基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题.对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度.定义了一种混沌映射构成混沌系统并分析了其遍历性.应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力.将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明:模型精度较高,泛化性能好,满足现场测量要求.     

基于混合PLS-SVM方法的双酚A软测量建模

在对复杂生产过程的软测量建模中,为了有效地处理其生产过程的非线性、多输入和数据相关性等复杂特性,提高模型的推广能力和精度,提出了一种兼备偏最小二乘和支持向量机优点的混合偏最小二乘-支持向量机方法.在对双酚A结晶塔工艺分析的基础上,将该方法应用于双酚A结晶塔软测量建模.应用结果表明,该方法在模型精度、推广能力等方面都明显优于一些传统软测量建模方法.     

基于移动窗的多核最小二乘支持向量机建模算法

针对时变工业过程建模中存在的模型泛化性和适应性较低的问题,利用移动窗技术,通过使用多个核函数,提出了一种基于移动窗的多核最小二乘支持向量机(LSSVM)建模算法.该算法在最小二乘支持向量机算法基础上,利用多核组合代替单核,增强了模型的泛化能力;利用移动窗技术,增加了模型对时变工业过程的动态辨识能力及模型的更新效率.仿真实验结果表明,该算法具有更好的泛化性能.     

基于最小二乘支持向量机的振动切削力软测量模型及其应用

为提高振动切削过程工件加工精度,利用最小二乘支持向量机建立振动切削力软测量模型;利用数控车床振动切削实验系统所采集数据作为最小二乘支持向量机的输入参数,振动切削力作为输出参数进行仿真分析。研究结果表明:该振动切削力软测量模型具有较高的建模精度和较强的泛化能力;对振动切削力进行软测量后,加工工件表面粗糙度平均误差可降低50%以上,圆度平均误差可降低70%以上。     

基于KPCA和LSSVM的氧化铝粉流量预测

针对氧化铝粉流量需在线精确测量,在线分析仪表成本较高和测量滞后的问题,提出了一种将核主元分析(KPCA)和最小二乘支持向量机(LSSVM)两种方法相结合的软测量混合建模方法,通过核主元分析(KPCA)提取数据非线性主元,并利用最小二乘支持向量机(LSSVM)建立氧化铝粉流量预测模型,预测结果表明该模型具有更好的非线性数据处理能力,运算速度快、跟踪性能好以及泛化能力强等优点,能满足氧化铝粉流量的在线测量要求.     

基于改进支持向量机的作物叶水势软测量建模

在标准最小二乘支持向量机(least square supportvector machine,LS-SVM)的基础上,利用改进的粒子群算法(i mproved particle swarmopti mization,IPSO)来优化LS-SVM模型参数,提出了基于IPSO-LS-SVM的软测量建模方法,建立了作物叶水势软测量模型.仿真结果表明,该方法比基本LS-SVM和PSO-LS-SVM模型具有更高的精度,能够很好地预测作物叶水势信息.     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标———铁水硅含量[ Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机( R-S-LS-SVR)与多目标遗传参数优化的铁水[ Si]动态软测量建模方法。首先,针对标准最小二乘支持向量机( LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGIII加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标。在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[ Si]在线软测量模型。工业实验及比较分析验证了所提方法的有效性和先进性。     

基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N_2+CO_2、C_1、C_2～C_6、C_(7+))摩尔分数、C_(7+)相对分子质量、C_(7+)相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02%,其中最大绝对相对误差(ARD)为16.64%,最小ARD为0.05%,BP和RBF神经网络模型的AARD分别为6.46%、10.54%。最后,根据Leverage方法,进行了所有数据的异常点检测。研究为凝析气藏露点压力预测提供了一种有效方法。     

基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

基于稀疏化LSSVM的物联网轻量级入侵检测方法

为适应物联网感知层节点计算能力弱、能量有限和存储空间不足等特点,提出基于稀疏化最小二乘支持向量机的物联网轻量级入侵检测方法,以最小二乘支持向量机作为分类器,通过改进的K均值数据稀疏和自适应剪枝的模型稀疏方法,使模型更好适应物联网苛刻的资源环境.实验测试结果表明:入侵检测模型的F1值达到0.9268,模型大小减少到81.3KB,提出的轻量级入侵检测方法能够较好地适应物联网应用场景及其安全需求.     

基于k近邻和最小二乘支持向量机的Android恶意行为识别

针对单一k近邻算法(KNN)和最小二乘支持向量机(LSSVM)存在的缺陷, 提出一种基于KNN LSSVM的Android恶意行为识别模型. 先采集Android用户行为样本, 并提取相应特征组成特征向量; 再将训练集输入LSSVM中进行学习, 计算测试样本与最优分类平面间的距离, 如果该距离小于阈值, 则直接采用LSSVM恶意行为识别, 否则采用KNN算法进行恶意行为识别; 最后采用仿真实验测试KNN LSSVM的性能. 实验结果表明, 相对于单一KNN算法和LSSVM, KNN LSSVM提高了Android恶意行为的识别正确率,可以满足Android[KG*6]恶意行为的在线识别要求.     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

基于卷积神经网络的卫星遥感图像拼接

针对传统算法不适用于外观发生较大变化的图像拼接问题, 提出一种基于卷积神经网络的遥感图像拼接方法, 通过深度学习使模型实现对遥感图像的配准和拼接. 通过两次实验将该算法与传统算法进行对比. 首先, 以欧氏距离作为评价指标, 分别通过两种算法在不同图像数据集上进行统计, 对它们的图像配准能力进行评估. 其次, 在真实的遥感图像拼接应用场景下对比两种算法实现的遥感图像拼接效果. 实验结果表明, 卷积神经网络模型对外观发生较大形变的图像具有更好的配准能力, 因此对于外观产生较大变化的遥感图像, 可采用该算法代替传统算法实现图像拼接, 得到更精确的全景图像.     

Powell-DE算法在软测量参数预估中的应用

提出一种新的全局集成优化算法(Powell-DE算法)．该算法在差分进化算法中引入具有强局部搜索能力的Powell算法，克服了DE算法收敛慢且易陷入局部最优等缺陷，几个典型测试函数的仿真实验和比较，验证了新算法的有效性，体现了新算法的优越性；然后，Powell-DE算法被用于基于LSSVM模型的蒸发过程出料溶液NK的浓度的软测量中，并与其它2种方法的比较，现场工业数据验证表明新模型体现出了更好的跟踪性能且精确度高，能够完全应用于出料溶液NK的浓度的在线预测.     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.