基于溶液图像时序特征的元素组分含量动态监测系统

针对稀土萃取过程中组分含量难以实时监测以及现有组分含量检测方法耗时、耗内存的现状,设计了一种基于溶液图像时序特征的元素组分含量动态监测系统。首先使用图像采集装置获取萃取槽体溶液的时序图像,考虑萃取液颜色特性和单一颜色空间的不全面性,采用主成分分析（PCA）方法在HSI和YUV融合的颜色空间提取图像的时序特征,并结合生产指标构造基于鲸鱼优化算法（WOA）的最小二乘支持向量机（LSSVM）分类器来对工况状态进行判断。然后当工况处于非最佳状态时,在HSV颜色空间对图像提取颜色直方图和颜色矩特征,并开发以溶液图像间的混合特征差值的线性加权值为相似度度量的图像检索系统,从而获取组分含量值。最后进行镨/钕萃取槽体混合溶液测试,结果表明该系统能够实现元素组分含量的动态监测。     

基于静态设定和动态补偿的铈镨/钕萃取过程药剂量优化控制

针对目前稀土铈镨/钕萃取生产过程人工控制导致生产指标波动大的问题,提出一种新的药剂量优化控制方法.首先针对入矿条件各参数的重要程度不一样,采用特征属性加权的案例推理方法确定药剂量（萃取量和洗涤量）预设定值;然后根据铈镨/钕稀土溶液颜色与组分含量密切相关的特点,采用最小二乘支持向量机（LS-SVM）建立基于稀土溶液颜色的组分含量软测量模型,再根据软测量得到的组分含量与目标组分含量的差值,采用模糊推理技术补偿药剂量预设定值,实现稀土萃取过程组分含量的动态优化控制.试验结果表明本文方法的有效性.     

稀土萃取过程的广义预测解耦控制

考虑稀土萃取过程具有多变量、强耦合特性,提出一种基于广义预测解耦控制(GPDC)的稀土萃取过程控制方法.首先针对模型未知的强非线性稀土萃取过程,构建基于极限学习机的组分含量系统模型,并依据模型特点设计多个稀土萃取过程GPDC控制器;然后为降低各控制回路间的耦合性,在控制器的性能指标中引入校正策略,通过回路中模型预测值与...     

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.     

基于混合虚拟样本生成的铈镨/钕组分含量预测

针对稀土萃取过程进行质量监控时,存在采集样本重复率高、有效数据少的小样本问题,提出一种基于混合虚拟样本生成的稀土萃取过程组分含量预测方法.首先,以萃取现场的小样本为基础,采用中点插值法生成虚拟样本输出数据,再根据随机配置网络(SCN)中隐含层与输出层、输入层与隐含层间的映射关系,生成虚拟样本输入数据;鉴于这些虚拟样本仅能在邻近点产生,采用结合遗传算法(GA)的多分布趋势扩散技术(MD-MTD)生成优化的虚拟样本集进行补充.依据数据合理性原则,将虚拟样本与真实小样本进行融合,建立基于SCN的组分含量预测模型.铈镨/钕萃取现场数据验证和对比实验分析表明,所提出的方法能有效解决小样本问题,适用于稀土萃取过程组分含量监控.     

基于PSO-ELM算法的民航客运量预测

掌握民航客运量是航空公司在做重大科学决策和实施可行性计划的重要保障。为准确预测中国民航客运量的情况,引入了极限学习机(ELM),搭建民航客运量预测模型。建立了ELM神经网络最优结构,以此为基础,分别用粒子群算法(PSO)、遗传算法(GA)、差分进化算法(DE)对ELM的输入权值和隐含层阈值进行优化,降低了ELM随机生成参数的不稳定性。结果表明,PSO优化算法提高了ELM的拟合能力和泛化能力,预测精度也高于其他模型,为航空运输协调发展提供了可靠的依据。     

基于遗传算法和极限学习机的Fugl-Meyer量表自动评估

为实现脑卒中上肢居家康复评定的自动化和定量化,针对临床上最常用的Fugl-Meyer运动功能评定(FMA)量表,利用极限学习机(ELM)建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作,采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法(GA)和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。     

