基于支持向量机的生物发酵过程软测量建模

针对最小二乘向量机的缺陷,提出了一种改进的最小二乘支持向量机回归方法.根据输入变量和样本点间欧氏距离的大小,去除回归模型中大部分的样本点,从而获得回归模型的“稀疏”特性,大大提高计算速度.同时,将这一方法应用于生物发酵过程,建立了青霉素发酵过程中产物浓度的软测量模型,实现了青霉素浓度的在线预估.仿真结果表明,这一方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段.     

最小二乘Littlewood-Paley小波支持向量机在发酵过程建模中的应用

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高问题,利用最小二乘支持向量机(LSSVM)和小波的理论,建立了一种新的模型.首先,选取Littlewood-Paley小波函数作为LS-WSVM的核函数,进而设计出最小二乘小波支持向量机(LS-WSVM),然后利用该算法对谷氨酸发酵过程进行建模.通过实际应用,实现了对残糖浓度、菌体浓度、谷氨酸浓度等不能在线测量变量的较准确预测,相对于LSSVM建模而言,提高了一个数量级,预测误差也明显得到改善,说明了该建模方法的有效性,具有一定的推广和应用价值.     

基于模糊最小二乘支持向量机的发酵过程建模研究

青霉素发酵过程具有时变性和高度非线性,对菌体浓度等的在线测量十分困难。最小二乘支持向量机建模,虽然提高了预测速度,但是预测精度有所欠缺。为提高预测精度,本文在最小二乘支持向量机中引入模糊思想,采用一种基于类中心距离的模糊隶属度函数,为青霉素发酵过程菌体浓度建立预测模型。原理分析与仿真结果表明模糊最小二乘支持向量机建模方法相比于单一的最小二乘支持向量机建模,它的预测精度高,性能更加优越。     

谷氨酸发酵过程的混合建模

针对谷氨酸发酵过程时变、非线性、模型的不确定等问题,提出一种综合机理知识与改进最小二乘支持向量机的发酵过程混合建模方法.采用改进最小二乘支持向量机模型对动力学模型估计值进行校正,弥补动力学模型的不精确性.将混合模型应用到谷氨酸发酵过程的谷氨酸质量浓度、基质质量浓度与菌体质量浓度的预测估计中,结果表明混合模型提高了单纯的机理模型的预测精度.     

发酵过程中生物量浓度的在线估计

在发酵过程中,像生物量浓度等变量都是进行实验室的离线采样分析,这往往由于存在较大的时间延迟而不能及时地进行过程控制,达不到指导生产的目的.而软测量技术为该问题提出了一个很好的解决办法.基于神经网络与最小二乘支持向量机分别建立了生物量浓度的在线检测软测量模型.模型分为两类:黑箱模型与混合模型.模型的训练与验证数据都是取自真实的实验过程诺西肽发酵.结果表明软测量方法对生物量浓度具有很好的预估性能,而且加入先验知识的混合模型精度更高.     

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.     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于自适应最小二乘支持向量机的预测函数控制

提出一种基于最小二乘支持向量机在线建模的自适应函数预测控制算法.该方法提出一种新样本与模型节点的相似性计算方法,结合预测误差与过程先验知识给出控制模型节点的加入准则,使其自适应调整模型的复杂度,保证模型系数的稀疏性,有效地提高建模的精度和速度;给出增加节点和删除最早节点时最小二乘支持向量机模型更新的在线递推形式;基于局部在线最小二乘支持向量机的线性化模型,给出了自适应预测函数控制算法.以pH中和控制作为仿真实例,结果表明该算法的有效性.     

基于MNNPLS的间歇过程的故障诊断

针对间歇生产过程的特点及多向部分最小二乘在故障诊断中存在的问题,提出了一种多向神经网络部分最小二乘方法,实现对间歇过程的在线监控和故障诊断。该方法结合了部分最小二乘的鲁棒性和神经网络表现输入输出非线性关系的能力,提高了模型的预测精度。将此方法应用于监测青霉素发酵过程中,仿真结果表明,它比传统多向部分最小二乘方法能更及时、准确地检测到故障。     

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。     

基于ELM-SVR模型的装备关键部件寿命预测

摘 要 装备关键部件数量众多,其性能决定了武器系统的健康寿命。为解决单一模型预测精度不高的问题,提出了基于ELM-SVR模型的剩余寿命预测方法。使用ELM模型的隐层神经元激活函数将特征映射到高维空间,提高特征辨识度,对高维特征采用核函数SVR模型拟合,以软间隔函数代替均方误差函数为优化函数,有效提升了剩余寿命预测精度。依据多个装备关键部件的综合性能指标对其进行剩余寿命预测,实验结果表明：与ELM、SVR、KELM模型相比,平均预测精度分别提高了57.14%,44.44%,11.76%,可见ELM-SVR模型具有一定的泛化能力与鲁棒性,可显著提高剩余使用寿命预测精度。     

