智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点,提出一种基于主元分析和模糊聚类的数据预处理算法.采用模糊C均值聚类算法得到聚类中心,进行线形回归从而对过程变量数据进行了预处理.主元分析法则用来进行辅助变量的选取和输入高维向量的降维简化,针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型.根据工业实际生产数据进行的模型校验和误差分析表明,能够满足浮选过程控制的精度要求.     

模糊聚类算法在痕迹图像分割中的应用

针对痕迹图像在比对与识别中的预处理要求,以图像像素灰度和邻域信息的二维矢量为聚类样本,以二维直方图确定阈值数,采用对样本进行加权的模糊c均值聚类算法对痕迹图像进行多阈值分割处理.实验结果表明,基于样本加权的模糊聚类算法速度快,对痕迹图像有较好的分割效果.     

基于中心定位算子遗传算法的模糊聚类方法

针对聚类算法易陷入局部优化的缺点,将中心定位算子遗传算法与模糊聚类方法结合,通过遗传算法的全局寻优特点弥补聚类算法的不足。算法对样本进行降维预处理,提高了算法的效率和准确性。     

基于K-均值聚类的朴素贝叶斯网络分类模型

针对朴素贝叶斯网络分类模型在处理高维大数据量时的效率偏低和准确率有待提高的问题,结合主元分析法与K-均值聚类算法构造出了一个改进的朴素贝叶斯网络分类模型;摒弃了非类属性变量相对于类属性变量相对独立的前提条件,算法首先用主元分析法在对数据集的信息量尽量保存的同时进行了降维操作,使得算法可以着重于进行分类问题;算法还提出了一个"相对融合点"的概念,有效地提高了算法的性能;最后对算法的性能进行了分析,并将改进的算法应用到实际的数据集进行实验,用算法产生的分类结果对数据集中产生的一些缺失数据进行修补。     

用主成份提取进行数据库聚类预处理

按照相关性最小原则提出数据库主成份提取的聚类预处理方法(DCP PCE)对高维数据进行降维,以数据对象变异最大方向的投影作为特定数据对象集的主成份,实现分层次主成份聚类提取.用DCP PCE方法验证主成份对于原有信息全面覆盖的特性,同步解决了综合变量覆盖和降维问题,降低了数据对象集合的相异度和维度,实现了数据对象集合的聚类归约．将聚类分析引入高校数据资源的预处理环节,给出应用实例,为深入探索相关模式提供有效的分析方法．     

基于主成分分析和模糊聚类的水文分区

水文分区有各种方法,文章提出了集模糊聚类与主成分分析方法的各优点组合的水文分区方法,首先采用主成分分析法获得水文特性主成分属性,然后运用模糊聚类算法NFC(Net Fuzzy Cluster)进行模糊聚类.利用主成分分析法对分区指标进行降维处理,简化了计算.应用NFC模糊聚类,在一定程度上解决了FCM算法局部极值问题且具有良好的聚类性能,实现了聚类的科学化与自动化.对安徽省淮河流域的124 716个原始水文数据进行实验,结果表明,与传统分区方法相比,所提出的方法有效地改善了时间性能,提高了求解精度,所得结果为水文站网规划提供了理论依据.     

基于粗糙集理论的模糊C-means高维数据聚类算法

模糊C-means算法是一种重要的聚类分析算法,但是在数据维数较高的情况下,该算法计算量急剧上升从而导致其效率较低.针对这一问题,提出了一种基于粗糙集理论的模糊C-means高维数据聚类算法,该算法在传统模糊C-means算法的基础上引入了粗糙集属性约简的理念,通过对数据集属性的约简,提取出对分类影响较大的属性集而摒弃与分类无关的属性,进而在聚类过程中只计算属性约简结果集中的属性,从而减少聚类过程的工作量、提高聚类效率.理论分析和实验结果表明,该算法在处理高维数据时较高效.     

多元时间序列聚类算法分析

为解决高多元时间序列聚类算法的问题,采用了一种基于主元分析方法的多元时间序列聚类分析方法,利用MTS序列的前z个主元与每个簇的代表元素之间的Eros距离,将原有的复杂数据降维.在此基础上通过改进K-means算法对选取的多元时间序列的主元进行聚类分析,最后得到K个MTS聚类.理论分析和实验结果表明该算法能有效解决聚类问题.     

基于改进FCM和形态学的浮选泡沫形态特征提取

针对浮选过程中因气泡粘连及形状不规则导致泡沫形态特征难以提取的问题,提出一种基于改进模糊C均值(fuzzy C-means,FCM)聚类和数学形态学的浮选泡沫形态特征提取方法。引入聚类有效性指数及特征散度对模糊C均值聚类算法加以改进,并利用改进的聚类算法对泡沫图像进行聚类,得到泡沫大致区域。依据灰度分布和形状特征,采用面积重构开闭算法对图像进行除噪处理。基于形态重构方法思想,提出采用高低精度距离变换方法,同时,结合改进面积重构变换提取标志图像,进而利用分水岭算法对泡沫图像进行分割。通过测量分割区域和标定像素提取泡沫形态特征,并与浮选工艺参数做相关性分析。研究结果表明,该方法能够准确地分割粘连泡沫,且提取的泡沫形态特征能有效反映浮选工况。     