优化极限学习机的煤与瓦斯突出预测方法

为提高煤与瓦斯突出的预测精度、实现快速预测,提出了一种基于自适应天牛须搜索算法(ABAS)和极限学习机(ELM)的瓦斯突出预测模型ABAS-ELM。采用核主成分分析法(KPCA)对煤与瓦斯突出的高维、非线性特征进行提取,将提取后的主特征作为预测模型的输入,使用ABAS对ELM的输入权重和隐层偏差进行寻优,建立ABAS-ELM瓦斯突出预测模型,实现对瓦斯突出风险的预测。实验结果表明,与ELM、粒子群优化的极限学习机(PSO-ELM)和遗传算法优化的极限学习机(GA-ELM)预测模型相比,该方法在提高模型泛化能力和预测精度方面效果显著。     

基于GA优化ELM的船舶交通流预测模型

为了提高船舶交通流预测的效率和准确率,分析了船舶流量预测中的影响因素多、非线性、随机性等问题,建立了ELM(极限学习机)预测模型。同时为了避免极限学习机算法受输入权值矩阵和隐含层偏差随机性的影响,算法又采用GA(遗传算法)对极限学习机的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM船舶交通流预测模型。利用上海洋山港船舶流量对该模型进行了实例分析,通过MATLAB仿真进行预测,将GA-ELM模型与单纯的BP模型、ELM模型进行对比和分析,结果表明:GA-ELM模型具有更高的预测精度和效率,从而能够相对准确、高效地对船舶交通流量进行预测。     

基于遗传算法和极限学习机的Fugl-Meyer量表自动评估

为实现脑卒中上肢居家康复评定的自动化和定量化,针对临床上最常用的Fugl-Meyer运动功能评定（FMA）量表,利用极限学习机（ELM）建立了FMA量表得分自动预测模型。选取FMA肩肘部分中的4个动作,采用固定于偏瘫侧前臂和上臂的两个加速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。速度传感器采集24名患者的运动数据,经预处理和特征提取,基于遗传算法（Genetic Algorithm, GA）和ELM进行特征选择,分别建立单个动作ELM预测模型和综合预测模型。结果显示,该模型可对FMA肩肘部分得分进行精确的自动预测,预测均方根误差为2.1849分。该方法突破了传统评定中主观性、耗时性的限制及对康复医师或治疗师的依赖性,可方便用于居家康复的评定。     

基于改进的GRA-即时学习算法的镨/钕元素组分含量预测

针对现有稀土元素组分含量模型具有离线、时滞大、抗干扰能力弱等问题,提出一种改进的GRA-即时学习算法(GRA-JITL-LSSVM)建立稀土萃取过程组分含量在线检测模型.首先,采用灰色关联分析方法(GRA)分析输入输出变量之间的变化趋势和关联程度,采用哈希表确定学习集大小,确保数据相似度信息的完整性和学习集的合理性,据此建立最小二乘支持向量机(LSSVM)模型,并引入数据库更新准则,提高模型的抗干扰能力;然后,为了保证GRA-JITL-LSSVM模型参数的全局最优,提出一种带有停滞回溯策略的遗传算法(SBS-GA),并对SBS-GA的收敛性进行分析验证;最后,通过镨/钕萃取现场数据进行仿真实验,结果表明所提出SBS-GA算法能够保证寻优参数的全局解,所提出的GRA-JITL-LSSVM实时性高、预测精度好,可用于稀土萃取生产现场元素组分含量的在线检测.     