露天矿卡车外排土场内部运距预测模型

为有效提高外排土场物料移运规划中运输功能耗模型的精度,以建立更为详细的排弃物料堆置次序优化、规划模型,针对年末排土计划中尚缺乏逐条带运距推估方法的问题展开研究,提出一种采用极限学习机算法(ELM)训练多元非线性运距曲线的预测模型,并将年末排土工程计划位置上已设计运输线路的排土条带作为训练样本,训练预测模型学习运距与影响因子间的时变特征,最终通过非线性运距表达推估待排物料块体的时变运距。为进一步增强ELM算法的预测精度,利用改进粒子群算法建立基于结构风险最小化的参数优化算法,改善了传统经验风险最小化算法的泛化能力,提高了算法预测精度。研究结果表明:采用模拟试算图解法最终确定ELM模型隐含层节点数为27;仿真测试中得出文中算法预测精度评价指标分别为均方误差0.006 8、拟合优度0.995 3、相对误差期望0.027%、绝对误差期望0.62、错估系数0.03、执行效率1.49s;对比多组智能算法预测模型,其绝对误差分别0.116 2、0.094 7、0.139 1,其错估系数分别为0.230、0.200、0.266,算法明显具有更好的预测效果。     

基于非参数回归的发酵过程软测量建模

为了对发酵过程进行检测并分析发酵中产物的浓度,提出一种基于非参数回归的发酵过程软测量方法。该方法直接利用未经处理过的历史数据,采用多维窗宽选择方法确定窗宽,通过计算待估计点与历史数据库中其他时刻点数据的距离来确定该时刻点的权值,从而达到软测量建模的目的,并将其用于青霉素发酵过程产物浓度的测量。实验研究表明,所得软测量模型精度较高,能够有效地实现对青霉素发酵产物浓度的估计。     

超大能力超细全尾砂长距离自流输送临界流速ELM预测

 为准确预测司家营铁矿超大能力超细全尾砂浆体长距离管道自流输送的临界流速,对比传统的BP 神经网络、支持向量机(SVM),建立了以管道直径、物料平均粒径、浆体体重和体积浓度为输入因子,临界流速为输出因子的极限学习机(ELM)预测新模型。研究结果表明,ELM 模型与SVM 模型的相对误差均控制在5%以内,远低于BP 神经网络模型的9.56%。由于隐层节点参数均随机选取且无需调节,使得ELM 算法在隐层节点数为110 和200 时,训练时间仅为0.02 s 和0.05 s,远少于同节点状态SVM 模型的0.04 s 和0.095 s,且隐含节点数越多,训练时间差距越大,运算效率越高。     

基于AdaBoost.R2和ELM的软测量新方法

针对软测量建模的特点提出了一种基于AdaBoost.R2和ELM的软测量新方法,该方法依据AdaBoost.R2可以提高单一学习机精度和ELM学习速度快的特点,将二者结合起来实现软测量建模.这种结合使得新的软测量方法在提高软测量模型预测精度的同时保证了软测量模型的建模速度.该方法已经应用于抚顺老虎台矿冲击地压预测中,实验结果表明其冲击地压软测量模型具有良好的预测精度.     

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ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.     

基于随机森林模型判别矿井涌(突)水水源

快速准确判别矿井涌(突)水水源对保障矿井安全生产有重要意义。近年来人类的活动对不同含水层的影响与日俱增,为提高矿井涌(突)水水源判别的准确性,提出选取地下水中7种常见离子浓度,和能够充分反映人类活动痕迹的硝酸根离子浓度及化学需氧量作为水化学判别指标,采用随机森林模型进行矿井涌(突)水水源判别。为验证选取指标和判别方法的有效性,以大孤山铁矿为例,将数据输入随机森林模型进行100次交叉验证,并将验证结果与支持向量机模型和极限学习机模型进行比较。结果表明,随机森林模型预测结果稳定性较强,预测正确率不容易波动;随机森林在建模过程中参数拥有宽广的适应范围。树的棵数为50时,训练误差趋于稳定,改变树的棵数对预测结果没有实际影响,而其余二者对参数选取较为敏感;随机森林的参数可以通过袋外数据(OOB)错误率简单地得到,而其余二者参数调整时需要通过交叉验证的方式才可以取得;随机森林对训练样本进行验证,正确率可达100%,对测试样本进行验证,正确率可达97.38%,两项精度均优于支持向量机与极限学习机;随机森林模型拥有更高的预测精度和鲁棒性,在矿井涌(突)水水源判定方面有较好的应用前景。