基于改进AdaBoost的LF炉成分软测量建模

针对现有软测量模型更新方法的不足,将增量学习思想与AdaBoost集成学习思想相结合,提出了一种具有增量学习性能的改进AdaBoost集成学习算法.并将该改进的AdaBoost与BP神经网络一起形成了集成BP神经网络,建立了基于改进AdaBoost集成BP网络的软测量模型.该软测量建模新方法可以提高单一BP网络的精度,同时还能保证建模具有增量学习的更新性能.使用该软测量建模新方法建立抚钢60t LF炉钢水成分软测量模型,取得了较好的预测效果,可以满足实际生产的需要.     

基于即时学习算法的软测量建模方法

针对工业过程中存在许多难以直接测量变量的问题,提出1种基于即时学习算法的软测量建模方法.提出k-矢量近邻方法建立系统的当前工况点的建模邻域,以提高即时学习算法的预测能力,利用递归最小二乘算法简化建模的在线计算量,通过PRESS估算得到算法的最优解,优化了算法,应用该算法对某一化工厂产品的酯化率进行测量建模,预测得到的最大相对误差为0.8742%,证明该方法的泛化性能良好,满足实际测量的精度要求,是1种便于理解,易于实现的软测量方法.     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

基于支持向量机与RBF神经网络的软测量模型比较研究

给出了基于支持向量机(SVMs)和RBF神经网络的软测量建模方法.通过对这两种方法进行理论分析和仿真比较研究,结果表明,SVMs方法跟踪性能好、泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的软测量建模具有更好的推广能力.     

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Learn++的软测量建模新方法

针对现有软测量建模方法中存在的不足,将修改后的适用于回归问题的Learn++算法应用到软测量建模中.Learn++算法不但保留了常用集成算法能够提高单一学习机性能的特点,还能够克服现有软测量学习方法中容易遗忘已学信息和由于重复使用原始训练数据造成时间和资源浪费的缺点,并具有增量学习能力.在建模过程中根据ELM学习速度快、简单易行、泛化能力强等特点将其选择为基本弱学习机.将基于Learn++的方法应用到LF炉钢水温度软测量建模中,实验结果表明该软测量模型具有较高的精度,可以满足实际生产的需要.     

基于减法聚类产生具有优化规则的模糊神经网络及其软测量建模

提出了一种通过调整减法聚类半径优选模糊规则的软测量建模方法。首先用减法聚类建立T—S模糊模型,然后通过调整聚类半径优选模糊规则数,以取得具有良好泛化性能的模型,之后利用梯度下降混合最小二乘算法精调参数。最后用该方法对初馏塔石脑油干点进行软测量建模,结果表明能较快确定优化模型,并能满足软测量建模精度要求。     

基于带扰动项粒子群算法的软测量建模

针对粒子群算法用于高维数、多局部极值点的复杂函数寻优时易陷入局部最优解现象,提出一种改进的带扰动项粒子群算法并进行收敛性分析。算法中引入进化速度因子,当粒子进化速度低于一定值时在粒子速度更新方程中添加扰动项使粒子逃离局部最优区而继续搜索。对几个复杂函数的寻优测试表明:改进算法的收敛速度、收敛精度和全局搜索性能均有显著提高。将本方法用于建立丙烯腈收率神经网络软测量建模,研究结果表明模型精度较高、泛化性能好,满足现场测量要求。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

具有多个级联输出层的深度神经网络

提出了一种新的深度神经网络的设计方法,目的是改进其泛化性能.介绍了常用的改进深度神经网络泛化性能的方法,描述了所提出的新的具有多个级联输出层的深度神经网络的设计方法.该神经网络的多个级联输出层构成了序列分类器,这些分类器与自适应增强算法相结合提升了神经网络的泛化性能.该模型通过在分类器间共享部分网络结构节省了计算量,通过试验证实了其有效性和可靠性.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数（RBF）神经网络的烧结终点预测模型。该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值。通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法。     

一种基于灰度区间的BP神经网络算法研究

为了不断提高前向神经网络的学习能力,考虑在神经网络学习和训练的过程中引入灰色系统理论,设计出一种新型的神经网络算法（GBP）。该算法通过减少输入向量空间的灰度,使得神经网络的输入向量进一步优化,从而更加有利于神经网络的学习和训练。最后通过模拟实验表明,新设计的算法比经典的BP算法有更高的效率,该算法具有训练速度快、泛化能力强等特点,是一种有效的学习方法。     

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.     

基于旋转电弧传感器的NU-SVR水下焊缝偏差识别算法

文章提出了基于旋转电弧传感器的NU-SVR水下焊缝偏差识别算法。Nu-SVR通过对基于旋转电弧传感器采集到的不同偏差的水下焊接信号进行学习,然后对水下电流信号进行焊缝偏差识别得出偏差。相对于传统的回归算法-区间积分法和神经网络法,本算法具有具有更好的识别能力。最后通过水下焊接实验,其最大的识别误差仅为0.48mm,证明了该方法十分有效。     

神经网络紧凑集成模式

在分析现有神经网络集成构造过程的基础上，提出了一种神经网络紧凑集成模式，集成中成员网络的训练和网络组合权重的优化在同一个学习过程中进行，各参数的调整以提高集成泛化性能为目的．与现有神经网络集成模式相比，集成构造过程更加紧凑，它将个体网络生成阶段与结论合成阶段合二为一，并且网络之间的信息交互建立在实时动态的集成结构基础上，保证了成员网络训练与结论合成之间信息传递的始终一致性．为验证该模式的有效性及优越性，采用4种典型的分类数据集对神经网络紧凑集成模式与CNNE、Bagging、Boosting等现有的集成模式在泛化性能上进行了比较，结果表明神经网络集成模式在测试数据集上的错误率降低了8％～16％．     

基于高斯函数与分级学习的D-FNN算法研究

D-FNN基本思想是构造一个基于扩展的RBF神经网络,它可以看成是一个TSK模糊系统,也可以看做是基于归一化的高斯RBF神经网络。该文提出的算法,学习前,模糊神经网络不需要预先确定,在学习的过程中,参数估计与结构辨识同时进行,并根据系统精度要求及模糊规则的重要性,自动地产生或者删除一条模糊规则。在学习速度、系统结构和泛化能力方面进行了仿真实验,仿真结果表明D-FNN具有更简洁的结构和优良的性能。