基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．     

支持向量机在铁水硅含量预报中的应用

支持向量机是基于统计学习理论发展而来的一种机器学习算法,它能较好地解决非线性、高维数、小样本、局部极小点等实际问题。本文提出了使用最小二乘支持向量机模型预测高炉铁水硅含量的方法,以山东莱钢1号高炉在线采集数据作为应用案例。结果表明最小二乘支持向量机模型预测高炉铁水硅含量命中率可达到85%以上。     

基于支持向量机的铁水硅含量的预测

为了准确预测高炉炼铁过程的硅含量,分析了高炉工艺参数对高炉铁水硅含量的时序性影响,以支持向量机理论为基础构建了2类铁水硅含量预测模型,即硅含量模型和硅变化量模型。利用首钢迁钢3号高炉铁水硅含量数据进行模型测试,测试结果表明2类模型预测命中率均可达到80%。     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

基于最小二乘支持向量机的机组能耗曲线拟合

电厂能耗曲线的拟合不仅是进行机组优化的前提,而且对于检测机组的稳定性和可靠性都具有重要意义.首先用模糊聚类算法对大量数据进行分类整理,从中找出最能反映机组稳定运行时的一些数据,然后利用最小二乘支持向量机回归理论对能耗曲线进行拟合.通过对贵州某电厂的能耗曲线进行实际拟合,表明此方法速度快,误差小,拟合精度高,可以满足实际需求.     

基于最小二乘支持向量机的混合煤气加压过程在线预测

针对混合煤气加压过程具有非线性、多变量耦合、大滞后及不确定参数众多等复杂特性,提出了一种基于最小二乘支持向量机(least squares support vector machine, LSSVM)模型的混合煤气加压过程在线预测方法。首先,基于某钢厂混合煤气加压工艺分析,选择以混合后煤气压力、风机出口总管压力以及工作机组电流为混合煤气加压过程的预测目标;然后,将局部多项式核函数与全局拉普拉斯核函数相结合,实现了一种兼顾学习能力和泛化能力的混合核函数,并将自适应时刻估计(adaptive moment estimation, Adam)算法用于基于LSSVM预测模型的参数在线优化;最后,基于现场实测数据对预测效果进行验证,结果表明,本文所设计方法可有效提高混合煤气加压过程预测模型的预测精度。     

基于改进K近邻和最小二乘支持向量机的钢铁蒸汽管网压力预测

针对钢铁企业蒸汽管网压力变化波动大且存在流量数据随机缺失和异常等因素导致的难以对蒸汽系统进行实时有效调度的问题,提出了一种基于数据填补-最小二乘支持向量机(least squares support vector machine, LSSVM)的蒸汽管网压力预测方法。首先利用基于近邻噪声处理的K近邻缺失数据填补算法(eliminate neighbor noise K-nearest neighbor, ENN-KNN)对蒸汽流量原始数据进行异常点和缺失点填补,以降低数据中的异常点干扰;然后通过选取影响蒸汽管网压力的主要蒸汽发生和使用用户,包括煤精、海水淡化、烧结、干熄焦和炼钢等,利用LSSVM算法建模,对蒸汽管网压力进行预测。试验结果表明,基于本文所提方法的钢铁企业蒸汽管网压力的预测精度高、建模速度快,具有良好的抗干扰性和实用性,可以为蒸汽的合理调度提供科学的理论依据。     

一种基于最小二乘支持向量机法的常见废弃塑料分类方法

将最小二乘支持向量机法(LS_SVM)应用于中红外光谱分析,建立一种新的对常见废弃塑料进行分类的方法.依据不同类别的塑料在红外波段具有不同的特征吸收峰,采用LS_SVM方法对塑料的中红外光谱数据进行处理,并与全局相关法、系统比较法进行比较.实验结果表明,LS_SVM进行分类的正确率为0.92.与全局相关法和系统比较法相比,LS_SVM分类正确率较高,其解决小样本问题效果显著,可应用于常见废弃塑料的分类.     

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解(EMD)和加权最小二乘支持向量机(WLS-SVM)预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中.对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测.预测给出了采空区塌陷的中长期预测结果.得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%.对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机(LS-SVM)和BP神经网络预测结果进行了对比.结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性.     

