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。     

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.     

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。     

催化剂粉尘浓度软测量建模研究与应用

采用基于Mie理论的激光散射法测量催化剂粉尘浓度时,催化剂粉尘浓度与监测参数——入射光强、散射光强、出射光强以及烟气流量之间存在着复杂的非线性关系,给粉尘浓度的准确测梁带来困难。利用支持向量机优良的非线性映射和强大的泛化能力,建立了一个基于最小二乘支持向量机的催化剂粉尘浓度软测量模型,给出了相应的系统结构和算法,并通过网格搜索和交叉验证的方法对支持向量机进行参数选择。采用遗忘因子法和数据滑动时间窗技术对工业软测量模型进行在线校正,克服了工况条件发生改变时的估计偏差,提高了估计精度。仿真和实际运行结果表明基于LS-SVM的软测量模型具有较高的估算精度与泛化能力,为催化剂粉尘浓度的在线测量提供了一种简单、可靠的新方法。     

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。     

基于多支持向量机的诺西肽发酵中菌体浓度软测量

提出了多支持向量机建模进行发酵过程的参数识别方法。这种建模可以称为“多模型”方法。发酵过程存在着像菌体浓度等不可在线测量的生物量,只能采用离线采样分析方法,由于所得数据是在不同的时间间隔内获得的,导致检测结果经常出现较大的滞后,不能及时指导生产。而软测量技术的发展为该问题提出了一个很好的解决办法。提出的多支持向量机建模方法,利用可在线测量信息,建立了菌体浓度的预估模型,并且把它应用到诺西肽发酵过程中,估计结果与实验结果吻合得很好,表明了该软测量方法的实用性。     

支持向量机控制与在线学习方法研究的进展

支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控制领域研究的主要成果和存在的问题,以便为进一步的研究提供一定的支持与帮助。     

基于PCA和SVM的控制图失控模式智能识别方法

控制图是在线质量控制的重要工具,而利用控制图进行异常过程模式识别却是个困难问题。该文在分析现有控制图识别技术在实际应用中存在缺陷的基础上,提出了一种基于主元分析(PCA)和支持向量机(SVM)的控制图失控模式识别方法。首先,将控制图作为信息图用于趋势模式数据集提取;然后,通过对数据集的高维特征进行线性组合并向低维空间投影的方法,降低了分类器的输入维数,提高了各维特征的敏感性;最后,为了克服神经网络方法速度慢和泛化能力弱的缺陷,利用SVM小样本学习能力,有针对性地设计SVM多分类器进行模式识别。用一个含有6种趋势的20维特征仿真数据集对该方法进行检验,通过主元分析后,数据集的特征被降到了3维并保留了88%的分类信息。进一步的识别结果表明,该方法相对现有的BP、SLFM识别方法达到更高的识别率和识别速度,适合质量控制图在线实时识别。     

一种基于QBC的SVM主动学习算法

针对支持向量机(souport vector machine,SVM)训练学习过程中样本分布不均衡、难以获得大量带有类标注样本的问题,提出一种基于委员会投票选择(query by committee,QBC)的SVM主动学习算法QBC-ASVM,将改进的QBC主动学习方法与加权SVM方法有机地结合应用于SVM训练学习中,通过改进的QBC主动学习,主动选择那些对当前SVM分类器最有价值的样本进行标注,在SVM主动学习中应用改进的加权SVM,减少了样本分布不均衡对SVM主动学习性能的影响,实验结果表明在保证不影响分类精度的情况下,所提出的算法需要标记的样本数量大大少于随机采样法需要标记的样本数量,降低了学习的样本标记代价,提高了SVM泛化性能而且训练速度同样有所提高。     

基于支持向量机的青霉素发酵过程建模

由于微生物发酵过程的复杂性和高度非线性,更多的简单的数学模型不能很好地描述这类生化系统。支持向量机(SVM)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、高维数和局部极小点等实际问题。SVM方法建立了青霉素效价预估模型,此模型具有良好的拟合和泛化能力。通过实验分析了SVM参数调整对支持向量机建模的影响。通过由现场数据建立的各种模型可以发现,SVM建模方法优于神经网络(ANN)建模方法。     

基于支持向量机的逆动力学模型辨识及应用

建立系统逆动力学过程模型已经成为许多非线性系统控制问题研究与实现中的关键问题。该文应用支持向量机(SVM)回归方法实现了对热工对象的逆动力学过程在线辨识,并通过三个典型的仿真算例对基于SVM的非线性系统逆动力学过程模型的有效性进行了考察。仿真结果表明,基于SVM的逆动力学过程模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力;利用所建立的系统逆动力学过程模型能够获得恰当的控制作用,保证系统的输出按照给定的轨迹达到设定值。     

多属性决策的支持向量机方法

为获取和表达决策者的偏好,实现对决策方案的选择,提出了基于支持向量机的多属性决策方法.首先,分析了多属性决策支持向量机方法的原理.其次,提出了基于属性效用函数估计的学习样本构造方法,从决策问题本身抽取学习样本.最后给出了一个算例.     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.