排序方式: 共有25条查询结果,搜索用时 15 毫秒
1.
Rough集以等价关系为基础建立了知识表达系统和知识发现算法,相容关系是等价关系的推广。从粒矩阵
角度定义了相容关系的知识表达系统、知识的依赖性与关联规则发现方法。在此基础上,把粒矩阵运算由等价关系推
广到相容关系。 相似文献
2.
针对湿式球磨机工况改变时,实时数据与建模数据分布不一致,不满足数据同分布的假设,传统软测量模型难以适应数据分布变化,造成模型性能恶化的问题,有针对性地引入迁移学习策略,并通过多源域集成机制提高模型的鲁棒性,实现多工况下湿式球磨机负荷参数测量.首先,对多工况数据进行预处理并提取频谱特征,经过联合分布适配对多工况数据进行边缘、条件分布适配;然后,使用最大均值差异对适配后的数据进行分布度量并为源域构建的回归器加权;最后,对目标域数据进行负荷预测.通过对比实验与交叉实验表明了模型的实用性和有效性. 相似文献
3.
4.
针对采用音频法测量球磨机料位时存在特征值随机性强等不确定性因素,引入云理论进行球磨机料位概念表示,并利用云模型实现球磨机料位测量。其过程是对数据进行预处理并提取特征值,然后采用逆向云算法对不同料位下振声信号的特征进行基本料位概念提取,经过概念提升成粗粒度的料位概念表示后,形成不确定性推理的前件云模型;同时依据料位值信息构造推理后件云模型,以此建立云不确定性推理规则集。最后,通过云模型规则推理实现球磨机料位的软测量。多种方法对比实验结果说明了模型的有效性和实用性。 相似文献
5.
6.
针对流程工业中,工况改变导致传统软测量模型预测精度下降的问题,考虑到工业数据连续性、序列性、多重共线性、数
据量庞大等特殊性对模型建立的影响,提出一种基于时间近邻拉普拉斯正则的多工况软测量回归模型框架。 针对工业数据的
多重共线性,回归框架采用非线性迭代偏最小二乘方法,同时引入域适应正则项改善工况变化对模型的影响,在此基础上,提出
时间近邻拉普拉斯正则项,能够在映射过程中保持住数据的序列结构,并且大幅度减少模型训练时间以满足工业实时性要求。
实验部分以三聚氰胺聚合过程多工况数据集为例,对本文模型的预测有效性以及减少训练时间的有效性进行了实验和分析。
结果表明,与传统方法偏最小二乘回归相比,当目标工况为工况 1 到工况 4 时,本文方法使平均均方根误差分别降低了 30. 3% 、
31. 4% 、29. 3% 和 24. 1% 。 且相较于传统全连接法,时间近邻法构建拉普拉斯正则项能够使得四个工况上模型训练时间分别降
低 14. 11、 1. 01、 26. 43 和 0. 71 s,表明该模型的预测准确性和训练时间均得到有效改善. 相似文献
7.
针对单任务时间序列中存在的信息挖掘不充分、预测精度低等问题,提出了一种基于多任务最小二乘支持向量机(MTLS-SVM)的时间序列预测方法。该方法将多个时间序列任务同时进行学习,使得在训练过程中任务之间能够相互牵制起到归纳偏置作用,最终有效提高模型的预测精度。首先,利用相邻时间点之间的密切相关性,构造多个相邻时间点的学习任务,然后将每个任务对应的数据集同时训练MTLS-SVM模型并将其用于预测。将该方法用于几个时间序列数据集并与单任务LS-SVM方法相比,实验结果表明该方法具有较高的预测精度,验证了方法的可行性和有效性。 相似文献
8.
在工况改变时,湿式球磨机的实时数据和建模数据分布不一致,不满足传统软测量建模方法要求的数据同分布假设,导致模型失准和性能恶化。为此,引入迁移学习思想,提出一种基于迁移变分自编码器-标签映射的软测量模型,实现多工况下湿式球磨机负荷参数的准确测量。首先,迁移目标域数据编码得到的隐变量分布参数,对源域数据对应隐变量进行拟合,再解码得到迁移数据;然后采用相似性度量选取相似样本构建标签映射模型,并得到映射标签;最后使用迁移数据和映射标签构建出最终的软测量模型。实验结果表明,该软测量方法显著优于现有方法,适用于多工况下的软测量建模。 相似文献
9.
本文以自动化专业的课程、知识单元、知识点为节点,以其先学关系为连边构建自动化专业有向知识网络.利用复杂网络的理论和方法,对自动化专业知识网络的拓扑结构进行分析,挖掘其统计特性、社团结构等.将挖掘的特性与教学设计和学习引导相结合,有利于创新教学方法和提高学生学习能力,以期对自动化专业的本科教学产生积极影响. 相似文献
10.
历史数据库中各数据集之间存在工况差异,会在一定程度上降低即时学习方法在非线性工业过程数据上的预测精度。针对多工况问题,研究了一种基于工况差异度量的多源集成即时学习软测量模型,首先,采用公共差异信息提取方法(JIVE)提取各过程的特殊信息,并以当前过程作为查询域;然后,计算其与各历史过程的特殊信息之间的KL散度,并得到最近邻域;最后,利用得到的最近邻域与对应的度量信息建立多源集成即时学习模型并得到加权预测结果。通过田纳西-伊斯曼(TE)多工况过程数据仿真结果表明,该方法可以有效地提升软测量模型的预测精度和稳定性。 相似文献