基于小波分析和非线性映照的多维异常样本检测方法

数据预处理对于数据挖掘及其它基于数据样本的系统建模极为重要。数据预处理的一项重要任务是从大量数据样本中剔除异常样本,但在数据集中各数据项间关系未知的情况下,检测异常样本比较困难,为此,提出了一种基于小波分析和非线性映照的异常数据样本检测方法。该方法通过非线性映照对多维数据进行降维处理后,利用小波分析的局部分析优势检测异常样本。仿真结果表明,该方法切实可行,效果良好,有较强的实用性。     

基于数值模拟的气液相界面积计算方法

相界面积对气液两相流中传热、传质、物理化学反应等动力学过程影响重大。为获取这一参数,提出一种根据两相流数值模拟结果计算相界面积的方法。此方法借鉴分段线性重构界面的思想,在各网格单元内以平面近似真实相界曲面,根据目标流体的体积分数及其梯度向量将网格内相界面形貌归为五类,进而采用不同的方法分别计算各类相界面的面积。在铜转炉熔池内两相流数值模拟结果分析中的应用效果表明：该方法能有效提取两相流体系中任意区域的相界面积,从而为体系动力学特征的定量分析提供依据。利用相界面积数据,进一步计算了氧气利用率并识别出熔池内“高效反应区”,计算和识别结果与工程实际吻合,证实了该方法的准确性。     

5600 kVA电炉变压器微机测控保护系统

在镍冶炼生产过程中,电炉变压器的工作环境与条件均较一般的电力变压器恶劣,常规的集中控制保护不能满足其特殊的可靠性及安全性要求．随着微计算机技术及现场总线技术的发展,对变压器的保护与监控措施已开始改变．变压器微机测控保护与监控系统,以高性能嵌入式微控制器87C196KC-20为核心,应用CAN（控制器局域网络）现场总线技术,实现变压器保护测控装置与监控主机的多主通信,构筑一个全分布式的微机保护测控与监控系统,实现电炉变压器的反时限电流保护、运行参数实时监测与在线故障诊断等功能．     

基于彩色CCD的高温场软测量模型及应用

为了提高基于CCD传感器的高温场非接触测量技术的测量精度和准确性,提出一种高温场软测量混合模型.首先,通过机理分析建立一个含待定参数的机理模型;然后,利用黑体炉标定和在线标定数据,对机理模型中的待定参数进行参数辨识;最后,通过构建烟雾衰减辐射能补偿器,对受烟雾干扰的测温结果进行补偿校正.实验结果表明,模型测温精度和可信度较高,具有较强的实用性.     

混沌遗传算法及其应用

本文利用混沌运动的遍历性，提出了一种求解优化问题的混沌遗传算法（Chaos Genetic Algorithm, 简称CGA），该算法的基本思想是把混沌变量加载于遗传算法的变量群体中，利用混沌变量对子代群体进行微小扰动并随着搜索过程的进行逐渐调整扰动幅度。研究结果表明，该方法效果显著，明显提高了优化计算效率。     

等延时模糊多变量系统的自适应控制

基于ＴａｋａｇｉＳｕｇｅｎｏ模型（ＴＳ模型）推导出等延时模糊多变量系统输出的预测模型，提出了等延时模糊多变量系统的自适应控制算法，并简要讨论了闭环系统的稳定性     

基于非接触式温度测量中的高温熔体识别方法

提出一种基于灰度阚值分割的高温熔体识别方法.采用双峰法和最大方差自动取阚值法分别确定预分割阈值,再根据高温熔体的灰度值近似相等选择合适的分割闲值,使所分割的目标的灰度值的等级数较少,并使高灰度值的R色总数最多.根据这种方法,利用MATLAB软件,对拍摄的某铜冶炼厂高温熔体图像进行仿真实验,结果表明:对于目标和背景对比强烈的图像,采用双峰法分割效果较好;而最大方差自动取阈值法更适用于图像中目标占很大比例的情况;这种识别方法能自动调整不同拍摄条件下的图像分割阈值,从而准确地识别目标.     

镍熔炼矿热电炉生产过程智能决策支持系统(IDSS)

介绍了镍熔炼矿热电炉生产过程智能决策支持系统（ＩＤＳＳ）的结构和功能，重点论述了以模糊决策规则为基础的知识库和模型库系统，本系统具有自学习和自适应功能，已被用于现场的生产信息管理与分析和配料与操作条件的优化决策，能显著降低电能消耗，提高金属回收率．     

基于混沌变量的变步长梯度下降优化算法

梯度下降法与混沌优化法均具有各自的缺点。该文将二者结合起来,利用混沌运动的遍历性,将混沌因子引入到变步长中,对梯度下降法进行改进。首先利用混沌变量来初始化步长大小,并随着搜索过程向最优点靠近,逐渐调整混沌变量,从而使步长的变化也不断变小,以使最优点附近步长波动平稳,避免了梯度下降法拉锯现象的产生。通过3个典型算例,用该算法和梯度下降法以及其他2种算法进行了优化计算对比。结果表明,采用该算法的迭代次数减少了45%以上。     

支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。