基于IBPLS方法的软测量建模

作为一种经典的回归建模方法,偏最小二乘法(partial least squares,PLS)已被广泛的应用于软测量建模中.但是,当建模数据混有较大噪声时,采用PLS模型的预测误差以及预测误差的方差都比较大.针对PLS方法的上述缺陷与不足,本文将迭代Bagging算法引入PLS回归建模中,形成迭代Bagging PLS算法(iterated Bagging PLS,IBPLS),该方法可以减少预测误差和预测误差的方差.仿真结果表明,与传统PLS方法相比,IBPLS减小预测误差约6％.     

径向基函数神经网络在精馏塔软测量中的应用

精馏塔是化工过程中最常用的操作单元，具有银强的线性和时变性，故很难进行机理建模分析或常规在线实时控制，因而提出一种基于径向基函数神经网络的优化控制方案。通过利用径向基函数神经网络建立精馏塔产品质量的软测量模型，将软测量结果与现场数据比较，表明本模型具有比较准确的跟踪显示效果，并将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中。     

基于改进JIT算法的软测量建模及其在污水处理中的应用

为解决污水生化处理过程中的水质参数BOD5(5天生化需氧量)难以在线监测的难题,在充分考虑污水处理过程非线性和多变量耦合的基础上,结合Jolliffe参数和数据选择算法提出了鲁棒最近相关性算法,并将其与RPLS(迭代偏最小二乘)和线性偏差补偿等算法相结合,对JIT(Just-in-Time)在线学习算法进行了改进,最后...     

基于模糊c均值聚类的多模型软测量建模

根据几个模型相加可提高模型的预测精度及鲁棒性的思想,提出了一种非线性软测量建模的新方法。即先用模糊ｃ均值聚类将训练集分成具有不同聚类中心的子集,每一子集用ＲＢＦ网络或部分最小二乘法进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果,此算法通过一个复杂非线性函数的仿真建模和一个分馏塔柴油倾点软测量建模的工业实例研究,结果表明比其它算法具有更好的泛化结果和预报精度,具有     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

RBF-LVLS方法用于甲醇合成反应器的软测量建模

及时、准确地测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义。RBF-LVLS是在分析RBF-PLS的基础上提出的新方法,它保留了RBF-PLS的优点,采用非线性的神经网络结构,又用数学方法直接求解,免去了ANN冗长的训练过程和其他诸多欠缺,同时,它所集成的LVLS方法将PLS的多个目标函数整合为因变量成分拟合误差一个,以此循环迭代求解自变量和因变量的成分及它们间的回归系数,从而使建立的模型既具有很高的预报精度和良好的稳定性,又有简洁的解析形式,便于优化等进一步的计算和处理。RBF-LVLS方法成功应用于甲醇合成反应器的软测量建模。     

关于无单元法中的插值基函数选取的探讨

无单元法不需要单元信息，它采用了一种基于移动最小二乘（MLS）的插值函数。插值基函数对插值函数以及无单元法的计算精度影响很大。本文就不同的基函数对插值函数及无单元法的计算精度的影响作了分析比较，得出了一些有益的结论，并用算例说明了这些结论的正确性。     

粗集理论在萃取精馏塔软测量中的应用

丁二烯萃取精馏过程中,副产品抽余液(BBR)的质量(丁二烯含量)和很多工艺参数有关,工艺参数之间又是相互关联、耦合的,并具有噪声。应用粗集方法将这些工艺数据进行压缩和抽提,解决了工艺参数间的相关问题,同时去掉了一些信息量不大,并带来噪声的成分。用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用径向基函数(RBF)网络进行训练来获得子模型,然后用模糊聚类产生的隶属度将各子模型的输出加权求和得到BBR中顺丁烯的含量,由顺丁烯的含量来估计丁二烯含量。结果表明,这种软测量算法具有较好的建模效果,由于采取了数据分组训练,大大节省了建模的训练时间,比单纯的基于神经网络的方法要快得多。     

基于模糊系统优化的软测量建模

为了解决模糊系统优化问题,提高全局优化能力,在模糊加权神经网络和微粒群算法的基础上,提出了一种基于微粒群算法的模糊神经网络优化算法。该算法可以同时对模糊加权神经网络的网络结构和权值参数进行优化,对实际问题可以自动生成较好的模糊神经网络模型。经过实验分析和计算,证明这种算法在解决模糊系统优化问题上表现了良好的性能,应用该算法可以有效地解决软测量问题。该结果对工业过程中的软测量建模提供了良好的参考价值。     

古德曼函数及其在求解非线性演化方程中的应用

基于最小二乘法的思想基础,提出了一种用古德曼函数构造非线性演化方程孤立波解的半解析方法.以Burgers方程和KdV方程为例,发现该方法给出的孤波解与相应的精确解吻合得很好.该方法也可以推广到求解其他非线性演化方程的孤立波解.     

