高维数据分类方法研究

在对高维度数据进行模式分类时,能否有效进行降维是一个关键问题.提出了一种结合高斯过程潜变量模型(GPLVM)和支持向量机(SVM)的阶梯跳跃降维分类框架方法,能有效的降低样本数据维数,同时提高分类器性能.利用GPLVM实现数据的平滑映射,对输入样本进行非线性降维后,根据SVM的分类校验结果进行下一步降维迭代操作;计算新的阶梯维数,根据反馈动态调整降维输入数据.利用该方法对UCI上的数据集进行分类,仿真结果验证了方法的有效性.     

基于多关联向量机的动态软测量建模

为了估计工业过程中的质量参数,考虑到实际过程中的动态特性,提出一种基于多关联向量机的动态软测量建模方法.对于动态过渡周期内的二次变量数据,根据不同采样时刻划分为多个计算子空间,在每一子空间内采用关联向量机来建立不同时刻的二次变量对主导变量的影响模型.各个子模型的输出采用一个综合关联向量机进行连接,从而建立了基于过渡周期内不同二次变量采样数据的主导变量动态软测量模型.通过实例仿真,结果验证了所提出方法的有效性.     

连续催化重整装置辛烷值软测量研究

研究连续催化重整生产过程中重整产品辛烷值软测量问题.首先结合工艺机理分析,找出影响辛烷值的主要参数,确定为辅助变量,建立起基于BP神经网络的辛烷值软测量模型.其次再采用PLS-BP算法改进模型结构,建立起基于PLS-BP神经网络的辛烷值软测量模型,可以看出PLS-BP所建模型结构相对简单,更适用于实际过程.最后对模型校正后在现场使用,结果表明测量结果令人满意.     

基于过程数据的动态PLS建模

许多工业过程中获得的输入输出数据在时间、空间上是高度相关的,且含有测量噪声。针对此类数据,提出采用动态PLS方法,最大化输入和输出变量矩阵之间的协方差,保留大部分有用信息,去除测量噪声,把高维数据空间降维,建立较为精确的工业过程数学模型。提出对MIMO系统进行研究,推导了可直接用于控制的动态PLS模型数学公式。对一个工业过程实例进行仿真,分别应用动态PLS回归和线性回归MLR方法,得出的结果经分析验证了此算法的有效性。     

基于迁移成分分析的发酵过程集成软测量建模

青霉素发酵过程具有不确定性和多阶段等特点，不同批次发酵过程间存在工况差异，过程数据的分布不一定相同，使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型，提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用迁移成分分析求解样本间共享特征映射矩阵，适配建模过程数据与待测数据的边缘概率分布；并基于高斯混合模型对建模数据进行聚类划分，与偏最小二乘算法结合建立子模型的集成模型，完成对主导变量的预测。基于青霉素平台数据的仿真结果表明，所提方法不仅能够有效提高青霉素发酵过程软测量模型的精度，而且适应于变工况下青霉素浓度的预测。     

基于LS-SVM的特征提取及在凝点软测量中的应用

提出了一种基于最小二乘支持向量机(LS-SVM)回归算法的特征提取新方法,并将其成功应用于柴油凝点近红外(NIR)光谱软测量建模。在该方法中,将特征提取公式表达成与LS-SVM回归算法相同的形式,这样就能通过LS-SVM求取最优的特征投影向量。用一个含120个样本的401维柴油近红外光谱数据集进行测试,通过该方法提取后,原始光谱数据集的特征被降到了6维并保留了原有99.58%的信息。同时,用该数据建立的软测量模型具有更快的学习速度和更高的测量精度。实验结果验证了所提的特征提取新方法应用于近红外光谱特征提取的可行性和有效性。     

