多输出高斯过程在变形监测数据处理中的研究及应用

单输出高斯过程模型针对单点建模和预测,未顾及各监测点间的相互影响,是一种局部建模和变形规律分析。多输出高斯过程模型把监测点间的互扰性作为预测模型的影响因素,对多个监测点建模预测时能充分利用监测点间的相关信息。通过建筑物和滑坡的2个工程实例验证分析,与单输出高斯过程模型相比,多输出高斯过程模型的预测值与实测值更为吻合,预测均方根误差分别提高了44.5%和77.8%,表明多输出高斯过程模型具有更高的预测精度,同时验证了该模型预测建筑物和滑坡变形的有效性。     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用...     

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.     

基于正交最小二乘法的径向基神经网络模型

为提高神经网络模型的预测精度以及提高模型的计算效率,减少获得高精度模型的计算量,构建了基于正交最小二乘法的高斯径向基神经网络模型结构,给出了最小二乘法高斯径向基神经网络的递归模型.依据样本点序列信息,给出了高斯径向基函数中心参数的确定方法,并采用正交最小二乘法回归迭代,从而获得隐层同输出层间的连接权参数值.采用混沌Lorenz时间序列预测问题对该设计的网络模型进行验证,并同其他文献对该序列预测的精度以及迭代所需的时间作对比.结果表明,采用该设计方法获得的网络模型具有时间预测精度高及计算效率高等优点.     

即时学习多模型加权GPR软测量方法

针对工业过程中难以实现实时在线测量的重要过程变量,在主成分降解变量分组的基础上,提出了一种基于即时学习与集成学习的多模型高斯过程回归建模方法.该方法首先利用多变量组合实现集成模型的多样性,然后借助即时学习的自适应能力进行即时建模,最终多模型加权获得最终的预测结果.将所提方法应用于实际的工业炼胶过程,实验结果表明,该方法具有很好的预测性能.      

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.     

基于贝叶斯优化高斯过程回归法的再生混凝土力学性能预测

为了更准确地预测再生骨料混凝土的抗压强度与弹性模量,建立了一个比以往研究大的数据库,具有730组数据,为建立可靠的预测模型奠定了基础。提出了贝叶斯优化的高斯过程回归方法,选取再生粗骨料体积分数、水灰比、混合粗骨料吸水率、细骨料与总骨料比、粗骨料与水泥比、混合粗骨料饱和表面干密度等6个参数作为影响因素,同时建立了再生骨料混凝土抗压强度和弹性模量预测模型。通过比较抗压强度、弹性模量的预测值与实验值,发现二者较为接近,说明该方法具有一定的可靠性。将贝叶斯优化的高斯过程回归与高斯过程回归、支持向量机回归、随机森林回归、人工神经网络进行比较,并选取4个统计指标对模型进行评价,结果表明贝叶斯优化的高斯过程回归预测抗压强度和弹性模量精度较高,相关系数分别达到了0.91和0.93。这说明贝叶斯优化的高斯过程回归方法对预测再生骨料混凝土的抗压强度和弹性模量同时适用。     

基于高斯模型的工业过程数据的故障预测

针对工业过程中采集到的监控变量的时间问题序列数据,提出一种新的基于高斯过程模型的预测建模方法来实现故障预测。针对特定数据集重新构建高斯过程核函数,将工业过程的先验信息加入到数据驱动预测模型中,使模型具有更好的性能。与现有的预测模型相比,高斯过程回归模型可以在给出预测值的同时给出一个置信区间,用作故障预测的不确定性度量。在田纳西-伊斯(TE)曼过程模拟数据集上进行性能对比实验,实验结果表明,提出的故障预测方法具有更好的预测精度。     

基于遗传算法的双线性模型在大坝安全监测预报中的应用

文章提出了实用自相关系数图确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法。通过实例表明,由于双线性模型实际拟合和预测过程中产生的残差信息进行反馈矫正,保证了模型高的拟合精度和稳健的预测性能,与门限自回归模型比较,双线性模型比门限自回归模型具有更好的预测精度。     

工业电阻炉多参数能耗建模与预测

电阻炉温度变化存在非线性、大延迟的特点,建立精确的能耗数学模型比较困难.为解决理论建模复杂且不具备实时性的问题,提出了一种基于数据驱动的电阻炉多参数能耗预测方法.首先,通过分析电阻炉工作阶段的能耗特性,建立了电阻炉理论能耗预测模型;然后,利用粒子群优化算法对支持向量回归的超参数进行寻优,建立了基于支持向量回归的多参数能耗预测模型;最后,对比了支持向量回归、高斯过程回归、自适应模糊神经推理系统模型在单参数及多参数条件下的能耗预测结果.实验结果表明,基于粒子群优化下的支持向量回归多参数能耗预测方法具有更好的预测效果.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

