0.9885,平均相对误差分别为1.16%和2.12%,表明了2种建模方法的有效性。通过对2种模型的预测能力进行比较,GA-SVM方法建立的QSDR模型能更好地预测呋咱系含能化合物的密度,更利于实际应用。     

基于遗传算法和支持向量机的肿瘤分子分类

提出了一种基于遗传算法(GA)和支持向量机(SVM)的用于肿瘤分子分类和特征基因选择的新方法。该方法针对基因表达数据样本少维数高的特点,先根据基因的散乱度滤掉大量分类无关基因,而后使用相关性分析去除分类冗余基因,得到一个候选基因子集,用遗传算法搜索候选特征基因空间,发现在支持向量机分类器上具有好的分类性能的且含基因个数较少的特征子集。把这种GA/SVM方法应用到结肠癌和急性白血病基因表达谱,能选出多个取得较高分类精度的较小基因子集,实验结果表明了该方法的有效性。     

基于CARS变量筛选的固态发酵pH值近红外检测

为了提高近红外光谱技术快速检测固态发酵过程中pH值的精度和稳定性,提出了采用竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)法筛选出与pH相关的波长变量建立PLS预测模型,对验证集样本进行预测的方法。并与2种常见的变量筛选法GA-PLS和蒙特卡罗无信息变量消除法(MC-UVE)相比较.实验结果表明:CARS方法能有效筛选有用波长26个变量建立PLS模型,其校正集交互验证均方根误差(RMSECV)以及交互验证相关系数(Rc)分别为0.0368和0.9950;验证集的预测均方根误差(RMSEP)以及预测相关系数(Rp)分别为0.0589和0.9895。     

MC-UVE-GA-PLS算法用于精馏软测量辅助变量选择

现代工业生产的复杂化使得候选辅助变量增多,大量的输入变量会使软测量模型过拟合,影响模型的预测效果。针对这个问题,提出了一种蒙特卡洛无信息变量消除结合遗传算法偏最小二乘(MC-UVE-GA-PLS)选择辅助变量的方法。该方法在运用GA算法搜索最优变量子集之前,采用MC-UVE方法消除与模型不相关的变量,使GA算法能有效地搜索出对响应变量预测贡献最大的变量子集。用本文提出的方法建立了工业精馏塔浓度软测量模型,仿真结果表明本文提出的辅助变量选择方法不仅能提高模型的预测能力,而且能简化模型的复杂性。     

PLS模糊多模型建模方法在航煤干点估计中的应用研究

针对常压塔复杂工况下的航煤干点估计困难的问题,本文提出一种基于PLS模糊多模型软测量建模方法:(FuzzyMulti-model based on PLS,FMM-PLS)。该方法:采用减法c-均值聚类进行数据划分,按隶属度最大原则,合理划分子空间,确定予空间个数为3个,然后利用PLS方法:建立3个子模型,并对各子模型的输出进行隶属度加权预测输出值。同时,也建立PLS、QPLS、RBF-PLS单模型,并与提出的FMM-PLS方法:相比较。PLS、QPLS、RBF-PLS和FMM-PLS的最大误差分别为4.9541、4.6282、4.7517、3.8040;均方根误差分别为1.8599、1.7025、1.7381、1.5327。研究结果:表明,与PLS、QPLS、RBF-PLS相比,在航煤干点的估计中本文提出的FMM-PLS方法:预测精度更高,泛化性能更好。     

基于GA-PLS算法的小麦粉灰分含量快速检测

为得到噪声小、准确性强、自适应性良好的模型,对实验所得的近红外光谱进行预处理及优化波长是十分必要的.实验确定小麦粉中灰分含量为研究对象,提出将光谱预处理及遗传算法(GA)优化波长用于提高偏最小二乘法(PLS)定量建模的稳健性.对比在不同预处理方法下相关系数R2、矫正标准差(RMSEC)、预测标准偏差(RMSEP)3个指标,随机选择130份样本,建立预处理+GA+PLS定量分析模型.实验结果为:R2从70.31%提到了97.46%,RMSEC从0.0775降低到了0.0226,RMSEP从0.0996降低到了0.0213,表明基于光谱预处理结合GA优化谱区定量分析小麦粉中灰分含量可行,模型预测能力和精度更高.     

偏最小二乘法同时测定食醋的有效成分和防腐剂的含量

偏最小二乘方法建立近红外光谱与组分浓度的多元校正模型,用于同时快速测定食醋的有效成分(总酸)和防腐剂(苯甲酸)含量。采用透射模式,样品不经任何处理测定近红外光谱。用17个食醋样品建立偏最小二乘法(PLS)模型,用3个样品作为预测样品以评估PLS模型。结果:食醋中的总酸和苯甲酸在2 125～2 325 nm区域之间,与光谱有良好的线性关系,总酸的PLS模型中,隐变量为3时,预测均方根误差0.038 7 g·L~(-1),总酸含量与光谱的线性相关系数达到0.999 7,相对预测误差5.89%;苯甲酸的PLS模型中,隐变量为6时,预测均方根误差降至0.013 8 g·L~(-1),苯甲酸含量与光谱的线性相关系数达到0.999 8,相对预测误差降至4.29%。     

