基于递阶偏最小二乘回归的数据分析

针对最小二乘法难以克服因子多重共线性对回归模型精度影响的不足和大坝观测数据分析中因变量较多的特征,引进递阶偏最小二乘法,对大坝安全监测变量及其影响因子进行递阶偏最小二乘回归分析,将建模预测分析方法通过递阶分层处理,可同时实现回归建模和数据结构简化,所建立的大坝安全监控模型精度可通过交叉有效性检验来控制.工程应用实例和模型对比分析研究表明,递阶偏最小二乘回归模型能有效克服由于各类因子变量问的多重共线性和因子变量数目较多而对模型拟合精度及其预测能力的影响,相对于传统回归模型有更好的解释能力,因而具有一定的实用价值.     

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%.     

偏最小二乘-马尔科夫模型在大坝位移预测中的应用

为克服大坝位移预测回归模型中,选取因子的多重相关性对回归方程的影响,同时考虑到位移的波动性对残差的影响,提出一种偏最小二乘-马尔科夫链大坝位移预测模型.偏最小二乘法能够有效解决多重相关性的问题,马尔科夫链具有适应数据波动的优点,两种方法相结合发挥各自优势,以进一步提高单一偏最小二乘回归的预测能力.工程实例的分析表明,该模型能够有效提高预测精度.     

大坝安全监测模型因子相关性探究

分析了大坝安全监测数据处理中自变量因子之间的多重相关性对传统的多元回归模型的影响.运用偏最小二乘回归分析的基本原理和交叉有效性检验方法,建立了基于偏最小二乘法的回归模型.工程实例表明,偏最小二乘回归模型能够有效消除因子相关性对模型回归系数估计和回归分析效果的影响,取得的结果较为合理.     

基于偏最小二乘回归的焦炭热性质非线性预测模型

针对基于煤质指标预测焦炭热性质建模过程中易出现的多重共线性问题,提出应用偏最小二乘回归对焦炭热性质进行预测的建模思路.考虑到煤质指标与焦炭热性质之间复杂的非线性关系,采用拟线性化处理的方法,将煤质指标的一次效应、二次效应及交互效应作为模型输入,建立焦炭热性质预测的偏最小二乘回归模型;基于拟线性化处理的非线性偏最小二乘回归和线性偏最小二乘回归对焦炭热性质预测实例进行分析.研究结果表明:基于偏最小二乘回归方法建立的焦炭热性质预测模型是有效可行的:非线性偏最小二乘回归模型的预测精度明显比线性偏最小二乘回归模犁的预测精度高.     

基于多变量统计方法的产品质量控制

提出了一种多变量统计质量控制方法来减小由于过程扰动引起的产品质量变化.该方法首先通过正常工况的历史数据,建立一个部分最小二乘的回归模型,利用高采样频率的过程测量值来预测质量变量的值.预测误差作为部分最小二乘逆模型的输入得到过程操纵变量的调节量,通过调节过程操纵变量来抑制过程扰动,减小质量变量的变化.所提出的多变量统计质量控制方法在TE过程中得到了验证.仿真结果表明,与传统的PID质量控制方法相比,所提出的方法能减小由过程扰动引起的质量变化.     

改进最小二乘法对基坑支护结构竖向位移预测

为提高支护结构竖向沉降预测精度的问题,采用改进最小二乘法模型.在前期沉降值的基础上,引入一个修正后的最小二乘法预测曲线,得到新的预测模型,建立既保证原来的维数,而又不影响整个沉降发展趋势的改进最小二乘法模型.以SMW工法基坑支护为工程实例,利用改进最小二乘法对采集的监测数据进行研究,求出支护结构竖向位移拟合曲线,进而得到拟合值.结果表明:该方法所得的实测值和预测值进行比较,与实测值误差很小且满足规范规定的数值,证明该方法在SMW工法支护结构竖向位移预测中应用的有效性及预测所提高的精度;既保证了传统最小二乘法位移曲线的维数,又不影响整个预测沉降变形曲线的发展趋势,更适用于周边环境复杂的基坑支护结构竖向位移预测.     

基于偏最小二乘回归的洪水预报方法

针对常规多元回归模型无法克服预报因子间复相关性的问题,提出了基于偏最小二乘回归的洪水预报方法.通过结合遗传算法与偏最小二乘回归来进行因子筛选,对筛选后的因子采用Bootstrap方法进行检验,再建立基于偏最小二乘回归的预报模型.实例分析结果表明,该方法建立的洪水预报模型结构简单,能依据给定目标进行因子筛选,有助于克服水...     

基于PLS模型的自适应间歇过程质量预测

间歇生产过程中,很多质量指标不能在线测量,导致过程很难控制。该文应用部分最小二乘(PLS)方法建立软测量模型,通过批次初期在线测量的过程变量对最后的产品质量进行预测。同时,利用过程中得到的中间质量测量值对最后的预测结果进行修正。为了解决过程参数随时间变化的问题,在每个批次结束后利用新数据对原模型进行更新。将该法用于异丁烯酸甲酯(MMA)聚合反应过程,仿真结果显示,该法能够克服过程参数变化的影响,有效地预测最后的产品质量。     

基于改进的偏最小二乘回归的酸雨pH值预测

酸雨pH值受到酸性离子[SO4^2-]、[NO3^-]和碱性离子[Ca^2＋]、[NH4^＋]等的影响。这些影响因素之间存在多重相关性。用一般最小二乘回归分析预测pH值，参数估计存在很大的误差且物理意义明显不足。应用偏最小二乘回归技术建立pH值预测模型，克服了自变量之间多重相关性的问题，因而更具有先进性，计算结果更为可靠，而改进的偏最小二乘回归则从预测角度对偏最小二乘回归模型进行了改进。以我国17个城市pH值预测为例，说明了改进的偏最小二乘回归法比普通偏最小二乘回归法效果好。     

