基于混沌果蝇优化最小二乘支持向量机的秸秆发酵过程软测量建模

针对秸秆发酵制取燃料乙醇过程的关键参量乙醇质量浓度难以用传统物理传感器实时在线测量,给发酵过程的监测与控制带来困难这一难题,采用混沌果蝇优化算法( chaos fruit fly optimization algorithm,CFOA)优化最小二乘支持向量机( least square support vector machine,LSSVM)的关键参数,避免了普通交叉验证法选取参数的耗时性和盲目性,建立混沌果蝇最小二乘支持向量机软测量模型,实现乙醇质量浓度的在线实时测量.实验仿真表明：基于CFOA的LSSVM模型平均误差为4.55%,明显优于LSSVM模型,表明该软测量建模方法预测能力强,测量精度高.     

非线性部分最小二乘方法的研究与应用

该文将部分最小二乘算法与径向基函数神经网络相结合,给出了一种非线性部分最小二乘建模方法,可以更加有效地处理过程非线性和数据共线性等复杂特性,提高模型的精度和推广能力。该方法在确定径向基函数神经网络的隐节点时,采用了一种改进型的k-均值聚类算法来自动确定最优的聚类区数。对煤气化炉合成气组分浓度软测量建模的应用结果表明,采用该方法建立的软测量模型在模型精度和推广能力等方面明显优于二次型多项式部分最小二乘方法建立的模型,并且计算精度满足工业生产的实际要求。     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法.该算法仅从已知的输入输出数据中,就能快速确定模糊规则的数目;给出了模糊规则中参数的确定方法,用误差反传法优化参数;最后用该方法对聚酯的酯化率建立软测量模型.仿真结果表明该方法运算速度快,模糊规则较少,同时具有的良好泛化性能,能够满足软测量建模精度的要求.     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法．该算法仅从已知的输入输出数据中，就能快速确定模糊规则的数目；给出了模糊规则中参数的确定方法，用误差反传法优化参数；最后用该方法对聚酯的酯化率建立软测量模型，仿真结果表明该方法运算速度快，模糊规则较少，同时具有的良好泛化性能，能够满足软测量建模精度的要求。     

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.     

分段最小二乘支持向量机的故障诊断

在啤酒发酵过程中,为了建立精准的传感器温度故障诊断模型,在标准支持向量机(SVM)的基础上提出了分段最小二乘支持向量机的方法,该方法首先利用模糊C聚类(FCM)对样本进行聚类分析,达到划分发酵阶段和建立局部模型的目的,然后采用最小二乘支持向量机(LSSVM)的方法对各类样本进行建模。实验结果表明,使用该方法建立的啤酒发酵过程温度故障诊断模型具有较高的准确性。经过比较,该方法建立的模型的泛化能力要强于其他SVM方法建立的模型。     

模糊C均值聚类在萃取精馏塔软测量中的应用

丁二烯萃取精馏过程中 ,副产品抽余液 (BBR)的质量 (丁二烯含量 )和很多工艺参数有关 ,工艺参数之间又是相互关联、耦合的 ,并具有噪声。应用主元分析法 (PCA)将这些工艺数据进行压缩和抽提 ,解决了工艺参数间的相关问题 ,同时去掉了一些信息量不大 ,并带来噪声的主成分。用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集 ,每一子集用径向基函数 (RBF)网络进行训练来获得子模型 ,然后用模糊聚类产生的隶属度将各子模型的输出加权求和得到BBR中顺丁烯的含量 ,由顺丁烯的含量来估计丁二烯含量。结果表明 ,这种软测量算法具有较好的建模效果 ,由于采取了数据分组训练 ,大大节省了建模的训练时间 ,比单纯的基于神经网络的方法要快得多。这种方法有很好的泛化结果和预报精度 ,对工艺操作具有指导意义     

基于SOMK算法的T-S模糊系统建模方法

针对T-S模糊系统建模中的结构辨识和参数辨识问题,以自组织特征映射SOM算法与K-means算法相结合的SOMK算法对输入样本进行聚类,同时以Davies-Bouldin(DB)指标来验证聚类的有效性,得到最佳聚类数即为T-S模糊系统模型的规则数。然后用所得模糊规则数和聚类中心来辨识T-S模糊系统模型前件参数进而采用最小二乘算法来确定模糊推理规则的后件参数。最后,用仿真实例验证了文中所提出的建模方法与相应算法。仿真结果表明,该方法逼近精度高,泛化能力强,具有较好的实际应用价值。     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

粗集理论在萃取精馏塔软测量中的应用

丁二烯萃取精馏过程中，副产品抽余液(BBR)的质量(丁二烯含量)和很多工艺参数有关，工艺参数之间又是相互关联、耦合的，并具有噪声。应用粗集方法将这些工艺数据进行压缩和抽提，解决了工艺参数间的相关问题，同时去掉了一些信息量不大，并带来噪声的成分。用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集，每一子集用径向基函数(RBF)网络进行训练来获得子模型，然后用模糊聚类产生的隶属度将各子模型的输出加权求和得到BBR中顺丁烯的含量，由顺丁烯的含量来估计丁二烯含量。结果表明，这种软测量算法具有较好的建模效果，由于采取了数据分组训练，大大节省了建模的训练时间，比单纯的基于神经网络的方法要快得多。