基于ANFIS的软测量模型在浮选中的应用

以浮选过程为研究对象,提出一种基于自适应神经-模糊推理系统的经济技术指标软测量模型。该模型采用主元分析进行输入数据集降维,运用最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统结构参数进行优化设计。该混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明,提出的模型能很好地实现浮选过程经济技术指标的全局预测,满足优化浮选药剂添加的计算要求。     

基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

基于CAN总线的发动机PSA故障诊断系统

针对传统发动机故障诊断方式存在故障事后检修及查询困难等问题,提出一种基于CAN总线的发动机在线故障诊断系统模型.以CAN总线实时采集的发动机控制单元各传感器状态数据为诊断样本,利用主成分分析(PCA)实现输入变量降维和去相关;采用减法(subtractive)聚类算法完成模糊推理过程;应用自适应神经模糊推理系统(ANFIS)建立起PSA(PCA-subtractive-ANFIS)故障诊断模型.研究表明PSA故障诊断模型是有效的.仿真结果表明,其拟合能力、收敛速度及抗噪能力均优于PCA-BP网络模型.     

基于CHMM的TE过程在线故障检测

随着工业过程的规模和复杂程度的增加,对于过程安全性和可靠性的要求进一步提高.为了准确及时地检测设备故障,提出了一种基于连续隐马尔可夫模型(CHMM)的在线故障检测方法.采用主元分析(PCA)方法对过程变量数据进行特征提取,利用变长度滑动窗口技术跟踪动态数据,并提出了一个新的实时统计量作为在线故障检测的量化指标,结合实时阈值实现了CHMM的在线故障检测.将该方法应用于田纳西-伊斯曼(TE)化工过程,并与基于PCA和动态主元分析(DPCA)方法的故障检测结果进行比较,能够较准确地检测到故障,验证了该方法的有效性.     

基于SPC的高炉炉况异常检测研究

针对高炉冶炼过程复杂多变,影响高炉炉况的因素众多且运行过程复杂,为保证高炉炉况稳定顺行,开发了一种基于主元分析(PCA)和统计过程控制(SPC)的高炉炉况异常检测模型。由于高炉运行参数具有高耦合和非高斯的特点,该模型首先采用主元分析算法对高炉实际生产的历史离线数据进行聚类分析,然后应用基于T²统计量的多元控制图和单值控制图对聚类后的新变量和相关参数进行监测,从而达到监测高炉出现异常炉况的目的。该模型可以实时监测高炉炉况的异常波动,其中PCA算法将高炉本身的高维数据降到低维,大幅去除数据中的噪声和不重要特征,在实际生产和应用中,节省了大量的成本和时间。选取马钢某高炉炼铁过程为应用场景,结合数据特点调整和改进算法,通过历史数据模拟和实时在线运行验证模型的可靠性和算法的有效性,同时也对指导高炉实际操作技术做出了一定的贡献。     

个性化推荐系统中遗漏值处理方法的研究

为了高效地解决协同过滤算法中的遗漏值问题,而不是简单地用缺省值加以代替,提出了一种新的、在协同过滤中的遗漏值处理方法.其基本思想是,先利用具有最小方差的局部主成分,把包含有遗漏值的不完备数据集划分成多个模糊聚类,然后通过求解广义逆矩阵来获得各个子聚类的主成分,最终在局部主成分的基础上通过简单的线性方程模型去估计聚类中的遗漏值.实验表明,这种方法的优点是低内存需求,具有较小的平均绝对偏差值,并且显示出了比传统推荐算法更好的推荐质量.     

球磨机制粉过程煤粉粒度FCM-SVRs软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出了一种基于模糊C均值聚类(FCM)算法的煤粉粒度多最小二乘支持向量机回归(MLS-SVRs)软测量模型.采用变长度染色体的遗传算法同时优化模糊聚类数和聚类中心,每种聚类子集用LS-SVRs进行局部模型的建立和训练,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后软测量结果.仿真结果表明该软测量模型具有更好的泛化结果和预测精度,可以满足煤粉制备过程实时控制的在线软测量要求.     

Temperature modeling and control of Direct Methanol Fuel Cell based on adaptive neural fuzzy technology

Aiming at on-line controlling of Direct Methanol Fuel Cell （DMFC） stack, an adaptive neural fuzzy inference technology is adopted in the modeling and control of DMFC temperature system. In the modeling process, an Adaptive Neural Fuzzy Inference System （ANFIS） identification model of DMFC stack temperature is developed based on the input-output sampled data, which can avoid the internal complexity of DMFC stack. In the controlling process, with the network model trained well as the reference model of the DMFC control system, a novel fuzzy genetic algorithm is used to regulate the parameters and fuzzy rules of a neural fuzzy controller. In the simulation, compared with the nonlinear Proportional Integral Derivative （PID） and traditional fuzzy algorithm, the improved neural fuzzy controller designed in this paper gets better performance, as demonstrated by the simulation results.     

基于FCM和CBR-GRA双重检索的应急救援物质需求预测

运用多项数据分析及推理技术提高物资需求预测速度及可靠性.首先利用历史案例信息求救援案例指标权重;之后建立模糊聚类(FCM)及案例检索相结合的算法,案例检索采用CBR-GRA双重检索技术,在得到相似度向量与灰色关联度向量之后,再次应用灰色关联分析求取案例相似-关联度向量,从而保证可靠案例检索;最后建立救援物质需求模型.经实例验证可知:案例聚类实现数据初步筛选,提升了检索速度,2种检索方法融合,提升了检索可靠性.     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.