基于CJS-SLLE降维与即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢中碳温的准确检测是终点判断的关键, 基于数据驱动的终点碳温软测量方法是一种有效途径, 但转炉炼钢生产过程数据存在高维度、非线性和数据波动大的问题. 针对这一问题, 本文提出一种降维与即时学习的终点碳温软测量(CJS-SLLE)算法用于过程数据的监督降维. 通过在距离度量中引入量化后的碳温标签信息, 从而构造了一种带有监督信息的度量方式实现类内类间方差的调整, 然后在带标签信息的基础上引入数据间方向信息, 从而实现了样本标签、方向和距离三者信息融合的一种新型(CJS)相似性度量策略, 应用到局部线性嵌入中获得高维训练样本低维坐标; 其次, 提出一种自适应局部线性投影策略用于无标签待测样本, 实现其低维坐标中同样包含标签信息; 最后, 根据即时学习算法选取样本子集建立偏最小二乘局部回归模型对终点碳温预测. 在实际转炉炼钢生产过程数据仿真下, 碳含量在±0.02%误差范围内预测精度达到90%, 温度在±10℃误差范围内预测精度达到87%     

基于过程监督的序列多任务法律判决预测方法

法律判决预测是人工智能技术在法律领域的应用,因此对法律判决预测方法的研究对于实现智慧司法具有重要的理论价值和实际意义。传统的法律判决预测方法大都是只进行单一任务的预测或仅基于参数共享的多任务预测,并未考虑各子任务之间的序列依存关系,因此预测性能难以得到进一步的提升。文中提出了一个端到端的基于过程监督的序列多任务法律判决预测模型,在建模各子任务之间的依存关系时,通过引入过程监督来确保依赖信息的准确性,从而提升序列子任务的预测性能。将所提模型应用到CAIL2018数据集上,取得了较好的分类效果,平均分类准确率比现有的state-of-the-art方法的准确率提升了2%。     

一种转炉炼钢过程中的软测量方法（英文）北大核心CSCD

基于实际工业数据的分析,针对氧气顶吹转炉炼钢过程,提出一种软测量建模方法。该方法的主要思想是为了实现转炉炼钢过程中的终点预测。为了更准确地预测终点温度和终点碳含量,结合最小二乘支持向量机和改进的粒子群算法被用来建立预测模型。改进的粒子群算法被用来优化模型的参数,使得模型具有一个更好的适应性。同时,采用基于事件驱动的策略,以加强模型的普适性。实验结果表明该软测量方法是有效的,并且能成功地应用于实际工业领域。     

基于深度学习的伺服系统状态预测算法

针对传统状态预测方法难以从伺服系统历史数据中有效提取特征的问题,提出一种基于深度学习的伺服系统状态预测算法。该算法利用长短时记忆网络LSTM(Long Short-Term Memory)从时序和特征参数两个维度在系统状态参数中提取数据特征。并在多任务学习MTL(Multi-task Learning)框架下将具有相同特征参数的预测任务整合到同一个模型当中,所有预测任务共享LSTM网络权重。在每一状态参数预测阶段,独立地引入注意力机制,以调节不同时刻、不同特征对所预测状态的影响。针对应用中预测参数的重要性不同,构建加权损失函数,以减小重要参数的预测误差。实验结果表明,该算法与传统LSTM模型、单任务模型STL-LSTM相比,预测误差平均降低40.9%、19.8%。     

基于混合禁忌搜索算法的随机车辆路径问题

转炉炼钢过程中碳温连续实时预报是终点控制的关键,针对过程数据波动影响炉次样本相似性度量进而造成建模困难、通用性差的问题,同时考虑炼钢过程数据存在的时间序列特性,提出一种自动聚类和计算待测样本后验概率的即时学习方法.首先,采用灰色关联度加权的模糊C聚类策略将历史库样本进行自动聚类;然后,利用混合高斯模型计算待测样本的后验概率确定关联度最大的样本集合;最后,度量出待测样本的最佳小样本子集,进而采用LSTM网络预测终点碳温.通过该方法对钢厂转炉炼钢生产过程数据进行验证,实验结果表明,按照炼钢的工艺要求,温度预测误差在$\pm 10^\circ$C的精确率为93.3%,碳含量预测误差在pm0.02的精精确率为90.0%.     

基于WKLSC-LWKL相似性度量策略的转炉炼钢终点碳温软测量方法

转炉炼钢终点控制的关键是实现碳温准确预测.针对炉次样本间波动性较大,导致即时学习的样本相似性度量困难而造成预测精度不高的问题,提出一种基于改进谱聚类算法构建的相似性度量策略.首先,根据过程变量和关键变量间的耦合关系构造全局加权KL度量准则的谱聚类算法,获得类间方差较大、类内方差较小的聚类子集以消除炉次样本间的波动;其次,根据类簇间差异信息,融入局部加权KL度量准则计算待测样本隶属于各类的后验概率,从而构造出一种适合描述转炉炼钢过程复杂特性的相似性度量策略;最后,采用该度量策略度量出与待测炉次工况特性更加相似的样本子集,建立相关向量机回归模型进行终点碳温预测.实际转炉炼钢生产过程数据仿真结果表明,碳含量在±0.02%的预测误差范围内精度达到89%,温度在±10°C的误差范围内精度达到92%.     

