基于改进聚类和加权bagging的多模型软测量建模

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进聚类和加权bagging的多模型建模方法。该方法在传统FCM聚类的基础上,利用K-近邻处理进一步降低错分率,改善聚类效果;通过相关性分析对训练样本集进行特征分组,将原始集划分为多个特征集;最后根据加权bagging的集成学习算法,融合支持向量机自适应地实现多模型建模。仿真结果表明,该建模方法可以合理地加权分配特征子模型,使得模型估计精度得到提高,具有更强的泛化能力。     

基于容差关系的粗糙集理论及其应用研究

经典粗糙集理论只能处理离散数据,不能将其直接应用于实际系统的数据挖掘中.本文引入样本之间的相似性和改进的属性广义区分度的概念,并定义了属性的全局相似性程度,然后利用容差关系对连续数据集直接进行属性约简,避免了数据离散化过程中信息的丢失.最后将其应用于汽轮机组故障诊断系统中,实验结果表明该方法的有效性.     

混合核支持向量机在化工软测量中的应用研究

针对核函数方法中单个核函数的局限性,提出混合核支持向量机建模方法以提高模型的泛化能力和精度.本文的混合核函数由一个局部核函数和一个全局核函数线性组合而成,并可以通过参数来调节局部和全局核函数对混合核函数的作用.通过对工业双酚A生产过程软测量建模的仿真研究表明.混合核支持向量机软测量模型适用于化工建模并具有较好的泛化能力.     

基于粒子群优化算法的小波阈值去噪方法研究

研究粒子群优化算法的特性,将其应用于小波域,对阈值进行寻优,并使用garrote阈值函数量化小波分解系数,而garrote阈值函数既克服了硬阈值函数的不连续性,也减小了软阈值函数存在的恒定偏差。实验仿真结果表明,提出的方法较传统方法具有更好的去噪效果。     

基于多层训练干扰的CNN轴承故障诊断

针对滚动轴承故障诊断方法在低信噪比情况下抗噪性能差以及在不同工况下自适应性不足的问题,提出了一种基于多层训练干扰的卷积神经网络滚动轴承故障诊断方法。首先,通过快速傅里叶变换将原始信号从时域变换到频域并作为卷积神经网络(CNN)的输入,再对多层卷积层进行实时训练干扰,以不同程度随机破坏网络训练,提高模型的抗噪性能和域自适应能力;同时引入批量归一化(BN)方法,改进卷积神经网络结构,改善模型性能。实验结果表明,所提方法不仅在噪声干扰下能达到较高的诊断准确率,同时也能有效地解决工况变化问题。     

直接访问Notes数据库文件的方法

如果不启动Notes,却要访问一个Lotus Notes数据库,你打算怎样实现?通过某些工具,我们能够从自己的程序中直接访问Notes数据库——就好像它们都是普通的数据文件一样。 我们以前曾介绍过把一个外部程序联结到Notes表格的一个按钮上的方法,按下这个按钮,我们就能拨通表格上某个人的电话号码。如果能找到一种不用启动Notes而直接打开     

用于多模型软测量的扩张搜索聚类算法

多模型可以改善模型估计精度,提高泛化性能.针对传统的聚类方法过于依赖空间数据先验知识及初始参数的缺点,提出1种适用于任何形状样本分布的单参数调节扩张搜索聚类算法.该方法以近邻算法为基础,通过设定各样本的ε-邻域,以扩张搜索的方法将所有相关的ε-邻域样本归为一类,从而聚类样本数据.将其用于聚类样本数据集,构建基于扩张搜索聚类的软测量多模型.在双酚A生产过程质量指标的软测量建模仿真中验证了算法的有效性,其均方根误差、最大相对误差和平均相对误差均较基于模糊C均值的多模型建模方法有所减小,分别从1.2943,3.88%和1.40%下降到了1.0276,2.72%和1.16%.     

基于粒子群优化算法的支持向量机参数选择及其应用

参数选择是支持向量机(SVM)研究领域的重要问题,它的本质是一个优化搜索过程,考虑到进化算法在求解优化问题上的有效性,提出了以最小化k-fold交叉验证误差为目标．粒子群优化(PSO)算法为寻优技巧的SVM参数调整方法．通过仿真例子验证该方法的有效性后,用其建立了聚丙烯腈生产过程中数均分子量的软测量模型,结果表明该方法有效．     

贝叶斯分类器的关联向量机多模型软测量建模

为了改善软测量模型的估计精度,提出了一种基于贝叶斯分类算法和关联向量机的多模型软测量建模方法。采用贝叶斯分类器对样本数据集进行分类,并对不同类别的输入数据分别建立关联向量回归机子模型,用“切换开关”方式组合作为最终的软测量模型输出。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明：与单模型支持向量机相比,该方法估计精度较高,具有一定的应用价值。     

广义预测自适应控制的双重控制算法

提出了一种基于双重控制思想的广义预测自适应控制算法,该算法在模型辨识和控制的过程中,采用谨慎控制和探测控制相结合的双重控制,充分考虑估计参数的误差,在使系统状态最优地沿预定轨线运动的同时最大限度的积累被估计参数的信息,以便最快地降低系统的不确定性。仿真结果表明,该控制算法比普通的广义预测自适应控制具有更好的控制品质。