基于主元分析的气体膜分离过程RBFNN建模

构建一个基于主元分析的气体膜分离过程的RBF神经网络软测量模型,研究氢回收过程中一些难以测量的重要性能参数。在炼厂气氢回收研究中提出的通过测量间接变量建立软测量模型方案的基础上,融入主元分析思想,先对间接测量变量进行主元分析,得到为主导变量提供关键信息的变量,再建立RBF神经网络对目标变量进行研究分析。基于实验数据和RBF神经网络模型,利用MATLAB软件平台对氢回收过程的重要性能参数分析研究,仿真结果证明了此模型的正确性和理论分析的合理性。主元分析的融入简化了气体膜分离过程重要性能参数在线检测的研究过程。     

基于LS-SVM的浮选过程工艺技术指标软测量

浮选过程关键工艺指标精矿品位和尾矿品位难以实现在线连续检测,且与浮选过程给矿浓度、给矿量、给矿粒度、给矿品位和浮选药剂量等因素动态特性具有强非线性、不确定性等综合复杂特性,难以建立精确数学模型。在分析了浮选过程工艺指标相关影响因素的基础上,采用最小二乘支持向量机(LS-SVM)建立了浮选过程工艺技术指标软测量模型,现场生产数据仿真研究结果表明了所提出的软测量模型的有效性。     

基于PSO-BP神经网络的催化裂化C3含量软测量模型

C3含量的在线估计对催化裂化生产过程操作具有重要意义,但是其在线测量难以实现,针对这一问题,利用软测量技术来实现C3含量的在线估计.建立了基于主元分析的神经网络模型和PSO-BP神经网络模型,并对其仿真结果进行分析和比较.结果显示,基于PSO-BP神经网络的C3含量软测量模型具有较高的精度和较好的性能,满足实际生产过程操作的要求.     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

基于最小二乘支持向量机的软测量建模

软测量技术在工业过程控制中得到了广泛的应用，对保证产品质量和安全生产有很重要的作用。软测量技术的核心问题是建立优良的软测量数学模型。支持向量机是近几年发展起来的机器学习的新方法，它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文研究了基于最小二乘支持向量机的软测量建模方法，并用交叉验证的方法进行支持向量机参数选择。将基于最小二乘支持向量机的软测量模型应用于轻柴油凝固点的预估。结果表明最小二乘支持向量机是软测量建模的一种非常有效的方法。     

基于多支持向量机的软测量模型

在许多工业过程控制系统中，软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型，支持向量机（SVM）以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想，提出多支持向量机（MSVM）组合模型的软测量建模方法．该建模方法通过减聚类方法将输入空间划分为一些小的局部空间．在每个局部空间中用最小二乘支持向量机（LS-SVM）建立子模型．为解决子模型相互之间的严重相关问题，提高模型的精度和鲁棒性，各个子模型的预测输出通过主元递归（PCR）方法连接．仿真研究表明，采用该建模方法能够达到较好的建模效果。     

基于车辆动力学和Kalman滤波的汽车状态软测量

针对汽车动力学控制过程中难以在线测得的横摆角速度等状态参数,根据参数软测量理论,采用Kalman滤波并结合汽车两自由度动力学模型,建立了汽车横摆角速度的线性最小均方误差估计算法。仿真计算与场地实验的结果验证了该算法的有效性,同时软测量技术的采用也为汽车控制系统的状态参数测量提供了一条可行、准确且低成本的研究思路。     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

Sensor management based on fisher information gain

1 .INTRODUCTIONSensor management can be described as a systemor process that provides automatic or semi-auto-matic control of a group of sensors[1]. The basicobjective of sensor management is to select rightsensors to do the right service on the right targetat right ti me based on external measurements orcriteria[2]. A variety of techniques have been pro-posed or appliedtothe area of sensor management .One of the first articles to apply opti mization tech-nique to sensor management is by …     

基于高斯过程的软测量建模

软测量技术在工业过程中得到了广泛的应用，其核心问题就是建立软测量模型。提出了一种基于高斯过程的软测量建模方法，高斯过程是一种有着概率意义的核学习机，在不牺牲性能的条件下，与人工神经网络和支持向量机相比具有实现简单的特点，理论分析和仿真研究表明了高斯过程在软测量建模中的优越性。