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.     

基于最小二乘-支持向量机的制粉过程煤粉细度软测量模型

煤粉细度是煤粉磨制过程控制的一个关键工艺指标,保证煤粉细度在一定范围内对于优化锅炉或回转窑的燃烧效率有着重要意义。由于煤粉细度无法在线测量,而离线化验既不能保证实时性,又容易造成煤粉泄漏污染环境,因此难以实现对煤粉细度的有效控制。该文通过对制粉过程中影响煤粉细度的因素进行分析,采用基于最小二乘-支持向量机的方法建立煤粉细度的软测量模型。通过模型误差最小的原则,确定了模型相关参数,解决了样本数量较少,常规软测量方法难以实现的问题。通过现场采集的样本数据进行的实验研究表明了该模型的有效性。     

基于混合PLS-SVM方法的双酚A软测量建模

在对复杂生产过程的软测量建模中,为了有效地处理其生产过程的非线性、多输入和数据相关性等复杂特性,提高模型的推广能力和精度,提出了一种兼备偏最小二乘和支持向量机优点的混合偏最小二乘-支持向量机方法.在对双酚A结晶塔工艺分析的基础上,将该方法应用于双酚A结晶塔软测量建模.应用结果表明,该方法在模型精度、推广能力等方面都明显优于一些传统软测量建模方法.     

基于最小二乘支持向量机的水泥粒度软测量

采用最小二乘支持向量机的方法,利用现场测量的数据,建立水泥粒度软测量模型;通过交叉验证方法优化参数,并用仿真实验验证了该方法的有效性,解决了非线性、小样本、高维数等常规测量方法难以实现的问题,实现了水泥粒度的在线测量。     

基于最小二乘支持向量机的振动切削力软测量模型及其应用

为提高振动切削过程工件加工精度,利用最小二乘支持向量机建立振动切削力软测量模型;利用数控车床振动切削实验系统所采集数据作为最小二乘支持向量机的输入参数,振动切削力作为输出参数进行仿真分析。研究结果表明:该振动切削力软测量模型具有较高的建模精度和较强的泛化能力;对振动切削力进行软测量后,加工工件表面粗糙度平均误差可降低50%以上,圆度平均误差可降低70%以上。     

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.     

基于混合建模的锅炉飞灰含碳量软测量研究

飞灰含碳量运行人员判断锅炉运行好坏和降低煤耗的一项重要指标,是指导评价锅炉燃烧优劣的依据。精确和实时地监测飞灰含碳量有利于提高锅炉燃烧控制水平,降低发电成本,提高机组运行的经济性,本论文在参阅了大量文献后,对课题的研究现状进行了分析和比较,设计了一种基于混合建模的方法构建飞灰含碳量的软测量模型。     

赖氨酸发酵过程关键变量多模型软测量建模及其在线监控系统设计

针对目前赖氨酸生产过程中发酵产物品质参量难以实时测量,现有软测量模型精度不高、鲁棒性差的问题,提出了一种基于ISCA-LSSVR的赖氨酸发酵过程多模型软测量方法.首先,利用改进的满意聚类算法(ISCA)将样本数据集划分为c个子集;其次,利用最小二乘支持向量回归机(LSSVR)对每个子集分别构建子模型;随后,利用粒子群优化算法和退火算法协同优化模型参数;然后,加权融合各子模型输出得到最终系统输出;最终,设计了由上位机数据处理模块和下位机数据采集模块共同组成的赖氨酸发酵过程关键变量的智能实时监控系统.试验仿真结果表明,相较于传统单一LSSVR预测模型,ISCA-LSSVR模型对产物、基质、菌体质量浓度的预测精度分别提高了5.01％、3.62％和6.78％,模型泛化能力得到了较大提高.     

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.     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

火电机组锅炉烟气含氧量预测

火电厂测量烟气含氧量主要是用氧化锆传感器和磁式氧气传感器,由于测量环境灰尘大,具有腐蚀性介质如硫化物等,容易发生测量环室堵塞和热敏元件腐蚀,所以其稳定性差,测量误差大,容易发生故障。针对这一情况提出了一种基于遗传算法和神经网络的测量模型。根据电厂已有的测点和机理分析初步选取模型辅助变量,在建模前对数据进行预处理,分别采用拉依达法则去除粗大误差、五点三次平滑滤波去除噪音。采用偏最小二乘进行主元分析,最后运用遗传算法对神经网络的权值阈值进行寻优,构建了基于遗传算法对初始权值和阈值优化的反馈神经网络模型。研究结果表明,基于遗传算法优化权值和阈值的神经网络预测烟气含氧量精度较高,且收敛速度快。     

特征提取和小样本学习的电力工程造价预测模型

通过特征提取和小样本学习的结合,提出一种全新的基于混合算法的电力工程造价预测模型。利用主成分分析对原始指标进行预处理,消除原始指标之间的相关性,并提取潜在的综合独立指标,将新指标作为输入集构造基于最小二乘支持向量机的预测学习模型,将其预测结果和神经网络模型预测对比分析。并通过不同主成分数目预测结果的比较,确定最优的主成分个数,达到理想的预测效果。实例预测结果表明:该方法可以有效提取原始指标的信息量,在小样本学习方面表现突出,能够达到期望的预测效果。     

实时灰色最小二乘支持向量机模型在蒸汽预测中的应用

针对锅炉蒸汽产量预测的非线性和灰色性,提出将实时灰色最小二乘支持向量机模型应用于蒸汽预测,预测结果与实时 模型的预测结果进行对比,证明该模型具有更高的预测精度,可为蒸汽生产和调度提供决策依据。     

基于SVM与SOM的税务稽查选案模型研究

税务稽查选案是税务机关在税收征管和稽查中面临的一个重要问题。提出了一种基于支持向量机(SVM)与自组织特征映射(SOM)神经网络相结合的稽查选案方法。首先基于支持向量机(SVM)对纳税人进行分类,然后采用自组织映射神经网络(SOM)对疑点信息进行聚类,选出需要重点进行稽查的目标对象。通过对实例的具体测试,表明模型的有效性。     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通智能运输系统和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

支持向量机在小子样IC可靠性评估中的应用

小子样问题是IC可靠性评估中急待解决的客观问题,本文从工程实践的实际需求出发,提出了基于支持向量机的小子样可靠性评估方法,并给出了支持向量机在栅氧化层击穿寿命分布评估中的应用实例。通过与常规的最小二乘评估方法相比,其评估精度有了很大的提高,试验结果分析能更真实地反应栅氧化层的可靠性特点。     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

基于PLS和SVM的纸张抗张强度建模比较

为解决纸张抗张强度预测模型实际相关性差、预测精度低的问题,基于某瓦楞纸厂生产线,通过机理分析筛选出影响抗张强度的生产变量,分别使用偏最小二乘法(PLS)和支持向量机法(SVM)对抗张强度建模,并通过相关性筛选后的简化模型对模型预测精度进行比较.结果表明,简化后的支持向量机模型更适合纸张抗张强度的现场预测,其均方根误差为321N/m,皮尔逊相关系数为0.909,预测速度快且模型精度较高.