基于PLS交叉积矩阵非相似度分析的MPC性能监控与诊断

针对传统基于输出协方差矩阵的性能监控方法未充分考虑过程变量与输出变量之间的相关性问题,提出一种基于偏最小二乘（Partial least squares,PLS）交叉积矩阵非相似度分析的性能监控与诊断方法,用于多变量模型预测控制（Model predictive control,MPC）系统.首先,考虑模型预测控制系统的控制结构,构造包含预测误差的增广过程变量与输出变量相关性的PLS交叉积矩阵,通过非相似度分析方法将交叉积矩阵的非相似度比较转化为转换矩阵特征值的比较.然后提取转换矩阵中表征最大非相似度的l个特征值构造实时性能指标,对MPC系统进行性能监控.检测到性能下降后,进一步利用转换矩阵的特征值诊断性能恶化源.Wood-Berry二元精馏塔上的仿真结果表明,所提方法能够有效地提高监控性能,并准确地定位性能恶化源.     

基于定性知识和线性PLS的间歇蒸煮过程Kappa值软测量方法

间歇制浆蒸煮过程是一个复杂的物理化学过程,蒸煮过程的各变量之间的关系是本质非线性的。文章应用蒸煮过程各变量的定性知识对过程数据进行变换,经过变换后的数据之间的关系的非线性程度得到降低,因而线性PLS建模方法也能较好地应用,避免了因采用非线性PLS算法而引起的复杂计算和稳定性分析。PLS方法不仅能见到主导变量和辅助变量之间的外部关系,还能看到因子之间的内部关系。对实际蒸煮过程数据的应用表明,该软测量方法是有效的。     

用VC++成组传送的DDE在沥青拌合楼控制中的应用

传统的DDE在批量数据变量交换方面存在着一些缺陷,本文提出采用成组传送DDE的方式交换数据变量,利用成组传送DDE提供的动态链接库接口开发应用程序,极大的节省了系统资源,加速了变量交换。这种方法在沥青拌合楼控制系统的开发中得到了很好的应用。     

人工智能技术在电力系统状态估计的应用研究

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法。针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比。结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性。     

求多变量线性矩阵方程组自反解的迭代算法

利用矩阵分解的方法求多变量线性矩阵方程组的自反解是很困难的.本文建立了一种迭代方法来解决这个问题,利用此迭代方法可以判断多变量线性矩阵方程组的可解性,且当矩阵方程组相容时,可以在有限步迭代后得到其自反解.选取特殊的初始矩阵时,能够求得矩阵方程组的极小范数自反解.进一步,通过求新的线性矩阵方程组的极小范数自反解,能够求得给定矩阵的最佳逼近矩阵.数值算例表明,迭代算法是有效的.     

Topology optimization of frame structures with flexible joints

A method for structural topology optimization of frame structures with flexible joints is presented. A typical frame structure is a set of beams and joints assembled to carry an applied load. The problem considered in this paper is to find the stiffest frame for a given mass. By introducing design variables for beams and joints, a mass distribution for optimal structural stiffness can be found. Each beam can have several design variables connected to its cross section. One of these is an area-type design variable which is used to represent the global size of the beam. The other design variables are of length ratio type, controlling the cross section of the beam. Joints are flexible elements connecting the beams in the structure. Each joint has stiffness properties and a mass. A framework for modelling these stiffnesses is presented and design variables for joints are introduced. We prove a theorem which can be interpreted as the fact that the removal of structural elements, e.g. joints or beams, can be modelled by a small strictly positive material amount assigned to the element. This is needed for the computations of sensitivities used in the applied gradient based iterative method. Both two and three dimensional problems, as well as multiple load cases and multiple mass constraints, are treated.     

Fuzzy lagged variable selection in fuzzy time series with genetic algorithms

Fuzzy time series forecasting models can be divided into two subclasses which are first order and high order. In high order models, all lagged variables exist in the model according to the model order. Thus, some of these can exist in the model although these lagged variables are not significant in explaining fuzzy relationships. If such lagged variables can be removed from the model, fuzzy relationships will be defined better and it will cause more accurate forecasting results. In this study, a new fuzzy time series forecasting model has been proposed by defining a partial high order fuzzy time series forecasting model in which the selection of fuzzy lagged variables is done by using genetic algorithms. The proposed method is applied to some real life time series and obtained results are compared with those obtained from other methods available in the literature. It is shown that the proposed method has high forecasting accuracy.     

On the motion of oblique bevel geared robot wrists

In this article, we show that the principle of superposition can be applied for analyzing the spatial motion of a bevel geared three-roll wrist with nonzero oblique angle. The total motion of the wrist is decomposed into three independent component motions, which are easier to analyze. A superposition tabulation is then constructed to derive the relations among the three wrist joint variables and three coaxial actuation variables. The displacement solution for the wrist joint variables is found by using the zero reference position method.