基于主成分分析与遗传算法-支持向量机的喷溅预测方法

针对冶炼过程喷溅特征提取及喷溅预测困难的问题,提出基于小波包变换与主成分分析的优化参数模型的支持向量机喷溅预测方法。该方法经小波包变换将冶炼喷溅的噪声和氧枪振动信号分解为不同频带的信号。由于不同频带的信号出现相互干扰和堆叠,因此通过主成分分析将频带能量降维分离成不同频带,进而将这些处理后的信号作为喷溅特征向量。对支持向量机模型参数(C、g)进行遗传算法优化,通过支持向量机对喷溅的分类及预测,验证了该方法的有效性。实验结果表明：经小波包变换和主成分分析获得的特征信号能够准确地反应喷溅特征,提出的支持向量机方法具有较好的分类性能,喷溅预测准确率较高。     

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

Application of grey relational analysis and extreme learning machine method for predicting silicon content of molten iron in blast furnace

ABSTRACT

Controlling the molten iron temperature plays an important role in the iron and steelmaking industry. The change of silicon content is adopted to reflect the temperature, however , the prediction of silicon content has been one of the hot and difficult problems. In this paper, a new model based on gray relational analysis (GRA) and extreme learning machine (ELM) is developed. Firstly, the GRA is used to get the high correlation indexes with the silicon content. Then the relevant indicators are taken as input and the silicon content is taken as output. The ELM model is constructed and the model is trained. Based on this, the silicon content is predicted. The results show that the hit rate reaches 87%(the error is less than 0.10). Compared with the traditional backpropagation or radial basis function neural network , this model has higher hit rate and faster running speed.     

基于核主元分析法和支持向量机的人耳识别

对人耳识别中若干关键问题进行了研究.介绍了两种人耳图像归一化处理的方法,即基于外耳轮廓长轴的线标记法和基于外耳轮廓起始点的点标记法,并对这两种方法进行了对比.在分析现有人耳识别方法不足的基础上,提出利用核主元分析法提取人耳图像的代数特征,再利用支持向量机分类模型进行人耳识别.在带有角度、光照变化的北京科技大学人耳图像库上得到的识别率为98.7%,表明了该识别方法的有效性以及利用人耳图像进行身份识别的可行性.     

主成分分析结合极限学习机辅助激光诱导击穿光谱用于铝合金分类识别

随着我国社会发展,废旧产品的数量迅速增长,废旧铝随之大量产生。铝是优良的再生资源,传统分选技术不能将废旧铝按各自的成分牌号进行精细分类,导致很多优质铝资源被降级使用,造成巨大的浪费。研究了主成分分析(PCA)结合极限学习机(ELM)算法辅助激光诱导击穿光谱(LIBS)技术在铝合金分类识别方面的应用。选用2种系列的4个牌号铝合金作为实验样品,通过LIBS技术激发实验样品获得420组光谱数据。对原始光谱数据进行了预处理,并选取样品铝合金中5种主要差异元素(Mg、Mn、Cu、Fe和Si)的21条特征谱线构成了420×21的光谱数据矩阵,通过主成分分析对光谱数据进一步降维,使得模型输入变量从21个降至8个。选取120组光谱数据作为训练集,建立了基于极限学习机的铝合金分类模型,余下300组数据作为测试集。研究发现在主要非铝元素(Mg、Mn、Cu、Fe和Si)含量差异只有0.002 1%～3.68%的情况下,PCA-ELM分类模型的平均识别准确率达到98.01%,标准差为0.82%,建模时间为0.081s。结果表明,PCA-ELM分类模型有着很高的效率及稳定性,将其与LIBS技术结合可以适用于工业...     

铁水w（Si）对高炉碳排放量的影响

高炉炼铁排放CO2是钢铁行业温室气体排放的主要来源,CO2的产生与高炉内众多条件相关。应用物料平衡计算与热平衡计算,根据国内某高炉原料条件与冶炼参数,主要计算分析铁水w（Si）对焦比、碳排放量的影响,得出了定性定量的关系：在本文的计算条件下,铁水w（Si）每升高0.1%,焦比吨铁增加4.54 kg,碳排放量吨铁增加7....     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于主成分分析的BP神经网络模型在铁矿产地溯源中的应用

铁矿在国家工业生产中占有重要地位,不同产地的铁矿在品质、有害元素含量上存在差异,为了提高海关对进口铁矿是否存在瞒报产地、以次充好等潜在风险的识别预警能力,尝试借助人工智能的方法来解决。以澳大利亚、巴基斯坦、巴西、南非、乌克兰和印度6个国家进口的共1 072批铁矿样品为研究样本,依据国家标准、行业标准对Hg、F、Cl、S、全铁(TFe)、SiO₂、Al₂O₃、P、H₂O、烧失量(L.O.I)、K₂O、TiO₂、MgO、CaO和Mn等15个指标进行检测。通过主成分分析提取了5个有效的主成分,累计方差贡献率为77.481%。以主成分分析提取的5个主要因子作为神经网络的输入指标,6个不同原产地作为输出指标,随机选取1 072组检测数据中的80%作为训练集,用以建立分析模型;剩下的20%作为验证集,用以验证模型的预测准确度,验证集识别准确率为100%,能够实现对6个国家铁矿原产地的准确识别。该模型的建立将直接应用于进口铁矿的产地鉴别,支撑进口铁矿的风险监管,维护贸易秩序,保障贸易便利。