基于多级动态主元分析的电熔镁炉异常工况诊断

电熔镁熔炼过程中的异常工况(如半熔化工况)直接影响产品质量、威胁人员和生产安全, 有必要及时诊断. 但与异常直接相关的超高温熔池温度(>2850 ℃)难以利用温度传感器检测, 目前现场主要依靠工人在定期巡检时人眼观察炉壁来诊断, 工作强度大、安全度低、诊断不及时. 针对上述问题, 本文提出一种炉体动态图像驱动的电熔镁炉异常工况实时诊断方法. 结合电熔镁炉熔炼各区域温度分布的空间特征、正常工况下熔炼温度变化和水雾扰动引入的图像时序特征、以及异常工况下温度异常区域持续发亮扩大的特征, 在对炉体动态图像进行空间多级划分的基础上, 提出了一种多级动态主元分析(Multi-level dynamic principal component analysis, MLDPCA) 动态图像分块建模方法. 在此基础上, 提出基于MLDPCA的逐级诊断方法与基于贡献图的异常定位方法. 最后, 采用某电熔镁生产现场的实际图像进行方法验证, 结果表明了所提方法的有效性.     

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.     

水泥分解炉出口温度的多变量模糊控制

以2 000 t/d新型干法水泥分解炉为研究对象,使用前馈-负反馈的多变量模糊控制方法,实现了分解炉出口温度的控制。建立了水泥分解炉出口温度数学模型(MISO),使用VC++6.0对水泥分解炉出口温度多变量模糊控制与常规的PID进行仿真对比研究。研究结果表明:前馈-负反馈的多变量模糊控制效果优于传统PID控制。为便于工程实现,采用西门子WinCC6.0为OPC服务器端,自行开发的分解炉出口温度VC多变量模糊控制软件为OPC客户端,通过OPC接口成功地实现了二者间的数据通信,且系统运行稳定、效果良好,具有很强的实际应用意义。     

基于主成分估计的极限学习机方法

极限学习机(Extreme Learning Machine,ELM)是一种单隐层前馈神经网络(Single-hidden Layer Feedforward Neural Networks,SLFN),它相较于传统神经网络算法来说结构简单,具有较快的学习速度,以及良好的泛化性能等优点。由最小二乘法(Least Square,LE)计算得出的输出权值,往往由于设计矩阵为奇异矩阵,得到的权值有较大偏差,遇到有噪声的数据时,算法的鲁棒性无法保证。主成分估计是对最小二乘估计的一种改进算法,主成分估计能有效的改善设计矩阵奇异造成的影响,能有效的提高网络模型的鲁棒性和抗噪能力。提出了一种基于主成分估计的极限学习机方法(PC-ELM),实验结果表明,此方法能有效提高算法的鲁棒性和泛化能力。     

基于稀疏动态主元分析的故障检测方法

本文将动态主元分析(Dynamic Principal Component Analysis, DPCA)和稀疏主元分析(Sparse Principal Component Analysis, SPCA)两种方法结合起来,提出一种新的稀疏动态主元分析方法,并将其用于工业过程的故障检测。所提出的稀疏动态主元分析方法通过对过程数据的动态增广矩阵进行稀疏主元的求解,获取稀疏的负荷向量,该方法既考虑到了过程数据的动态特性,又降低了过程数据的冗余度,同时降低了计算负荷,非常适合工业过程的实时故障检测。此外,本文还提出了一种前向选择算法,用于确定稀疏主元中的非零负荷数目。最后,将所提出方法应用于数值例子和田纳西-伊斯曼过程,并将与主元分析、动态主元分析和稀疏主元分析等三种方法相比较,表明所提方法可以获得更好的故障检测效果。     