航空液压系统流量智能预测方法研究

液压系统是飞机重要机载系统之一,它为飞机输出能源驱动,其性能、稳定性和可靠性直接影响飞机的安全性。流量是衡量液压系统稳定性的重要判据,实时监测液压系统管路流量可对系统特性分析、故障诊断提供有力的支持。但由于流量传感器造成的流阻对系统特性有显著影响,因此在航空液压系统中未广泛使用。针对传感器带来的流阻问题,深入分析了与流量相关的参数,提出基于梯度提升回归树的航空液压系统流量预测模型,通过关键参数预测液压系统的流量。最后试验结果表明, GBRT模型相比最小二乘线性回归模型、决策树回归模型、极端梯度提升树XGBoost模型,在预测准确度、训练时间、测试时间等指标中取得了较好的表现,验证提出方法的有效性。     

基于响应面法AerMet100超高强度钢钻削预测与优化试验研究

为了在实际钻削加工中,获得更优加工表面质量,减小刀具磨损的同时提高加工效率,使用响应面法对AerMet100超高强度钢进行钻削加工轴向力预测和优化研究,通过中心组合设计试验结果建立预测模型并进行模型显著性分析和参数交互回归分析,以研究各加工参数(主轴转速、进给速度以及步进量)改变对轴向力的变化影响规律,并对最优方案进行试验验证。研究表明:预测模型较为显著且拟合程度较高,失拟项不显著;主轴转速与进给速度及其二次项相对于步进量和各参数交互项对轴向力影响更为显著;试验验证预测模型相对误差较小,证明预测模型较为可靠。     

面向定制化需求的冷轧产品多目标质量控制方法

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization (PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company’s cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression (MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression (SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index, which were more in line with actual production process requirements.     

基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

Multi-objective quality control method for cold-rolled products oriented to customized requirements

To deal with the increasing demand for low-volume customization of the mechanical properties of cold-rolled products, a two-way control method based on mechanical property prediction and process parameter optimization(PPO) has become an effective solution. Aiming at the multi-objective quality control problem of a company's cold-rolled products, based on industrial production data, we proposed a process parameter design and optimization method that combined multi-objective quality prediction and PPO. This method used the multi-output support vector regression(MSVR) method to simultaneously predict multiple quality indices. The MSVR prediction model was used as the effect verification model of the PPO results. It performed multi-process parameter collaborative design and realized the optimization of production process parameters for customized multi-objective quality requirements. The experimental results showed that, compared with the traditional single-objective quality prediction model based on support vector regression(SVR), the multi-objective prediction model could better take into account the coupling effect between process parameters and quality index, the MSVR model prediction accuracy was higher than that of the SVR, and the optimized process parameters were more capable and reflected the influence of metallurgical mechanism on the quality index,which were more in line with actual production process requirements.     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

基于偏最小二乘回归模型的带钢热镀锌质量监控方法

提出了基于偏最小二乘回归模型的带钢热镀锌质量监控方法. 以带钢热镀锌生产中带钢力学性能和锌层质量的质量监控为研究对象,用偏最小二乘方法建立了生产过程参数与质量结果之间的回归模型,对生产过程控制能力进行了分析,并给出了产品质量的预测方法. 用鞍钢股份有限公司带钢热镀锌的实际生产数据进行验证. 结果表明,偏最小二乘法比传统的多元线性回归方法具有更好的预测精度,基于偏最小二乘回归的锌层质量预测模型,其相对预测误差可达到5.93%.     

基于强化学习的特征选择方法及材料学应用

随着大数据、人工智能以及高性能计算的快速发展, 数据驱动的新材料研发成为研究热点. 在对材料数据进行数据挖掘的过程中, 需要对特征集合进行预处理, 通过减少无关冗余特征, 不仅可以避免模型过拟合, 还能提高模型的可解释性. 基于此, 提出了一种基于强化学习的特征选择(feature selection based on reinforcement learning, FSRL) 算法, 将封装式特征选择抽象成机器学习模型和"环境"互动的过程, 并根据利益最大化准则将对应特征加入特征子集中. 同时, 为了提高模型的预测精度, 还提出一种基于符号变换的特征构造方法来生成新的特征. 最后, 将所提出方法应用到非晶合金材料的分类预测任务和铝基复合材料的回归任务中. 实验结果表明, FSRL 算法的分类准确率最高提升了 2.8%, 而在回归任务中, 基于特征构造的 FSRL 算法使得预测精度最高提升了 22.9%.