A Novel Extension of Kernel Partial Least Squares Regression

Based on continuum power regression(CPR) method, a novel derivation of kernel partial least squares(named CPR-KPLS) regression is proposed for approximating arbitrary nonlinear functions.Kernel function is used to map the input variables(input space) into a Reproducing Kernel Hilbert Space(so called feature space),where a linear CPR-PLS is constructed based on the projection of explanatory variables to latent variables(components). The linear CPR-PLS in the high-dimensional feature space corresponds to a no...     

基于偏最小二乘回归分析综述

综述了偏最小二乘法直接求解的方法,以及不同情况下的偏最小二乘回归算法,总结其优点及局限性.     

基于改进的偏最小二乘回归的酸雨pH值预测

酸雨pH值受到酸性离子[SO4^2-]、[NO3^-]和碱性离子[Ca^2＋]、[NH4^＋]等的影响。这些影响因素之间存在多重相关性。用一般最小二乘回归分析预测pH值,参数估计存在很大的误差且物理意义明显不足。应用偏最小二乘回归技术建立pH值预测模型,克服了自变量之间多重相关性的问题,因而更具有先进性,计算结果更为可靠,而改进的偏最小二乘回归则从预测角度对偏最小二乘回归模型进行了改进。以我国17个城市pH值预测为例,说明了改进的偏最小二乘回归法比普通偏最小二乘回归法效果好。     

基于核偏最小二乘回归的人脸识别

在采用主成分分析进行人脸重构和识别时,仅从样本自身提取特征向量会导致识别误差。因此,在参考主成分分析的基础上,采用偏最小二乘回归进行人脸图像的训练和识别,并对偏最小二乘回归引入核函数。在ORL人脸数据库上的实验结果表明,偏最小二乘回归明显优于主成分分析,同时核偏最小二乘回归也显著提高了识别正确率。     

基于偏最小二乘分析的人脸表示与识别

基于偏最小二乘回归分析,提出了一种新的人脸表示与重构方法.与主成分分析相比,通过偏最小二乘所抽取的低维人脸表示特征具有更好的分类性能.在ORL人脸数据库上的实验结果表明,基于偏最小二乘方法对于测试图像进行重构优于主成分分析方法,并且分类结果也好于后者.     

基于偏最小二乘的人脸超分辨率重构

提出了一种基于偏最小二乘(PLS)的超分辨率重构方法用于快速恢复高分辨率人脸图像.该算法利用主成分分析(PCA)方法将所有高、低分辨率人脸图像投影到各自的特征子空间中,通过PLS对高、低分辨率投影变量之间的统计关系进行回归建模.当输入的低分辨率人脸图像给定时,对应的高分辨率人脸图像可以由训练后的回归模型导出.实验结果表明,在离线训练的情况下,所提出的算法可以快速地给出令人满意的重构解.     

基于偏最小二乘地理元胞模型的城市生长模拟

提出了一种基于偏最小二乘回归(PLS)方法的地理元胞(cellular automata,CA)模型PLS-CA,并用来模拟城市生长和扩展.CA模型的定义涉及存在严重相关性的众多空间变量,而传统的多准则判别技术(MCE)和主成分分析(PCA)不能够彻底地解决变量相关性问题.利用偏最小二乘回归从空间变量中提取线性无关的主成分,从而获取地理元胞自动机(CA)的转换规则,在地理信息系统(GIS)环境下建立PLS-CA模型,可以优化城市生长和扩展的模拟.利用提出的PLS-CA模型,模拟了上海市嘉定区1989年与2006年城市生长和扩展情况.     

基于粗糙集的偏最小二乘回归方法

针对变量之间多重相关性导致最小二乘估计失效的问题,提出基于粗糙集改进偏最小二乘回归建模方法.首先,利用粗糙集对数据进行一般约简,去除冗余信息,再进行偏最小二乘回归分析,建立回归模型.通过实例计算,并与PLSR、PCR进行比较分析.结果表明：用粗糙集改进的PLSR建模精度为3.65%,分别高于PLSR(4.07%)和PCR(4.45%),从而验证了所提出方法的通用性及实用价值.     

A Novel Soft Sensor Modeling Approach Based on Least Squares Support Vector Machines

Artificial Neural Networks (ANNs) such as radial basis function neural networks (RBFNNs) have been successfuUy used in soft sensor modeling. However, the generalization ability of conventional ANNs is not very well. For this reason, we present a novel soft sensor modeling approach based on Support Vector Machines (SVMs). Since standard SVMs have the limitation of speed and size in training large data set, we hereby propose Least Squares Support Vector Machines (IS_ SVMs) and apply it to soft sensor modeling. Systematic analysis is performed and the result indicates that the proposed method provides satisfactory performance with excellent approximation and generalization property. Monte Carlo simulations show that our soft sensor modeling approach achieves performance superior to the conventional method based on RBFNNs.     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题.对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度.定义了一种混沌映射构成混沌系统并分析了其遍历性.应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力.将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明:模型精度较高,泛化性能好,满足现场测量要求.