基于GMM核的LS-SVM真核启动子模型

由于真核启动子DNA序列结构复杂、数据量巨大,启动子序列辨识一直是一个难点。首先对真核启动子序列寡核苷酸位置分布特征进行高斯混合模型建模,能够将出现频率少但重要的基序提取出来。并将高斯混合模型作为真核启动子最小二乘支持向量机分类器中的核函数,将最小二乘支持向量机模型简化为最小二乘模型,计算量减少。辨识结果表明,该算法的辨识精度优于贝叶斯辨识算法,和RBF核LS-SVM相比,辨识精度基本相同,建模时间略有缩短。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

基于Matlab/Simulink的气体分离装置多变量预测控制

依据丙烯精馏塔的工艺流程,介绍丙烯精馏塔机理模型和辨识模型的构建方法,并通过系统辨识方法得到了被控对象的多输入多输出模型。介绍预测控制及其算法的基本原理,通过编写基于状态空间模型的单步预测控制算法,对丙烯精馏塔进行多变量预测控制仿真,比较了预测控制算法对可测干扰,不可测干扰的抑制作用。     

基于核偏鲁棒M-回归的间歇反应过程混合模型辨识

提出了一种混合模型两步辨识策略,用以解决间歇反应过程的建模问题,并能够有效融合先验知识及过程数据信息。该策略将混合模型的同步辨识分解成为两个独立的步骤,首先确定混合模型的结构,并利用Tikhonov正则化方法实现间歇反应过程反应速率的精确估计;接下来采用核偏鲁棒M-回归(kernel partial robust M-regression,KPRM)算法建立过程变量与反应速率间的经验模型,从而有效抑制过程数据中离群点的影响。利用半间歇过程仿真实验对所提出的策略进行验证,获得了相比于传统方法更高的估计及预测精度。     

基于C-R模型的非线性系统模糊内模控制算法研究

针对大多数非线性系统的内模控制难以建立精确的对象模型和逆模型的问题,引入了基于C-R模型的非线性系统建模方法,并在此基础上研究基于C-R模型的非线性系统的模糊内模控制设计。由C-R模型的辨识递推算法获得对象模型和逆模型,并建立模糊内模控制算法。通过对连续搅拌反应釜控制系统的仿真表明,该控制方法有效、可行,具有良好的控制品质。     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

基于核熵独立成分分析的故障检测方法

传统核独立成分分析（KICA）依据特征值的大小进行降维,但是特征值大并不一定取得的信息熵贡献度也是最大的。针对这个问题,提出一种基于核熵独立成分分析（KEICA）的故障检测方法。将训练数据集投影在高维核空间,通过对数据信息熵的贡献大小选取核主成分,并建立独立成分分析（ICA）模型。对训练样本求{\mathit{I}}^{\mathrm{2}}和\mathrm{S}\mathrm{P}\mathrm{E}统计量,并利用核密度估计计算统计量的控制限。计算测试数据对训练数据的核矩阵,将其投影在ICA模型上并计算测试样本的统计量,统计量超出控制限的样本即可被识别为故障样本。将该方法用于非线性数值例子和Tennessee Eastman（TE）过程的故障检测,并与传统的核主成分分析（KPCA）、核熵成分分析（KECA）和KICA方法进行对比,表明KEICA的监测效果优于其他三种方法。     

时变大滞后系统的一种自校正控制方案

本文提出一种具有时变大滞后系统的自校正控制算法。根据时滞变化的先验知识,扩展系统模型的 B(q~(-1))多项式,避免了对时滞的显式辨识。辨识数据直接用于综合控制器,使系统的闭环极点为任意配置。数字仿真结果表明,该算法鲁棒性好,调节器设计简单,可以消除时滞变化对系统输出的影响,是一种较理想的工程控制器.     

基于最小二乘支持向量机的MIMO线性参数变化模型辨识及预测控制

将现有的面向单输入单输出系统的基于最小二乘支持向量机的参数变化模型辨识算法(SISO-LSSVM-LPV), 推广到多输入多输出系统, 实现了面向多输入多输出系统的基于最小二乘支持向量机的参数变化模型辨识算法(MIMO-LSSVM-LPV), 进一步结合基于遗传算法的预测控制算法(GA-MPC), 提出并实现了MIMO-LSSVM-LPV+ GA-MPC的建模控制一体化新架构。仿真结果表明, 该辨识算法可逼近复杂非线性MIMO系统, 辨识精度高, 并且保留了线性回归低计算量的优点, 结合了GA的MPC可实现最优控制量的在线实时寻优, 并取得了良好控制效果。     

基于2次核SVM的单步非线性模型预测控制

A support vector machine (SVM) with quadratic polynomial kernel function based nonlinear model one-step-ahead predictive controller is presented. The SVM based predictive model is established with black-box identification method. By solving a cubic equation in the feature space, an explicit predictive control law is obtained through the predictive control mechanism. The effect of controller is demonstrated on a recognized benchmark problem and on the control of continuous-stirred tank reactor (CSTR). Simulation results show that SVM with quadratic polynomial kernel function based predictive controller can be well applied to nonlinear systems, with good performance in following reference trajectory as well as in disturbance-rejection.     

