基于PSO-BP神经网络的催化裂化C3含量软测量模型

C3含量的在线估计对催化裂化生产过程操作具有重要意义,但是其在线测量难以实现,针对这一问题,利用软测量技术来实现C3含量的在线估计.建立了基于主元分析的神经网络模型和PSO-BP神经网络模型,并对其仿真结果进行分析和比较.结果显示,基于PSO-BP神经网络的C3含量软测量模型具有较高的精度和较好的性能,满足实际生产过程操作的要求.     

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.     

连续催化重整装置辛烷值软测量研究

研究连续催化重整生产过程中重整产品辛烷值软测量问题.首先结合工艺机理分析,找出影响辛烷值的主要参数,确定为辅助变量,建立起基于BP神经网络的辛烷值软测量模型.其次再采用PLS-BP算法改进模型结构,建立起基于PLS-BP神经网络的辛烷值软测量模型,可以看出PLS-BP所建模型结构相对简单,更适用于实际过程.最后对模型校正后在现场使用,结果表明测量结果令人满意.     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

基于PCA-RBF神经网络的工业裂解炉收率在线预测软测量方法

为了解决工业裂解炉收率在线预测的问题,研究了基于PCA(principal component analysis)-RBF(radial basis function)神经网络模型的多输入多输出(MIMO)软测量方法及其在线校正技术。该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉收率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点。本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的。     

基于PCA-RBF神经网络的工业烈解炉收率在线预测软测量方法

为了解决工业烈解炉收率在线预测的问题,研究了基于PCA(principalcomponentanalysis)-RBF(radialbasisfunction)神经网络模型的多输出(MIMO)软测量方法及其在线校正技术.该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉止率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点,本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的.     

基于灰色RBF神经网络的炼钢煤气消耗预测

煤气消耗预测是钢铁企业中能源管理重要组成部分之一,以炼钢过程煤气消耗为研究对象,将灰色理论与径向基函数（RBF）神经网络进行组合,建立了基于灰色RBF神经网络的炼钢煤气消耗预测模型,利用灰色理论累加求和特性对样本数据进行预处理,减小了数据的随机性,增强了数据变化的规律;利用RBF神经网络逼近这种数据变化的规律,通过预测误差,动态调整RBF神经网络的结构,使得预测误差在允许的范围内。通过仿真表明,提出的模型预测精度较BP神经网络预测精度高,均方差为2．02％,     

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。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

一种连续无创血压预测的改进向量机学习方法

因不同人体生理特征的差异性,影响了基于光电容积脉搏波（PPG）和心电信号（ECG）的连续无创血压测量精度,提出一种基于优化的支持向量机模型预测血压的方法。该方法将PPG、ECG及人体特征进行处理并组成特征矩阵,通过水银血压计测得实时血压值,运用主成分分析法和遗传算法改进的支持向量机学习模型对特征矩阵和实时血压值进行回归训练,从而建立最优血压预测模型。实验证明,优化改进支持向量回归血压预测方法比传统支持向量机学习法准确度提升了10%~15%。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

基于改进PCA的导弹装备健康表征参数提取方法

针对导弹装备健康状态信息复杂且相互交融、健康表征参数难以提取的问题, 提出一种基于改进主成分分析(principal component analysis, PCA)的装备健康状态低维敏感表征参数的确定方法。该方法先开展装备扩展故障模式及影响分析, 构建初始高维特征参数集, 再利用改进PCA对参数集进行降维处理, 在最大化高维表征参数全局特征方差的目标下, 提取出非线性表征参数子集。将该方法应用到导弹舵机健康评估实验中, 使用故障注入模拟设备进行验证。结果表明, 采用所提方法提取的健康表征参数对舵机健康状态识别准确率高, 说明所提方法在提取导弹装备健康表征参数中具有明显的优越性。     

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output, MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector, MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function, ICTF)作为平滑函数近似l₀范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。     

综合模块化航电系统性能退化Lévy模型

综合模块化航空电子系统(integrated modular avionics, IMA)是现代航空的核心系统之一, 其性能状态对飞机的安全性有着重要的影响。针对IMA性能退化特性分析问题, 首先依据IMA运行管理机制, 在现有测点的基础上, 遴选了间歇故障发生频次和功能完成时间作为表征IMA性能状态的健康特征参数。然后, 根据IMA自身运行特点证明了IMA功能完成时间历程是一个Lévy过程。提出了IMA性能退化Lévy模型, 构建了单因素影响和多因素综合影响的IMA性能退化模型。最后, 搭建了IMA仿真平台, 获取了IMA性能退化Lévy模型参数, 仿真了IMA性能退化历程, 验证了模型的有效性。     

闽江水域水质时空分布探索性研究

依据2008-2009年11个采样点8个水质指标数据,运用主成分分析和聚类分析,对闽江水质时空分布进行探索性研究。通过统计分析将8个水质指标概括为2个主成分,在空间尺度上分为2组,重污染区和轻污染区,在时间尺度上分为2组,枯水期和丰水期。结果表明闽江上游污染较为严重,中游一直到下游污染程度呈下降趋势。经过福州市区后,由于汇入了大量的生活和生产污水造成污染,使闽江水质急剧下降。同时,闽江水质受该地区的降雨量影响较大,它亦随着水温的变化呈季节性变化,冬季的水质最差。     

一种稳健的雷达高分辨距离像目标识别算法

雷达高分辨距离像目标识别算法通常对目标回波的噪声大小比较敏感,如果测试样本和训练样本的信噪比不等,那么将会导致识别性能的下降。在实际应用中,需要识别算法在不同噪声强度下都能够保持稳健的性能,因此在概率主分量分析模型的基础上,提出一种稳健的雷达高分辨距离像自动目标识别算法。该算法能够让模型随着噪声强度的不同而自适应地调整其参数,并且分析了雷达数据的能量归一化处理对模型参数的影响。由于算法搜索时间较长,为提高算法的搜索效率,推导了一个快速算法。基于实测数据的仿真实验结果验证了方法的有效性, 对噪声有较好的稳健性。     

均值-CVaR模型下的两基金分离定理

两基金分离定理对资本资产定价模型的研究有重要意义.经典的理论以方差为风险度量方法,而CVaR是近年来提出的一种新的风险度量方法.本文基于CVaR风险度量方法,研究了正态情形下风险资产组合的均值-CVaR模型,得到了此模型下的两基金分离定理及其有关性质,并与均值-方差模型进行了比较.最后通过实例分析表明均值-CVaR模型下的两基金分离定理更能满足投资者不同的风险忍受水平.