基于KPCA和LSSVM的氧化铝粉流量预测

针对氧化铝粉流量需在线精确测量,在线分析仪表成本较高和测量滞后的问题,提出了一种将核主元分析(KPCA)和最小二乘支持向量机(LSSVM)两种方法相结合的软测量混合建模方法,通过核主元分析(KPCA)提取数据非线性主元,并利用最小二乘支持向量机(LSSVM)建立氧化铝粉流量预测模型,预测结果表明该模型具有更好的非线性数据处理能力,运算速度快、跟踪性能好以及泛化能力强等优点,能满足氧化铝粉流量的在线测量要求.     

基于KPCA-LSSVM的丁苯橡胶聚合转化率软测量

针对丁苯橡胶聚合转化率需在线实时预测,考虑实际工况的复杂性,首先采用具有较强非线性特征提取能力的核主元分析(KPCA)对数据进行前期处理,然后将其结果作为具有学习速度快、泛化能力强的最小二乘支持向量机(LSSVM)的输入,并以交叉验证法对LSSVM参数寻优,从而获得丁苯橡胶聚合转化率软测量模型.经采用工业现场数据仿真研究,聚合转化率预测绝对误差大于1.5的比例小于样本总数的10%,说明该模型预测精度能满足生产要求.     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

可变窗自适应核主元分析的化工过程故障诊断算法

针对核主元分析法(KPCA)处理非线性时变化工过程故障诊断易产生误报的问题,提出一种基于可变窗技术的快速自适应核主元分析(AKPCA)故障诊断算法.该算法在过程监控中当大量的数据块来临时,分别对KPCA模型进行迭代更新和复旧处理,通过计算SPE和T2统计量来调节滑动窗的尺寸,从而实现KPCA模型的进一步更新,克服了传统的自适应KPCA方法只能够处理某个时刻的一个观察点数据的缺点,能够有效地排除异常样本影响,从而提高时变过程性能检测的准确性.将该方法应用于酮苯脱蜡过程的监控中.与KPCA、滑动窗KPCA(MWKP-CA)的监测性能进行比较,仿真结果表明该方法能够很好地降低过程故障的误报率,对非线性时变的化工过程具有更可靠的检测性能.     

基于核主元分析和支持向量机的结构损伤识别研究

为了提取有效的损伤特征并提出实用的损伤识别方法,本文利用核主元分析(KPCA)良好的非线性特征提取和支持向量机(SVM)在非线性映射、分类方面的优秀性能,提出了一种基于非线性特征提取的支持向量机损伤识别方法.首先采用粒子群算法(PSO)来优化KPCA的核参数,然后运用优化后的KPCA进行损伤特征提取,最后用SVM进行模式分类并输出识别结果.为了验证所提方法的有效性,通过一个12层钢混框架模型进行损伤识别,并重点研究了KPCA的核参数优化模型及可分性分析、噪声程度、不同特征提取方法、神经网络模型对该方法性能的影响.研究发现:本文所提出的方法不仅能有效地提取损伤特征和降低数据维数,而且具有较高的损伤识别和抗噪能力、泛化能力,且鲁棒性很强.     

KPCA-KELM在短期交通流量预测中的应用

为了提高短期交通流量预测的收敛速度、预测精度,提出一种核主成分分析(kernel principal component analysis,KPCA)与核极限学习机(kernel extreme learning machine,KELM)相结合的KPCA-KELM方法.KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;而KELM方法无须设定网络隐含层节点的数目、通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性;新方法融合了KPCA与KELM的优点.采用西雅图华盛顿大学ITS研究组以及北京交通管理局实测的交通流量预测数据进行了试验,并将KPCA-KELM方法与单一的KELM,LSSVM,SVM以及KPCA-LSSVM,KPCA-SVM等预测方法进行比较.试验结果表明:新方法的收敛速度以及预测精度均优于对比方法;对北京交通管理局实测交通量数据的单步预测中,KPCA-KELM方法的预测精度比KELM方法提高了1.991 3.     

