基于改进LS-SVM的球磨机制粉出力软测量建模

针对火电厂双进双出钢球磨直吹式制粉系统出力较难直接测量的问题,本文在Suykens的最小二乘支持向量机(least squares support vector machine,LS-SVM)稀疏化算法的基础上,提出了一种更好的改进方式,并将改进后的LS-SVM算法对双进双出钢球磨直吹式制粉系统出力建立软测量模型,通过对算法改进前后模型仿真结果的对比分析可知,改进后的LS-SVM算法学习收敛速度更快,误差更小,更加适用于在线学习,并为制粉系统的在线优化控制打下了良好的基础。     

基于双自适应AIS-PSO的瓦斯浓度软测量模型

为解决煤矿单传感器瓦斯浓度预测精度不足的问题,将自适应人工免疫系统(AIS)与自适应粒子群(PSO)相结合,建立多参数并行双自适应AIS-PSO算法的瓦斯浓度软测量模型。通过分析煤矿井下环境参数对瓦斯浓度监测的影响,将矿井下温度及风速等环境参数作为软测量模型输入,上隅角瓦斯浓度作为模型输出。利用并行双自适应AIS-PSO算法对最小二乘支持向量机(LS-SVM)的核参数σ和正则化参数γ进行寻优,并与PSO-LSSVM、LS-SVM结果进行对比。结果表明:PSO-LSSVM平均相对误差为5.5083%,LS-SVM平均相对误差为8.6883%,并行双自适应AIS-PSO软测量模型的平均相对误差为2.0165%,最小相对误差为1.194%,与另两种方法相比具有较高的预测精度和泛化能力。     

基于网格聚类LS-SVM 的铝电解生产过程极距软测量

针对铝电解生产过程的复杂性,建立了基于网格共享近邻聚类（GNN）最小二乘支持向量机（LS-SVM）的铝电解生产过程极距软测量模型.该模型采用GNN算法将训练集分成具有不同聚类中心的子集,对各子集分别采用LS-SVM进行训练并建立子模型,同时通过参数转化实现模型对新数据样本的动态学习.仿真结果表明,基于GNN最小二乘方法建立的铝电解极距软测量模型具有精度高、泛化性能好等特点,能够为铝电解生产过程操作优化提供实时准确的信息.     

基于QGA-LSSVM的醋酸乙烯聚合率软测量建模

针对最小二乘支持向量机(LS-SVM)在建立醋酸乙烯(VAC)聚合率软测量模型过程中最优模型参数的选择问题,提出了利用一种量子遗传算法来自动选取LS-SVM模型正则化参数和核函数参数的方法;把LS-SVM模型参数的选择问题转化为优化问题,利用全局搜索能力强的量子遗传算法优化LS-SVM建模过程的重要参数,建立了基于QGA-LSSVM方法的VAC聚合率软测量模型;仿真结果表明:与已有的神经网络和支持向量机软测量方法相比,该模型泛化能力强,精度高,更有利于醋酸乙烯聚合率测量工程实际运用。     

一种改进的最小二乘支持向量机软测量建模方法

针对最小二乘支持向量机(LS-SVM)缺少支持向量所具有的稀疏性和模型参数值难以选择的问题,提出利用马氏距离进行样本相似程度分析,去除集中部分样本,以恢复最小二乘支持向量机的稀疏性的方法.同时,采用κ-折交叉验证误差作为学习目标的粒子群优化算法来选取模型参数,并利用改进算法建立了精馏产品浓度的软测量模型.通过仿真验证了改进算法的有效性.结果表明模型精度较高,泛化能力强,满足工业测量要求.     

基于LS-SVM的苹果近红外光谱回归模型的研究

提出了一种应用于苹果近红外光谱分析的LS-SVM回归模型;使用基于两层网格搜索的交叉验证算法确定LS-SVM的最优参数(γ,σ2),缩短搜索时间并提高了效率;针对LS-SVM稀疏性的缺乏和鲁棒性的不足,对模型进行优化训练.在不同方差的噪声下,通过优化训练模型的抗干扰能力明显强于常规训练模型;将优化后的LS-SVM模型应用于苹果酸度的预测,利用光纤光谱仪采集苹果近红外吸收光谱作为模型输入,使用酸度计测得苹果测量酸度值作为模型输出;实验结果表明,所建模型的相关系数和均方根误差为0.9615和0.0312,与MLR、PLR、ANN和常规LS-SVM模型比较,优化后的LS-SVM具有更好的回归性能.     

瑞米兹交替算法在语音分离上的应用

随着多媒体科技的不断进步,语音分离技术的利用越来越广泛,对此传统的FIR滤波器渐渐已经不能够满足越来越高的质量需求,该文介绍了一种基于瑞米兹交替算法(Remez)的优化FIR滤波器的设计方法,同时将此应用在语音分离滤波上,并给出了matlab下的设计结果。     

基于LS-SVM的软测量模型及其工业应用

最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种扩展,其算法简练,计算速度快;利用LS-SVM进行特征提取,可以有效地降低输入样本维数,缩减模型的运算时间,同时LS-SVM又具有优越的非线性回归能力;为实现氧化铝高压溶出过程中苛性比值在线测量,建立了一种基于LS-SVM的软测量模型,并将此模型应用于实际生产;工业数据的仿真结果表明该模型具有较高的预测精度和范化能力,能满足在线检测、实时控制的要求。     

催化剂颗粒浓度在线检测系统的研究与开发

基于Mie光散射理论,开发了石油炼化装置烟气催化剂颗粒浓度在线检测系统,采用了基于最小二乘支持向量机(least square support vector machine,LS-SVM)的软测量技术.利用LS-SVM优良的非线性映射和强大的泛化能力,建立了颗粒浓度的软测量模型,通过LS-SVM的学习和支持向量的自适应更新,实现催化剂颗粒浓度的最佳估计.仿真和实际运行结果表明所开发的监测系统可对烟气催化剂颗粒浓度进行有效测量,其测量精度比经验公式提高4.2倍.     

计算机超频结果测量值的预测算法

针对计算机超频结果测量值的估计问题,提出一种优化的LS-SVM回归模型解决方案;首先对CPU和显示卡超频的参数设置及主要结果进行了分析,并探讨了常用预测算法的不足,据此选择LS-SVM回归模型进行超频结果测量值的预测;然后设计了一种LCQPSO算法寻找模型参数的最优值,使模型的预测精度和泛化能力得以提高;经采集AMD FX-8350CPU的50组超频样本验证,该算法的预测误差比RBF神经网络降低了80%,表明了该算法的有效性。