基于优化变分模态分解和核极限学习机的集装箱吞吐量预测

针对港口集装箱吞吐量数据的复杂性特征,提出基于优化变分模态分解（OVMD）和核极限学习机（KELM）的集装箱吞吐量短期混合预测模型。首先,用汉佩尔辨识法（HI）剔除原始时间序列中的异常值,并把预处理之后的序列通过OVMD分解为多个特征明显的子模态。然后,为提高预测效率,将分解后的子模态按照样本熵（SE）值的大小分成高频低幅、中频中幅和低频高幅三类;同时,借助KELM中携带的小波、高斯和线性核函数捕捉具有不同特征子模态的趋势。最后,把所有子模态的预测结果线性相加得到最终的预测结果。以深圳港的月度集装箱吞吐量数据为样本进行实验,所提模型的平均绝对误差（MAE）达到0.914?9,平均绝对百分比误差（MAPE）达到0.199%,均方根误差（RMSE）达到7.886?0,决定系数（R²）为0.994?4。与四种对比模型相比,所提出的模型在预测精度和效率上都具有一定的优势,同时克服了传统互补集成经验模态分解（CEEMD）和集成经验模态分解（EEMD）中容易出现的模态混叠问题以及极限学习机（ELM）中存在过拟合等问题,具有一定的实际应用潜力。     

基于小波核主成分分析和差分进化优化极限学习机的入侵检测

针对网络入侵检测,提出一种基于小波核主成分分析和差分进化极限学习机相结合的方法。首先采用核主成分分析法对原始数据进行非线性降维处理,为了进一步提高核PCA的非线性映射能力,引用小波核函数作为核PCA的核函数。然后采用极限学习机对处理后的数据进行分类识别,针对初始权值随机选择造成极限学习机性能不稳定的问题,采用差分进化算法来获得最优的初始权值。实验结果表明该算法可以有效提高入侵检测的识别率,降低误报率和漏报率。     

基于主成分分析--改进的极限学习机方法的精对苯二甲酸醋酸含量软测量

目前,化工生产过程日益复杂,生产操作变量越来越多,由于客观条件的限制,有些重要的过程参数无法通过直接测量的手段精确测得.通过软测量可实现复杂化工生产过程重要参数的精确测量,进而指导化工企业的生产,提高化工生产的产出效率,是解决问题的一个有效的方法.针对复杂化工过程软测量建模中存在的问题,本文提出了一种改进的极限学习机模型(improved extreme learning machine,IELM).一方面将主成分分析(principal component analysis,PCA)方法应用到极限学习机(ELM)里,通过PCA对模型输入变量进行主成分分析,不仅去除了变量间的线性相关关系,而且对高数据进行降维处理,最终降低了极限学习机的输入复杂性;另一方面利用相关系数判断输入主元数据与输出数据间的相关关系,从而得到正相关输入和负相关输入,依据这两类数据构造ELM模型,使得每类输入数据对网络的输出有同样的作用,进一步提高极限学习机的泛化能力.最后建立了PCA-IELM模型,首先用标准数据库的Triazines数据集验证该模型有效性,随后得出了基于PCA-IELM方法的精对苯二甲酸(purified terephthalic acid,PTA)溶剂脱水塔塔顶醋酸含量软测量模型,仿真结果表明PCA-IELM模型处理高维数据时较传统的ELM算法具有稳定性好,建模精度高等特点,为神经网络在复杂化工应用领域提供新思路.     

基于经验模式分解和极限学习机的铀资源价格预测方法

针对国际铀资源价格预测问题, 提出一种基于经验模式分解(EMD)、相空间重构(PSR) 和极限学习机(ELM) 的非线性组合预测方法. 首先通过EMD分解, 将原始价格序列分解为若干固有模态分量(IMF), 按频率高低将各IMF 分组叠加成3 个新序列; 然后在重构相空间的基础上构建不同的ELM模型, 分别对各IMF 序列进行预测; 最后对预测结果进行合成. 将该方法应用于实际铀资源价格预测, 并与径向基神经网络(RBF) 方法及单独ELM方法进行比较, 仿真结果表明该方法预测精度有明显的提高.