基于核主角的故障检测方法

基于主元分析（PCA）的统计检测方法已经被广泛应用于各种化工过程的故障检测和识别.移动主元分析（moving principal component analysis,简称MPCA）算法基于PCA,根据主元子空间的变化来判断故障是否发生.然而,基于主元分析的统计检测方法是线性方法,无法有效应用于非线性系统.因此,提出一种适合于非线性系统的故障检测方法——基于核主角(kernel principal angle,简称KPA)的故障检测方法,其基本思想与MPCA相似,主要内容包括构建特征子空间和核主角测量两部分.TE过程故障检测仿真实验证明,基于核主角的故障检测方法优于传统的多元统计检测方法（cMSPC）和MPCA.     

Learning a data-dependent kernel function for KPCA-based nonlinear process monitoring

Kernel principal component analysis (KPCA)-based process monitoring methods have recently shown to be very effective for monitoring nonlinear processes. However, their performances largely depend on the kernel function and currently there is no general rule for kernel selection. Existing methods simply choose the kernel function empirically or experimentally from a given set of candidates. This paper proposes a kernel function learning method for KPCA to learn a kernel function tailored to specific data and explores its potential for KPCA-based process monitoring. Motivated by the manifold learning method maximum variance unfolding (MVU), we obtain the kernel function by optimizing over a family of data-dependent kernels such that the nonlinear structure in input data is unfolded in the kernel feature space and gets more likely to be linear there. Using the optimized kernel, the nonlinear principal components of KPCA which are linear principal components in the kernel feature space can effectively capture the variation in data, and thus the data under normal operating conditions can be more precisely modeled by KPCA for process monitoring. Simulation results on an simple nonlinear system and the benchmark Tennessee Eastman (TE) demonstrate that the optimized kernel functions lead to significant improvement in the performance over the popular Gaussian kernels when used in the KPCA-based process monitoring.     

基于改进核主成分分析的故障检测与诊断方法

针对传统基于核主成分分析的故障检测方法提取非线性特征时只考虑全局结构而忽略局部近邻结构保持的问题, 提出基于改进核主成分分析的故障检测与诊断方法。改进核主成分分析方法将流形学习保持局部结构的思想融入核主成分分析的目标函数中, 使得到的特征空间不仅具有原始样本空间的整体结构, 还保持样本空间相似的局部近邻结构, 可以包含更丰富的特征信息。在此基础上, 本文使用改进核主成分分析方法把原始变量空间映射到特征空间, 使用费舍尔判别分析在特征空间中构建距离统计量并通过核密度估计确定其控制限, 进一步利用相似度的性能诊断方法识别发生的故障类型。采用Tennessee Eastman过程故障检测数据集进行的仿真实验表明所提方法可以取得较好的效果。     

递归核PCA及其在非线性过程自适应监控中的应用

PCA、PLS作为常用的多变量统计监控算法,一般适用于线性、定常的过程。针对实际工业过程的时变、非线性特性,提出了一种递归核PCA（RKPCA）方法用于非线性过程的自适应监控。RKPCA算法通过将递归奇异值分解推广到核空间,给出了核形式描述的递归KPCA算法,运算复杂度比KPCA明显降低,保证非线性监控模型能够在线更新。在Alstom工业燃气发生装置上的自适应监控表明,所提出的RKPCA算法能够及时跟踪非线性过程的时变特征,保证了监控模型的有效性。     

基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模

乙烯裂解深度的建模与控制对于裂解炉的实时优化具有重要意义。针对石脑油原料组分复杂、油品特性波动大等状况,采用模糊核聚类对石脑油数据库进行最优划分,建立最小二乘支持向量机的多模型,对于最小二乘支持向量机中模型的参数选取,利用差分进化算法进行参数寻优,提高了模型的精度和泛化能力。通过对现场数据的建模实验,结果表明：基于模糊核聚类的乙烯裂解深度最小二乘支持向量机多模型跟踪性能良好,预测精度较高。     

Nonlinear dynamic process monitoring based on dynamic kernel PCA

Nonlinear dynamic process monitoring based on dynamic kernel principal component analysis (DKPCA) is proposed. The kernel functions used in kernel PCA (KPCA) are profitable for capturing nonlinear property of processes and the time-lagged data extension is suitable for describing dynamic characteristic of processes. DKPCA enables us to monitor an arbitrary process with severe nonlinearity and (or) dynamics. In this respect, it is a generalized concept of multivariate statistical monitoring approaches. A unified monitoring index combined T² with SPE is also suggested. The proposed monitoring method based on DKPCA is applied to a simulated nonlinear process and a wastewater treatment process. A comparison study of PCA, dynamic PCA, KPCA, and DKPCA is investigated in terms of type I error rate, type II error rate, and detection delay. The monitoring results confirm that the proposed methodology results in the best monitoring performance, i.e., low missing alarms and small detection delay, for all the faults.     

基于核PLS方法的非线性过程在线监控

针对过程监控数据的非线性特点,提出了一种基于核偏最小二乘（KPLS）的监控方法。KPLS方法是将原始输入数据通过核函数映射到高维特征空间,然后在高维特征空间再进行偏最小二乘（PLS）运算。与线性PLS相比,KPLS方法能充分利用样本空间信息,建立起输入输出变量之间的非线性关系。与其他非线性PLS方法不同,KPLS方法只需要进行线性运算,从而避免非线性优化问题。在对过程进行监控时,首先采用KPLS方法建立模型,得到得分向量,然后计算出T²和SPE统计量及其相应的控制限。Tennessee Eastman(TE)模型上的仿真研究结果表明,所提方法比线性PLS相似文献