改进的预测控制算法用于加热炉支管温度控制

加热炉支管温度平衡系统是一个多变量、非线性、强耦合的复杂过程,当应用传统预测控制方法时,控制量的获得需要在线求解一个多变量、多约束的非线性规划问题,传统非线性规划方法求解该类问题时易收敛到非法解或局部极小。针对上述问题提出一种基于差分进化(differential evolution,DE)算法的预测控制,使用DE算法在线求解涉及的优化问题获得控制量。为了验证方法的有效性,对基于DE算法的预测控制器进行了仿真研究。仿真结果表明,所提出的方法有着很好的跟踪性能,并且对干扰有较强的鲁棒性,提高了系统的控制效果。     

装载机销售量的二次拟合Verhulst直接模型研究

研究了装载机销售量的二次拟合Verhulst GM(1,1)直接模型,该模型不需要累加生成和累减生成,适合于等间距数据建模,也适合于非等间距建模。计算实例表明,该预测模型有更好的适应性和更高的精度,使用方便,值得推广。     

无烟粉煤催化气化碱渣煅烧脱碱制取硅肥

静态条件下研究了福建8种无烟粉煤催化气化后的含碱灰渣添加助剂煅烧脱碱后制取硅肥的可行性.结果表明:添加5%高岭土在870℃煅烧30~40 min,各煤种灰渣脱碱率接近100%,脱碱后的灰渣有效溶出量均超过20%;采用XRD及SEM对煅烧后的灰渣进行表征,揭示了助剂煅烧脱碱生成硅肥过程的实质,即在适宜煅烧温度下,助剂中被活化的主要物质SiO2(形成玻璃网络氧化物)、Al2O3(修饰中间氧化物)和灰渣中熔融并分解的Na2CO3(分解为修饰网络氧化物Na2O)等发生化学反应生成难溶于水而易溶于植物根系分泌有机酸的枸溶性硅酸盐,在煅烧脱碱的同时得到硅肥,实现了含碱灰渣煅烧脱碱无害化与资源化.     

一类快速非线性预测控制的分析与改进

针对仿射非线性系统,分析了一类快速预测控制算法稳态误差的来源,给出了误差的解析表达式.通过反馈校正消除稳态误差,提高了算法对模型失配的鲁棒性.对水箱液位控制系统的仿真和实验研究,结果验证了分析和改进的有效性.     

医药销售决策支持系统开发

围绕医药销售决策支持系统开发过程，阐述该系统中数据仓库结构设计、数据转换与处理、面向属性归约、预测算法模型的改进以及系统实现的主要编程方法。分析如何从算法速度、预测值准确性和周期数据预测方法等方面提高算法模型的效率。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

松辽盆地腰英台油田中-低孔低渗储层孔隙结构特征及含油性

松辽盆地腰英台油田青山口组和泉头组储层为中-低孔隙度、低渗透率储层,孔隙结构复杂.在分析储层孔隙结构特征的基础上,依据孔喉分布特征,把储层分为单峰型和双峰型2大类7种亚类.单峰型:A、B类具有宽缓不对称单峰状孔喉分布且峰值对应的孔喉半径中等—偏大;C、D类是具有低幅宽缓单峰孔喉分布特征的储层,近于对称单峰孔喉分布且孔喉半径中等—偏小;E类具有不对称单峰孔喉分布且孔喉半径小.双峰型:F类具有双峰孔喉分布且峰间距较大;G类属双峰孔喉分布且峰间距小.探讨了各类储层的孔隙结构特征与含油性之间的关系.研究结果表明,在其他成藏条件相同的情况下,储层孔隙结构特征控制其含油性.其中,A、B、F类,整体含油性较好;C、D、G类含油性差;E类不含油.     

高层建筑物沉降监测数据综合分析的几种方法

目的探求桩基基础与灰土地基基础高层建筑物沉降监测数据分析的较优方法。方法应用线性回归模型、时间序列模型、灰色系统模型对桩基基础与灰土地基基础的高层建筑物沉降实测数据进行分析。结果3种方法对桩基基础高层建筑物的数据分析均取得了良好效果,而对灰土地基基础高层建筑物沉降监测数据分析中,时间系列模型要优于线性回归模型、灰色系统模型。结论桩基基础高层建筑物的监测数据分析可以采用线性回归模型、时间序列模型、灰色系统模型,而灰土地基基础高层建筑物监测数据分析更适合选用时间序列模型。     

基于小波变换的期权市场中的时间价值序列预测

目的试探利用小波变换研究预测期权市场中时间价值序列。方法提出了基于小波变换的期权市场中的时间价值序列预测方法。结果实际分析表明所设计的预测方法是有效的。结论它同传统的预测方法相比较具有较高的可靠性,且有很好的应用前景。     

Yarn Properties Prediction Based on Machine Learning Method

Although many works have been done to constructprediction models on yarn processing quality, the relationbetween spinning variables and yam properties has not beenestablished conclusively so far. Support vector machines(SVMs), based on statistical learning theory, are gainingapplications in the areas of machine learning and patternrecognition because of the high accuracy and goodgeneralization capability. This study briefly introduces theSVM regression algorithms, and presents the SVM basedsystem architecture for predicting yam properties. Model.selection which amounts to search in hyper-parameter spaceis performed for study of suitable parameters with grid-research method. Experimental results have been comparedwith those of artificial neural network(ANN) models. Theinvestigation indicates that in the small data sets and real-life production, SVM models are capable of remaining thestability of predictive accuracy, and more suitable for noisyand dynamic spinning process.