基于改进的双快速行进法的图像分割方法

由于回转窑烧结图像境界模糊、噪声严重,传统方法难以有效地分割出烧结图像中的物料区、火焰区、充分燃烧区和黑把子区等关心区域(ROIs)。提出了利用敏感区域改进双快速行进法与利用能量衰减方程除去区域间耦合的图象分割新方法。首先,在快速行进法中引入了敏感区域的概念,定义了新的终止条件,利用改进后的双快速行进法与图像融合方法进行物料区和黑把子区的粗分割;然后,提出了采用能量衰减方程除去烧结物料对火焰区的影响,利用大津方法对火焰区进行粗分割,并通过粗分割的火焰区与黑把子区的差分来进行火焰区的精分割。对回转窑烧结图像的分割试验表明,利用本方法能够有效地从回转窑烧结图像精确地分割出ROIs。     

基于遗传算法优化的GM(1,1)模型及效果检验

对变化较平稳的数据和变化幅度较大的非平稳数据两种序列建立的 GM(1 ,1 )模型 ,分别用加速遗传算法 (AGA)和最小二乘法 (LSM)对模型参数求解 .结果表明 ,对变化较平稳数据序列 ,两种参数求解法建立的预测模型的拟合优度和预测精度相差无几 ;对变化幅度较大的非平稳数据序列 ,基于 AGA的 GM(1 ,1 )模型的拟合优度和预测精度远高于基于 LSM的 GM(1 ,1 )模型的拟合优度和预测精度 .     

基于Elman网的水泥回转窑模型及其DHP控制器设计

水泥回转窑熟料煅烧过程是一个涉及传质、传热和物理化学反应的复杂的多变量、多扰动、非线性过程。为了稳定回转窑温度以提高水泥熟料烧成质量,降低能耗,需要探索新型优化控制方法。近似动态规划(ADP)综合神经网络、强化学习和动态规划等方法和技术,是一种新型优化方法。其中的双启发式动态规划(DHP)算法由于其评价网络的输出是代价函数关于状态量的偏导数,它具有动态性好、收敛速度快、控制精度高等优点。在分析水泥回转窑工艺的基础上,采用Elman神经网络建立回转窑系统的模型,并利用近似动态规划中的双重启发式动态规划算法设计回转窑温度优化控制器。仿真结果表明,在经历控制初期的波动后,回转窑烧成带温度逐渐趋于稳定,实现了对水泥回转窑的仿真控制。     

Shibor适用的短期利率模型

基于拟合优度、模型的预测效果等指标及数据的统计特征,考察单因素利率模型刻画拆借利率(Shibor)的适用性.多种统计检验表明:3月期限Shibor收益序列具有均值回复和厚尾特征;故初次选用带跳的Vasicek模型或带跳的指数Vasicek模型描述Shibor收益序列的变化过程;进一步应用粒子滤波方法对两模型的参数进行估计,并通过对两模型的拟合优度和预测精度的比较.最终遴选出带跳Vasicek单因子利率模型为描述Shibor的适用模型.     

加工中心故障分布规律及其研究方法

数控机床的平均故障间隔时间是一项重要的可靠性指标,然而作为该指标计算理论基础的故障分布规律却未得到充分研究.基于Ⅰ型截尾似然函数理论,结合加工中心试验数据,对加工中心故障间隔时间进行了威布尔分布模型的拟合,然后用Hollander-Proschan方法进行了拟合优度检验.最后证明该加工中心故障间隔时间服从威布尔分布.对这类有替换定时截尾数据,用截尾似然函数理论进行拟合,并且用Hollander-Proschan方法进行拟合优度检验,是非常有效的.     

基于粒子群最小二乘支持向量机的软测量建模

针对最小二乘支持向量机处理大规模样本软测量建模问题时出现模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定的情况,提出了一种改进的算法。利用样本间马氏距离进行样本相似程度分析,去除样本集中部分样本以简化模型结构并提高计算速度,此外应用改进的带扰动项粒子群算法优化模型参数以提高模型的拟合精度和泛化能力。将提出的改进算法用于丙烯腈收率软测量建模,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。     

基于向量夹角余弦的水文组合预报方法

针对水文预报中单个水文预报模型预报精度不高的问题, 提出基于向量夹角余弦的水文组合预报方法. 该方法采用组合预测理论建立了实测向量、预报向量和权值向量, 形成向量夹角余弦模型; 根据不同的历史水文资料状况, 给出拟合优度和动态逼近两种可变权值计算方法, 完成参数的率定, 并将各参数对预报精度的影响加以分析. 实验表明: 该方法能够有效地克服单个水文预报模型的不足, 通过实现多个单项水文预报模型的组合, 可将预报合格率提升约20%.     