     

基于去噪自编码器的极限学习机

针对极限学习机算法（ELM）参数随机赋值降低算法鲁棒性及性能受噪声影响显著的问题，将去噪自编码器（DAE）与ELM算法相结合，提出了基于去噪自编码器的极限学习机算法（DAE-ELM）。首先，通过去噪自编码器产生ELM的输入数据、输入权值与隐含层参数；然后，以ELM求得隐含层输出权值，完成对分类器的训练。该算法一方面继承了DAE的优点，自动提取的特征更具代表性与鲁棒性，对于噪声有较强的抑制作用；另一方面克服了ELM参数赋值的随机性，增强了算法鲁棒性。实验结果表明，在不含噪声影响下DAE-ELM相较于ELM、PCA-ELM、SAA-2算法，其分类错误率在MNIST数据集中至少下降了5.6%，在Fashion MNIST数据集中至少下降了3.0%，在Rectangles数据集中至少下降了2.0%，在Convex数据集中至少下降了12.7%。     

基于改进ELM的无线传感网络水温预测方法研究

为有效地对工厂化水产养殖进行指导和管理,解决实际生产中水温数据预测精度低、稳定性差等问题,在分析水温影响因素的基础上,通过天气指数的计算对传感器采集的异常数据进行校正,进而提出一种遗传算法（GA）结合改进极限学习机（ELM）的池塘水温预测模型（GA-ELM）。在模型建立的过程中,采用Softplus对传统ELM的激活函数进行改进,在GA算法获取ELM最佳初始权值和偏置参数的基础上,对实现数据校正的池塘水温数据进行预测。将GA-ELM与BP神经网络和标准ELM网络模型进行对比,GA-ELM的预测指标MAE、MAPE和RMSE分别为0.1543、0.0054和0.1876,实验结果表明,GA-ELM模型有较好的预测性能,能高效、稳定地实现水温的预测。     

基于FAM-ELM股票价格预测研究

研究股票价格准确预测问题.股票价格预测是股票交易者最关心的问题,直接影响着股票交易者的收益.由于股票受经济发展的影响,价格波动较大,在股票价格预测中采用传统神经网络方法存在训练速度慢,易陷入局部极小值,隐含层节点数人为指定等问题,导致泛化能力受到影响,预测不准.为了提高股票价格预测的精度,提出基于因子分析法的极限学习机股票价格预测模型.首先使用因子分析法综合股票价格影响指标;接着使用隐含层神经元数量寻优算法搜索最优隐含层神经元数量值;然后使用极限学习机对综合后的股票价格影响指标进行学习,建立股票价格预测模型;最后通过实验对模型性能进行测试.试验结果证明,基于因子分析法的极限学习机提高了股票价格的预测精度和运行效率.     

基于FNN的水泥回转窑分解炉温度控制

在水泥工业中,窑尾分解炉温度是一个重要的工艺参数,它的稳定对整条水泥生产线的稳产、高产和节能具有重大影响.用建立对象模型的传统控制方法实现对分解炉温度的控制非常困难,因此提出了一种基于模糊神经网络的温度控制方法,将模糊控制技术与神经网络技术相结合,用神经网络表示模糊控制规则,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到模糊隶属函数和模糊规则的目的.Matlab仿真试验结果表明,模糊神经网络用于回转窑分解炉温度控制可以取得比较好的控制效果.这一点在水泥厂实际生产应用中也得到了验证.     

