基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

循环流化床入炉垃圾热值软测量

面对城市生活垃圾(MSW)的热值(HVs)难以实时测量的现状,构建基于减法聚类的自适应模糊神经网络(ANFIS)的入炉垃圾热值软测量模型.针对循环流化床(CFB)生活垃圾焚烧炉的工艺特点,选择模型的输入变量;依据专家经验对样本的热值进行模糊分类;利用减法聚类(SC)算法对训练样本进行分析,自适应地确定初始模糊规则和模糊神经网络的初始结构参数;结合最小二乘估计法和误差反向传播算法对模糊神经网络的参数进行学习,构建自适应神经模糊推理系统,完成CFB生活垃圾焚烧锅炉入炉垃圾热值的软测量建模.对比研究BP神经网络、RBF神经网络和支持向量机模型在垃圾热值预测方面的表现,结果表明:基于减法聚类的模糊神经网络模型具有最高的预测精度.预测值和实际垃圾热值的比较结果证明:模糊神经网络模型能够表征垃圾热值的整体变化趋势,可以对循环流化床垃圾焚烧锅炉的运行、控制和管理起到指导作用,并且能够为循环流化床生活垃圾焚烧锅炉的燃烧自动控制(ACC)系统提供可靠的热值反馈信号.     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模

飞灰含碳量是影响锅炉热效率的一个重要因素,是评价燃烧好坏和锅炉优化运行的重要指标。利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。针对模型输入变量之间存在强耦合、非线性等特征,采用核主元分析(KPCA)提取变量的特征信息以有效处理非线性数据。应用该模型对某300MW四角切圆燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模具有更好的推广能力。     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

基于滤波和递推的Hammerstein非线性系统估计与控制（英文）

本文提出一种基于滤波和递推的含测量噪声的Hammerstein系统参数估计与工业控制方法。Hammerstein非线性系统由神经模糊模型和线性状态空间模型组成,并利用由阶跃信号和随机信号组成的混合信号估计Hammerstein系统参数。首先,利用阶跃信号不激发静态非线性系统的特性,即Hammerstein系统的中间变量与输入具有不同幅值的阶跃信号,从而未知的中间变量可以利用输入替代,解决了中间变量信息不可测量问题。因此,基于设计的阶跃信号,利用递推增广最小二乘（RELS）算法估计状态空间模型参数。其次,为了有效处理测量噪声的干扰,引入数据滤波技术,并利用滤波RELS算法和聚类算法估计神经模糊模型参数。最后,利用Hammerstein系统的特殊结构,将非线性系统控制简化为线性系统控制,从而利用线性控制器进行控制。通过两个工业仿真案例验证了所提方法和控制策略的有效性和可行性。     

基于MATLAB的高速公路软基处理模糊决策系统

首先讨论了高速公路软基处理的决策过程和MATLAB-FIS的建模方法，在对高速公路软基处理决策问题进行系统分析的基础上，建立了基于MATLAB-FIS Tool的高歌公路软基处理模糊决策系统模型结构，利用隶属度函数编辑器建立了输入和输出变量的隶属函数，利用规则编辑器建立了推理规则。结合苏嘉杭高速公路江苏段软基处理工程进行了实例研究，得到了满意的结果。     

基于自适应共振理论的结构损伤识别

目的基于自适应共振理论,提出一种基于ART2神经网络的结构损伤识别方法,以实现结构损伤识别的自主学习.方法采用一种改进算法来解决ART2方法中对输入矢量必须是非负实数的要求,并通过主成分分析方法对网络的输入矢量进行降维处理.结果通过对健康监测基准问题模型的计算表明,所采用的改进算法使得网络的输入扩展到整个实数域,且主成分分析方法有效地降低了输入矢量的维数,减少了网络的学习训练时间,从而提高了网络的泛化和判别决策能力.结论基于ART2神经网络的结构损伤识别方法具有自组织、反馈式增量学习机能,能够在不破坏原有记忆样本的情况下,学习新的样本,可以在较强噪声环境下快速准确地识别损伤,适宜于结构损伤的在线监测.     

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。     

机载多输入多输出雷达局域化降维杂波抑制方法

针对机载多输入多输出雷达杂波抑制问题,提出一种新的降维空时自适应处理方法.首先,通过空域发射-接收两维固定波束形成和时域多普勒滤波将雷达接收数据由阵元-脉冲域变换到波束-多普勒域,然后再选取检测单元周围若干个三维波束并根据线性约束最小方差准则进行部分联合自适应处理.仿真结果表明,这种算法能大幅降低运算量和对样本数目的要求,且性能优于已有的经典降维空时自适应处理方法.     