卷取张力控制过程的故障诊断

在冶金工业生产中,带材的卷取过程会直接影响产品的最终质量.卷取张力是保证卷取过程稳定的重要因素.因此卷取张力控制过程的故障诊断具有现实意义.采用偏最小二乘（Partial Least Squares,PLS）对卷取张力控制过程的故障进行诊断.PLS是一种利用统计原理提取过程数据中的有用信息建立过程模型的降维技术.它不仅可以完成数据降维和特征提取,还考虑了输入、输出数据之间的回归关系.通过PLS分解可以降低空间的维数,使提取的主元具有变化度和可区分性,最后根据T²和Q统计量实现故障检测,通过累计贡献图实现故障识别.仿真结果验证了方法的可行性.     

质量控制中的统计相关分析与建模

介绍了统计相关分析方法及其在连续过程产品质量相关因素分析和质量指标的建模与估计中的应用。描述了多元统计分析中的主元素分析和部分最小二乘两种方法,并将这些方法用于连续过程的质量控制,进行炼油过程油品质量相关因素的分析和质量指标的统计建模与预测,对不同条件下的模型预测结果进行了分析比较。结果表明,统计分析是一种收集、整理、分析数据的有效方法,模型预测精度很高,它将为连续过程质量控制开辟新的途径。     

燃气年度负荷预测的偏最小二乘回归分析法

城市燃气的年度负荷受到多种因素的影响,如能源政策、人口和国内生产总值等,各因素之间相互制约和影响,存在着严重的多重相关性,若采用普通的回归分析会使结果产生较大的偏差,而偏最小二乘回归方法能很好地解决这一问题．采用偏最小二乘回归分析法对燃气年度负荷进行拟合和预测,实例表明,该方法具有建模简单、计算结果可靠的特点,所得到的回归方程能综合分析各因素对于负荷的影响权重,具有较强的实用性．     

重油加氢裂化过程稳态模型的建立

为保证石油化工系统安全生产，采用偏最小二乘法（ＰＬＳ）与人工神经网络（ＡＮＮ）相结合的方法，建立了重油加氢裂化过程的稳态模型，解决了体系复杂、影响因素多、现场数据的噪声等对模型的运算速度和精度不易满足要求的困难。对ＰＬＳ的主矢量所张成的子空间进行了数学分析，并对该方法的降维去噪能力进行了讨论。仿真实例表明，ＰＬＳ－ＡＮＮ法与ＡＮＮ法相比，在训练与预报精度都有所改善的条件下，不仅具有良好的降维效果，且有更强的除噪能力；与线性ＰＬＳ法相比具有更好的非线性映射能力。     

基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想,提出了一种非线性软测量建模的新方法。即先用模糊ｃ均值聚类将训练集分成具有不同聚类中心的子集,每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型,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结果,此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究,结果表明比其它算法具有更好的泛化结果和预报精度,具有     

A New Sample-Selection and Modeling Method Based on Near-Infrared Spectroscopy and Its Industrial Application

Near-infrared （NIR） spectroscopy has been widely employed as a process analytical tool （PAT） in various fields; the most important reason for the use of this method is its ability to record spectra in real time to capture process properties. In quantitative online applications, the robustness of the established NIR model is often deteriorated by process condition variations, nonlinear of the properties or the high-dimensional of the NIR data set. To cope with such situation, a novel method based on principal component analysis （PCA） and artificial neural network （ANN） is proposed and a new sample-selection method is mentioned. The advantage of the presented approach is that it can select proper calibration samples and establish robust model effectively. The performance of the method was tested on a spectroscopic data set from a refinery process. Compared with traditional partial leastsquares （PLS） , principal component regression （PCR） and several other modeling methods, the proposed approach was found to achieve good accuracy in the prediction of gasoline properties. An application of the proposed method is also reported.     

固定影响平行数据模型参数的偏最小二乘估计

当平行数据的解释变量之间存在严重的多重共线性,或者样本点个数与解释变量个数相比较少时,用经典方法求解模型(如最小二乘法等)误差偏大,难以满足实际要求。针对这种情况本文提出用偏最小二乘法思想求解固定影响平行数据模型,并且实例表明误差明显减少,可以满足建模、预报的要求。     

可见-短波近红外光谱用于血红蛋白分析及其稳定性

基于随机性、相似性和稳定性,通过定标集、预测集、检验集的建模过程,采用可见-近红外(NIR)光谱结合偏最小二乘(PLS)方法建立人类溶血液样品的血红蛋白(Hb)的分析模型。将全谱扫描区(400—249 8 nm)分成可见区(400—780nm)、短波近红外区(780—110 0 nm)、长波近红外区(1100—249 8 nm)、可见-短波近红外区(400-1100 nm)、全近红外区(780—249 8 nm)。经过比较、检验,结果表明,可见-短波近红外区达到了最好的模型效果和稳定性,最优PLS因子数为7,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为4.42 g.L-1、0.967,达到了高的预测精度和稳定性。     

近红外光谱定量检测丙烷和异丁烷

近红外光谱分析技术结合偏最小二乘法（PLS）对多成分挥发性有机物（VOCs）进行连续的在线监测具有重要意义．用傅里叶变换红外光谱仪（FTIR）分析了丙烷和异丁烷2种挥发性有机物的近红外光谱特征．采用线性回归建模方法——偏最小二乘法在丙烷和异丁烷混合气体的近红外光谱范围（5600～6200cm^-1）内建立了预测模型．基于该模型预测了验证集样品中2种气体的含量,并对模型进行了评价．结果表明,对2种气体浓度的预测比较准确,相对误差基本在5％以内．