KPCA-KPLS方法在pH中和过程建模中的应用

针对化工过程中的具有严重非线性、不确定性、时变性的复杂pH中和过程系统建模问题,提出一种基于核主元分析(KPCA)与核偏最小二乘(KPLS)相结合的建模方法.在高维特征空间内,该方法通过KPCA有效地提取输入数据的非线性主元,利用KPLS方法将输入变量投影在潜在变量上,再用输入与输出变量之间的协方差信息提取潜在特征建立pH中和过程模型.为验证其有效性,将KPCA-KPLS方法应用到弱酸强碱中和过程、强酸强碱中和过程实例中,并与核偏最小二乘、核主元分析_支持向量机(KPCA-SVM)、核极限学习机(KELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)、SVM等方法进行比较.实验结果表明:KPCA-KPLS方法具有很高的动态建模精度.     

基于混沌粒子群优化的微电网短期负荷预测

针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)时存在非最优解问题,提出了一种基于混沌理论(Chaos theory)的粒子群优化LSSVM参数的短期负荷预测的方法.该预测模型首先引入混沌理论,对粒子群算法加以改进;然后让结合混沌理论的PSO对LSSVM回归估计进行参数优化,得到CPSO-LSSVM;最后将该方法应用于短期负荷预测,通过Matlab仿真训练得到预测结果.仿真实验结果表明该方法不仅可以降低算法陷入局部极值的可能性,还提高了学习能力,从而提高了预测的精准度.     

基于核主成分分析与改进神经网络的电力负荷中期预测模型

为了提高电力负荷中期预测水平,提出了1种核主成分分析(KPCA)和粒子群优化反向传播神经网络(PSO-BPNN)相结合的电力负荷中期预测模型。引入KPCA对原始输入空间降维重构,将降维后的数据集输入PSO算法优化的BPNN模型中,提出了月平均最大预测负荷修正日预测负荷的方法,输出待预测日的最大预测负荷。采用欧洲智能技术网络提供的负荷数据进行验证,实验结果的平均绝对百分误差为1.39%。     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于PSO优化LSSVM的出水BOD5预测建模

针对城市污水处理中有机物污染度指标BOD5缺少运行状态信息难以做到实时检测,提出了一种基于粒子群算法（PSO）优化最小二乘法支持向量机（LSSVM）的出水BOD5预测控制策略。在保证出水水质参数稳定达标条件下,提取城市污水处理过程中输入输出参数数据,通过LSSVM对被控对象出水BOD5进行建模,同时利用PSO对LSSVM模型进行参数寻优,获得最佳正则化参数γ和核函数参数σ。仿真结果说明,该模型提高了对出水BOD5值的预测精度并具有良好的泛化能力,达到了实时性的效果。     

质量预测及故障诊断建模过程中非线性特征提取

工业生产的质量预测及故障诊断建模过程中所涉及的特征数目大、复杂性高、非线性突出,造成了模型维数过高、时间复杂度高、计算精度下降.针对上述问题,提出了一种基于核主成分分析和粗糙集的特征提取方法,首先使用核主成分分析进行特征提取,再对提取出的特征用粗糙集进行约简,介绍了该方法的原理和具体实现步骤.并以某玻璃厂锡槽作业工艺为背景进行仿真实验,应用实际生产数据建立支持向量机的故障诊断模型,将应用核主成分分析、粗糙集及所提方法提取出的特征输入SVM诊断模型.对比三种方法的实验结果表明,基于核主成分分析和粗糙集的特征提取方法提取出的特征更优.     

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用

提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。对模拟电路故障信号采用小波包进行消噪和分解,作为最小二乘支持向量机的输入样本。为了避免参数优化时容易陷入局部最优的缺陷,使用粒子群算法对LSSVM参数进行优化选取。以Sallen-key带通滤波器电路为对象的仿真研究结果表明,提出的基于粒子群优化的最小二乘支持向量机可以对模拟电路有效地进行故障诊断,并且提高了诊断效率。     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

基于畸变分离的摄像机标定方法

在摄像机标定过程中,为了避免对摄像机模型中的畸变系数进行多次重复标定,提出一种将二阶径向畸变系数与摄像机模型分离的标定方法.该方法利用畸变形成的围线面积作为畸变评测函数,用模拟退火原理改进粒子群算法的惯性权重和学习因子;然后用改进的粒子群算法标定摄像机的畸变系数和图像中心点坐标,最后计算其他的摄像机参数.该方法无需预先知道摄像机的任何内外参数,算法简单,易于实现.实验表明,该方法与传统的非线性优化方法相比,图像坐标的平均反投影误差明显减小,而且具有更好的鲁棒性和精度.