基于火焰图像特征与BT-SVM的窑况识别方法

针对氧化铝回转窑烧成带工况变化复杂难以实现连续在线检测,长期依赖人工看火操作的难题,提出了利用计算机图像处理技术模拟传统的人工看火过程进行窑况识别研究的方法,方法包括两个部分:提取烧成带火焰图像特征,融合关键工艺过程数据组成混合特征;建立具有准正态二叉树结构的支持向量机窑况识别模型对混合特征数据进行分类识别.最后,应用该方法对采集得到的火焰图像数据与过程数据进行仿真实验研究,获得了满意的效果.     

基于多采样率数据的软测量模型

提出了一种利用具有不同采样率的过程数据建立软测量模型的方法.本文采用主成分分析技术对过程数据降维,然后用降维后的数据训练神经网络,建立软测量模型.通过仿真证明,该软测量模型结构简单,获得了过程输出变量在非采样时刻的估计值.     

关于上海股市极值收益渐近分布的实证研究

通过极值概率坐标图发现上海股市极值收益吴明显的曲线，说明极值收益具有非指数分布特征，呈属于极值Ⅱ型吸引场，随后依据极值理论利用参数及非参数方法澄清验证了广为人知却一直停留在感性认识的股票市场极值收益厚尾性。利用GEV模型实证拟合了上海股市极值收益分布形式，通过SHERMAN最优拟合优度检验得出上海股市极值收益分布服从Frechet分布。     

基于纹理粗糙度的回转窑火焰图像FCM分割方法

在深入研究氧化铝回转窑火焰图像特点的基础之上,提出了一种将基于图像灰度值的模糊C-MEANS(FCM)算法与图像纹理粗糙度特征相结合的图像分割方法.利用加窗自相关系数表征图像中火焰区与物料区在纹理粗糙度方面的差异,对FCM聚类的结果隶属度矩阵进行去模糊化运算,改善了火焰区与物料区的分割效果.实验结果表明,图像灰度值信息和纹理粗糙度特征的融合对于提高氧化铝回转窑火焰图像的分割精度具有重要的研究价值.     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

基于多支持向量机的软测量模型

在许多工业过程控制系统中，软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型，支持向量机（SVM）以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想，提出多支持向量机（MSVM）组合模型的软测量建模方法．该建模方法通过减聚类方法将输入空间划分为一些小的局部空间．在每个局部空间中用最小二乘支持向量机（LS-SVM）建立子模型．为解决子模型相互之间的严重相关问题，提高模型的精度和鲁棒性，各个子模型的预测输出通过主元递归（PCR）方法连接．仿真研究表明，采用该建模方法能够达到较好的建模效果。     

基于支持向量回归的地铁牵引能耗预测

预测地铁线路未来牵引能耗.有助于评价线路的牵引用能效率、节约能源.地铁牵引能耗影响因素众多且呈非线性关系.因此基于历史数据建立支持向量机回归模型对地铁牵引能耗进行预测.首先,将牵引能耗的影响因素分为供电系统、线路条件、列车属性、运营组织及环境因素五类,并选取线路可变影响因素作为模型输入;然后,利用遗传算法对模型参数进行寻优,适用度函数设计采用交叉验证方法:最后,基于模型最优参数对牵引能耗进行预测.案例结果表明,交叉验证方法有助于提高模型预测精度;支持向量机回归模型的预测精度高于BP(back-propagation)神经网络模型与多元线性回归模型.     

基于最小二乘支持向量机的软测量建模

软测量技术在工业过程控制中得到了广泛的应用，对保证产品质量和安全生产有很重要的作用。软测量技术的核心问题是建立优良的软测量数学模型。支持向量机是近几年发展起来的机器学习的新方法，它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文研究了基于最小二乘支持向量机的软测量建模方法，并用交叉验证的方法进行支持向量机参数选择。将基于最小二乘支持向量机的软测量模型应用于轻柴油凝固点的预估。结果表明最小二乘支持向量机是软测量建模的一种非常有效的方法。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于LS-SVM的特征提取及在凝点软测量中的应用

提出了一种基于最小二乘支持向量机(LS-SVM)回归算法的特征提取新方法,并将其成功应用于柴油凝点近红外(NIR)光谱软测量建模。在该方法中,将特征提取公式表达成与LS-SVM回归算法相同的形式,这样就能通过LS-SVM求取最优的特征投影向量。用一个含120个样本的401维柴油近红外光谱数据集进行测试,通过该方法提取后,原始光谱数据集的特征被降到了6维并保留了原有99.58%的信息。同时,用该数据建立的软测量模型具有更快的学习速度和更高的测量精度。实验结果验证了所提的特征提取新方法应用于近红外光谱特征提取的可行性和有效性。     

行波型超声电机基于输入电压变化的参数模型辨识

针对超声电机具有很强的依赖于输入控制电压的非线性和时变特性,很难建立适合控制的完整而精确的动态数学模型的问题,在分析行波型超声电机接触机理的基础上,将输入控制电压对超声电机动态参数的影响转化为所建模型时间常数、系统增益和延时参数的变化,并使用函数插值原理辨识模型参数与输入电压之间的函数关系,建立了电机的整体数学模型.最后给出实验结果验证了模型的有效性.