基于IPO功能分解的嵌入式软件故障树分层构建方法

针对嵌入式软件需求阶段的安全性分析方法中故障树分析缺少构建方法的问题,结合嵌入式系统的特点,提出了一种故障树分层构建方法.为构建各功能层内部的故障树,提出了基于IPO的功能分解法,采用失效模式与影响分析方法对分解的各部分功能进行影响分析,以确定构建故障树的建树元素,并提出了功能层内部故障树构建的框架模型与各功能层故障树的层次关系,实现了部分故障树构建的自动化,提高了故障树构建的完整性、准确性与效率.在某型号发动机控制软件的安全性分析中,应用上述方法指导该嵌入式软件故障树的构建与分析,验证了该方法的可行性和有效性.     

基于输出误差预测的模糊预测PID控制及应用

针对实际工业过程中普遍存在的非线性特性,采用T-S模糊模型来描述复杂的非线性系统.利用模糊聚类算法在线竞争学习模糊规则的输入区域中心,并按预先规定的规则之间的重叠度在线确定每条规则的输入区域半径,而模糊规则结论中的参数则由递推最小二乘(RLS)算法得到,得到的模糊局部线性化模型作为每个时刻的受控自回归积分滑动平均(CARIMA)模型.结合广义预测控制(GPC)的思想和有限脉冲响应滤波器,提出了一类新型的模糊预测PID控制器的实现方法,解决了一般预测PID控制器设计当中对系统模型阶次的限制问题.仿真算例说明了该方法的有效性和实用性.     

改进的稀疏网格配点法对EIT电导率分布的不确定性量化

针对电阻抗成像（EIT）研究中电导率分布的不确定性问题,提出基于灵敏度分析的改进稀疏网格配点法以量化不确定性.以4层同心圆头模型为算例,采用基于方差的全局灵敏度分析法对其进行分析,发现各层电导率的变化对输出电位的影响程度各不相同.考虑模型中各维输入变量对输出结果不同程度的影响,改进传统稀疏网格配点法.改进方法对各维输入变量配置不同的精度水平,将EIT模型的隐式表达式转化为显式表达式,构造出高精度的替代模型.与蒙特卡洛（MC）法、混沌多项式展开（PCE）法和传统稀疏网格配点法相比,改进方法能够以更少的计算成本获得较高精度的量化结果.仿真结果验证了所提改进方法的高效性.     

一种改进的向量空间降维方法

对传统向量空间模型的变量加以改进,通过采用线性子空间方法和独立分量分析方法(ICA)来解决向量空间的降维问题:通过特征词提取,把每个文档与其文档特征向量一一对应;采用ICA对文档特征向量做进一步处理,利用统计的方法寻找特征词之间的语义结构,使向量组合的表示形式具有直观的语义解释,在提取更好的数据分布特征的同时有效地降维...     

变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

Angular velocity dynamics identification of small unmanned helicopter using fuzzy model

Attitude identification method for unmanned helicopter based on fuzzy model at hovering is presented.The dynamical attitude model is considered as basis for attitude control and it is very complex.To reduce the complexity of model,nonlinear model of unmanned helicopter with unknown parameters are to be determined by fuzzy system first and then derivative based gradient method is used to identify unknown parameters of model.Gradient method is used due to ability that fuzzy system is not necessarily to be linear in parameters,therefore all fuzzy sets for input and output can be adjusted.The validity of the proposed model was verified using experimental data obtained by the commercially available flight simulator X-Plane.The simulation results showed high accuracy of the modeling method and attitude dynamics data matched well with experimental data.     

一种基于粗集的模糊系统设计方法

利用粗糙集理论可以高效地进行属性约简和规则提取，并且在规则提取过程中能自动的生成各规则的强度，针对模糊系统设计过程中输入变量的约简、模糊规则难以提取等问题，将粗糙集理论与模糊集理论相结合，提出了一种基于粗集设计模糊系统的方法，并给出了具体的设计过程；最后给出了该设计方法的应用，结果表明了该设计方法的有效性．     

多变量非线性系统的有约束模糊预测控制

针对多变量非线性系统提出了一种带约束输入的广义预测控制(GPC)算法.首先对多变量非线性系统建立T-S模糊模型,利用模糊聚类算法和正交最小二乘算法对输入变量的模糊划分及后件部分的参数分别进行辨识,然后在每个采样点对系统进行局部动态线性化.根据得到的系统线性化模型设计GPC算法,该算法充分考虑了控制输入及其增量受约束的情况,而且不必求D iophantine方程,大大减小了计算量.仿真结果表明该算法能保证系统输出有效跟踪设定值,而且控制输入和控制增量均在其约束范围之内.     

基于Crank-Nicolson差分法的KdVB方程有限元解的误差分析

讨论了KdVB方程近似解的误差估计.首先,利用Crank-Nicolson差分法对KdVB方程的时间变量进行离散,由此得到了KdVB方程全离散的H¹误差估计.其次,基于特征正交分解(POD)方法得到了KdVB方程的降维模型;最后,根据Crank-Nicolson差分法对降维模型的时间变量进行离散,由此得到了降维模型的H¹误差估计.