基于局部特征过滤的快速火焰图像识别方法

传统的基于物理信号的火焰识别方法易被外部环境干扰,且现有火焰图像特征提取方法对于火焰和场景的区分度较低,从而导致火焰种类或场景改变时识别精度降低。针对这一问题,提出一种基于局部特征过滤和极限学习机的快速火焰识别方法,将颜色空间信息引入尺度不变特征变换（SIFT）算法。首先,将视频文件转化成帧图像,利用SIFT算法对所有图像提取特征描述符;其次,通过火焰在颜色空间上的信息特性进一步过滤局部噪声特征点,并借助关键点词袋（BOK）方法,将特征描述符转换成对应的特征向量;最后放入极限学习机进行训练,从而快速得到火焰识别模型。在火焰公开数据集及真实火灾场景图像进行的实验结果表明：所提方法对不同场景和火焰类型均具有较高的识别率和较快的检测速度,实验识别精度达97%以上;对于包含4301张图片数据的测试集,模型识别时间仅需2.19 s;与基于信息熵、纹理特征、火焰蔓延率的支持向量机模型,基于SIFT、火焰颜色空间特性的支持向量机模型,基于SIFT的极限学习机模型三种方法相比,所提方法在测试集精度、模型构建时间上均占有优势。     

一种移动机器人视觉图像特征提取及分割方法

提出一种基于HSI(Hue-Saturation-Intensity) 颜色分量的颜色特征提取方法．该方法结合HSI 颜色 分量反映物体本质颜色的特点和直方图多阈值分类对图像内容的自适应优点,采用直方图多阈值分类方法量 化各HSI 颜色分量,组合量化后的颜色分量提取图像颜色特征．对该方法提取的视觉图像颜色特征进行聚类, 并对视觉图像进行分割;分割结果验证了本文所提颜色特征提取方法的有效性和可行性．针对颜色分量直方 图数据局部极大值引起的颜色分量过分类问题,提出一种通过修改极大值对之间的数据来去除颜色分量直方 图局部极大值的方法．该方法定量分析颜色分量直方图数据的分布特点,从而确定并修改颜色分量直方图数 据中的局部极大值．实验结果验证了该方法能够有效去除直方图数据局部极大值．     

基于多任务学习多目标优化的稀土元素组分含量与浓度多维度软测量

稀土混合萃取溶液中各元素组分含量的在线软测量是优化连续萃取生产过程、确保产品高纯化的前提.现有软测量方法可独立求解单个稀土元素组分含量,但忽略了多元素组分含量间或组分含量与其它相关因素(如浓度)间的共性.本文为探索多稀土元素组分含量间及组分含量与浓度间的共性,将多任务学习方法用于稀土元素组分含量软测量中.首先,构建多任务深度神经网络,提高模型的泛化能力和鲁棒性.其次,提出基于多目标优化算法的稀土多元素组分含量预测方法,通过搜索Pareto最优以提升各任务的预测精度.经多组对比实验表明,该方法在多元素组分含量或多元素组分含量与浓度同时训练时性能最佳,能满足稀土元素组分含量在线检测的精确性和实时性.     

基于LFDA和GA-ELM的高光谱图像地物识别方法研究

高光谱图像的高维特性和波段间的高相关性,导致高光谱图像地物识别问题研究中,面临着数据量大、信息冗余的问题,降低了高光谱图像的分类识别精度。针对以上问题,提出了基于局部保留降维（Local Fisher Discriminant Analysis,LFDA）结合遗传算法（Genetic Algorithm, GA ）优化极限学习机（Extreme Learning Machine, ELM）的高光谱图像分类方法。首先,采用LFDA对高光谱图像数据进行降维处理,消除信息冗余并保留局部邻域内主要特征;然后用GA优化ELM,对降维处理后的特征样本进行分类,提高高光谱图像的分类识别精度。将该方法应用于Salinas和Pavia University高光谱图像的地物识别问题研究,分类精度分别达到了98.56%和97.11%,由此验证了该方法的有效性。     

稀土萃取过程组分含量的神经网络软测量方法

Throught fusion of the mechanism modeling and the neural networks modeling, a component content soft-sensor, which is composed of the equilibrium calculation model for multi-component rare earth extraction and the error compensation model of fuzzy system, is proposed to solve the problem that the component content in countercurrent rare-earth extraction process is hardly measured on-line. An industry experiment in the extraction Y process by HAB using this hybrid soft-sensor proves its effectiveness.