基于ELM神经网络软件在线失效预测

提出了一个软件在线失效预测模型,以Musa的数据为实验数据,基于ELM算法的神经网络构建模型,以部分Masu的数据集作为神经网络的训练数据,把余下部分数据作为对模型的测试数据。因此数据主要分为两部分,分别为训练数据集和测试数据集,比例为6：1。通过实验结果表明,提出失效预测模型的预测值与实际值的平均误差在14．03％,相对于BP神经网络模型具有很大的提升。     

基于改进极根学习机的回转窑煅烧带温度预测方法

针对传统算法预测回转窑煅烧带温度存在精度低、速度慢的问题,提出了基于改进极限学习机(ELM)的回转窑煅烧带温度预测方法;对ELM输入权值矩阵定义了变换系数,采用黄金分割法在给定区间内搜寻变换系数的最佳值,改进了ELM网络参数的确定方式,弥补了随机确定输入权值并且不作调整的缺陷,在保证ELM训练速度的前提下提高预测精度、减小模型随机性;实验结果表明,改进的ELM预测精度高、训练速度快、模型性能优,可满足工况恶劣的回转窑的生产需要.     

基于对称二维主成分分析的人脸识别

提出一种基于人脸直观上镜像对称的算法--对称二维主成分分析,并成功应用于人脸识别.该算法引入镜像变换,根据奇偶分解原理,分别生成奇偶对称样本,再分别进行二维PCA变换,生成奇偶本征空间.根据选择性集成的思想,从奇偶本征空间挑选出更具有鉴别信息的本征向量构造人脸特征提取的本征空间.提取人脸图像的各奇偶对称的二维主成分特征进行识别.理论分析与实验证明,该算法既扩大样本容量,又提高识别率,同时该算法对光照变换有一定的不敏感性.     

基于二维主分量分析的面部表情识别

提出了一种直接基于图像矩阵的二维主分量分析(2DPCA)和多分类器联合的面部表情识别方法。首先利用2DPCA进行特征提取,然后用基于模糊积分的多分类器联合的方法对七种表情(生气、厌恶、恐惧、高兴、中性、悲伤、惊讶)进行识别。在JAFFE人脸表情静态图像库上进行实验,与传统主分量分析(PCA)相比,采用2DPCA进行特征提取,不仅识别率比较高,而且运算速度也有很大的提高。     

基于模块化2DPCA和CSKDA的人脸验证

针对客户相关的核判别分析（CSKDA）对图像列向量进行处理数据维数大、计算复杂,对图像整体处理没有考虑到局部特征等缺点,提出M2DPCA和CSKDA结合的方法。新方法对二维数据进行分块后采用2DPCA抽取局部特征,施行CSKDA,不仅考虑了类内、类间的差异,而且可以较好地描述不同个体人脸间的差异性。在XM2VTS和ORL人脸库上的实验结果表明,该方法在验证效果上优于CSKDA方法。     

基于词袋模型和极限学习机的轴承故障诊断

特征提取为设备故障诊断的关键步骤,现有特征提取主要基于时域、频域和时频域方法,但在噪声大、混合故障多发、变转速等复杂工况下应用受限.提出一种基于词袋模型(BoW,bag of words)的振动信号故障诊断方法.该方法改变了传统基于一维信号进行故障诊断的模式,首先将一维振动信号转换成二维灰度图像信号,结合图像处理的方法来实现故障诊断.同时针对一维振动信号升维的过程中忽略了信号的空间特性这一不足,引入极限学习机对算法优化,并以滚动轴承为研究对象验证了方法的有效性.     

基于ELM和证据理论的纹理图像分类

目前纹理图像分类有不同的方法,但对纹理的描述还不够全面,而且当有新方法提取的特征加入时,系统的可扩展性也不够,通用性不好。本文针对上述问题提出了一种将D-S证据理论与极限学习机相结合的决策级融合模型,用来对纹理图像进行分类。采用三种不同方法来提取特征以获得更多更全面的纹理表现形式,并对提取的每种特征向量用极限学习机建立相应的分类器,最后用D-S证据理论在不确定性表示、度量和组合方面有着的优势来进行决策级融合。对于证据理论中基本概率赋值函数(BPAF)难以有效获取的问题,由于极限学习机具有学习速度快,泛化性能好的优点并且产生唯一的最优解的优点,所以利用其来构造其基本概率赋值函数。实验结果表明这种方法比单个分类器具有更高的识别正确率,降低了识别的不确定性。