基于模型过滤的多任务回归在帕金森症预测中的应用

传统基于语音的帕金森症（PD）病情预测方法则是分别预测运动症状评分（motor-UPDRS）和总体症状评分（total-UPDRS）。为解决在单任务预测过程中,传统方法无法利用任务之间的共享信息和预测性能不佳的问题,提出了一种基于模型过滤的多任务回归方法来预测帕金森症患者的motor-UPDRS和total-UPDRS。首先,考虑到子任务语音特征对预测motor-UPDRS和total-UPDRS不同的影响,添加L1正则化项进行特征选择;其次,在构建模型的同时,根据不同帕金森患者对象分布在不同的域,添加了过滤机制,来提高预测精度。在远程帕金森数据集仿真实验中,基于模型过滤的多任务回归方法在预测UPDRS时,较单任务条件下最小二乘法（LS）模型预测motor值准确度提高了67.2%,预测total值则提高了83.3%;相比单任务条件下决策回归树（CART）模型预测motor值提高了64%,预测total值则提高了78.4%。实验结果表明,基于模型过滤的多任务回归算法对UPDRS预测要优于单任务回归算法。     

基于LSTM网络的综合射频模块温度的预测研究

随着电子产品及集成电路的快速发展,其电子产品的故障预测研究引起了高度重视,但准确预测其使用寿命难度还是很大,目前针对电子产品主要采用状态监控和健康管理,从而实现状态的预测。以此为出发点,构建综合射频模块温度的状态预测模型,该预测模型首先将设备的时域特征数据转换为有监督的样本数据集,然后建立原始参数集、预测模型的训练集和测试集,接着建立LSTM深度学习网络结构,进行参数调整设置并运行模型,最后获得预测值和观测值的误差曲线。采用该方法在某典型任务场景中进行了应用验证,获得综合射频模块的温度预测的准确度为98.7%,达到了较好的预测效果和精度。     

基于PSO和BP网络的LF炉钢水温度智能预测

研究将粒子群优化算法与BP神经网络相结合,建立新的钢水终点温度预报模型.确定加热功率、初始温度、精炼时间等8个影响钢水终点温度的主要因素作为神经网络的输入量.用粒子群优化算法优化神经网络参数,改善神经网络温度预测模型的收敛性能.实验结果表明,该算法可以提高预测速度和精度,预测结果误差不大于±5℃的炉次大于90%.     

基于鲁棒相关向量机的转炉炼钢终点预报模型

针对传统相关向量机在训练过程中易受异常点影响的问题,提出了一种鲁棒相关向量机模型,并将其应用于转炉炼钢终点碳含量和温度的预报.通过为每一个训练样本设定独立的噪声方差系数,并使其在训练过程中随模型预测误差的增大而逐渐减小来降低异常点的影响,同时依据贝叶斯证据框架给出了模型超参数的迭代计算公式,进行参数的优化.使用标准测试数据和转炉炼钢实际生产数据进行仿真,结果表明本文模型具有较好的预报精度和鲁棒性.     

基于PSO优化SVM的转炉炼钢用氧量预测研究

用氧量是影响钢水质量的主要因素之一,为提高转炉炼钢用氧量模型的预测精度,提出基于PSO优化SVM的吹氧量建模预测方法。针对SVM结构参数依据经验选取,致使预测模型的泛化能力差,在标准PSO算法的基础上,优化SVM的惩罚系数、不敏感损失系数和高斯核宽度系数3个结构参数,并建立转炉炼钢用氧量预测模型;在此基础上利用UCI数据库中的Auto-MPG标准数据,验证了方法的有效性;最后以某钢厂100 t转炉的实际生产数据建立吹氧量预测模型,结果表明,与标准BP、RBF及SVM相比,基于PSO优化SVM的转炉炼钢吹氧量预测模型精度高、泛化能力强。     

Dynamic control model of BOF steelmaking process based on ANFIS and robust relevance vector machine

This study concerns with the control of basic oxygen furnace (BOF) steelmaking process and proposes a dynamic control model based on adaptive-network-based fuzzy inference system (ANFIS) and robust relevance vector machine (RRVM). The model aims to control the second blow period of BOF steelmaking and consists of two parts, the first of which is to calculate the values of control variables, viz., the amounts of oxygen and coolant requirement, and the other is to predict the endpoint carbon content and temperature of molten steel. In the first part, an ANFIS classifier is primarily constructed to determine whether coolant should be added or not, then an ANFIS regression model is utilized to calculate the amounts of oxygen and coolant. In the second part, a novel robust relevance vector machine is presented to predict the endpoint. RRVM solves the problem of sensitivity to outlier characteristic of classical relevance vector machine, thus obtaining higher prediction accuracy. The key idea of the proposed RRVM is to introduce individual noise variance coefficient to each training sample. In the process of training, the noise variance coefficients of outliers gradually decrease so as to reduce the impact of outliers and improve the robustness of the model. Simulations on industrial data show that the proposed dynamic control model yields good results on the oxygen and coolant calculation as well as endpoint prediction. It is promising to be utilized in practical BOF steelmaking process.     

Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine

The endpoint parameters of molten steel, such as the steel temperature and the carbon content, directly affect the quality of the production steel. Moreover, these endpoint results cannot be the online continuous measurement in time. To solve the above-mentioned problems, an anti-jamming endpoint prediction model is proposed to predict the endpoint parameters of molten steel. More specifically, the model is constructed on the parameters of extreme learning machine (ELM) adaptively adjusted by the evolutionary membrane algorithm with the global optimization ability. In other words, the evolutionary membrane algorithm may find the suitable parameters of an ELM model which reduces the incidence of the overfitting of ELM affected by the noise in the actual data. Finally, the proposed model is applied to predict the endpoint parameters of molten steel in steel-making. In the simulation experiments, two test problems, including ‘SinC’ function with the Gaussian noise and the actual production data of basic oxygen furnace (BOF) steel-making, are employed to evaluate the performance of the proposed model. The results indicate that the proposed model has good prediction accuracy and robustness in the data with noise. Therefore, the proposed model has good application prospects in the industrial field.     

Applying input variables selection technique on input weighted support vector machine modeling for BOF endpoint prediction

Basic oxygen furnace (BOF) steelmaking is a complex process and dynamic model is very important for endpoint control. It is usually difficult to build a precise BOF endpoint dynamic model because many input variables affect the endpoint carbon content and temperature. For this problem, two effective variables selection steps: mechanism analysis and mutual information calculation are proposed to choose appropriate input variables according to a variable selection algorithm. Then, the selected inputs are weighted on the basis of mutual information values. Finally, two input weighted support vector machine BOF endpoint dynamic models are constructed to predict endpoint carbon content and temperature. Results show that the variable selection for BOF endpoint prediction model is essential and effective. The complexity and precise of two endpoint prediction models are improved.     

多任务实时声音事件检测卷积模型与复合数据扩增

现有的声音事件检测研究多为对离线音频进行分析,且模型参数量较多、计算效率低,不适用于实时检测。提出一种面向多任务实时声音事件检测的轻量化卷积神经网络模型,它将唤醒与检测任务整合成多任务学习框架,此外模型的卷积结构联合了稠密连接、Ghost模组与SE注意力机制;另外还提出了一种复合数据扩增方法,将音频变换、随机裁剪与频谱掩蔽相结合。实验结果显示,该模型在ESC-10和Urbansound8K数据集上的平均预测准确率高于当前新型的基线模型2%以上,同时模型的参数和内存更少。研究表明,多任务学习的方式节省了计算量,又因为卷积结构复用了中间层特征,模型可以快速地反馈检测结果。另外,复合数据方法相比传统方法使模型获得了更好的性能和鲁棒性。     

动态事件时间数据的多任务Logistic生存预测方法

事件时间数据广泛存在于临床医学研究领域,包含大量复杂的随时间变化的动态风险因子变量。为了对这些动态事件时间数据进行有效分析,克服生存模型参数假设的局限性,提出了一种多任务Logistic生存学习和预测方法。将生存预测转化为一系列不同时间点的多任务二元生存分类问题,利用动态风险因子变量的全部观测值估计累积风险。通过对事件样本和删失样本的全数据学习正则化Logistic回归参数。评估风险因子与事件时间的动态关系,根据生存概率估计事件时间。在多个实际临床数据集上开展的对比实验验证了提出的多任务预测方法对于动态数据不仅具有较强的适用性,而且能够保障预测结果的准确性和可靠性。     

基于模拟退火算法的改进极限学习机

传统的极限学习机作为一种有监督的学习模型,任意对隐藏层神经元的输入权值和偏置进行赋值,通过计算隐藏层神经元的输出权值完成学习过程.针对传统的极限学习机在数据分析预测研究中存在预测精度不足的问题,提出一种基于模拟退火算法改进的极限学习机.首先,利用传统的极限学习机对训练集进行学习,得到隐藏层神经元的输出权值,选取预测结果评价标准.然后利用模拟退火算法,将传统的极限学习机隐藏层输入权值和偏置视为初始解,预测结果评价标准视为目标函数,通过模拟退火的降温过程,找到最优解即学习过程中预测误差最小的极限学习机的隐藏层神经元输入权值和偏置,最后通过传统的极限学习机计算得到隐藏层输出权值.实验选取鸢尾花分类数据和波士顿房价预测数据进行分析.实验发现与传统的极限学习机相比,基于模拟退火改进的极限学习机在分类和回归性能上都更优.