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.     

一种带奇异点检测和补偿的GPR在线软测量方法

针对软测量方法实际应用中查询样本可能出现奇异点这一问题,提出一种带奇异点检测和补偿的高斯过程回归(Gaussian process regression,GPR)在线软测量方法。该方法首先对训练样本利用高斯过程回归方法进行建模,得到软测量模型;然后对新来查询样本采用改进拉依达准则进行奇异点检测,当新来查询样本被确定为奇异点时,利用辅助模型进行修补,然后再利用软测量模型对修补后查询样本点进行预测;否则,直接对新来查询样本点使用软测量模型进行预测,此方法能够有效确保新来查询样本点的有效性。通过对实际硫回收过程的数据进行实验仿真,进一步验证了所提方法的有效性。     

基于批次加权正则极限学习机的发酵过程软测量

为实现发酵过程重要变量的预测,提出基于批次加权正则极限学习机的软测量模型。结合发酵过程中各批次变量变化轨迹与发酵初始条件密切相关的特点,采用欧式距离描述各训练批次初始条件与预测对象初始条件之间的相似度,设计了一种新的相似度量化函数求解各训练批次的惩罚权值,实现了批次加权正则极限学习机建模;另外,针对正则极限学习机中的超参数估计问题,采用贝叶斯方法对超参数进行估计,降低了计算代价且实现了参数自适应估计。将其应用于青霉素发酵过程产物质量浓度的软测量中,仿真结果表明该方法预测精度高,效果好。     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

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。     

基于PSO-ANN逆的发酵过程软测量建模

针对发酵过程中一些关键生化参量难以通过常规仪表实时测量,而制约发酵生产过程优化控制的问题,提出一种基于粒子群神经网络逆(PSO-ANN逆)的发酵软测量建模方法.以青霉素发酵过程为背景,首先建立其虚拟子系统数学模型,并构建发酵过程逆模型;其次,提出PSO-ANN逆的软测量实现方法,以克服解析法逆运算的复杂性甚至难于实现的问题;最终构建PSO-ANN逆软测量模型,并进行试验及仿真.结果表明:该软测量建模方法能够将机理建模与数据驱动建模方法相结合,充分利用对象模型的先验知识和经验数据,有效解决了青霉素发酵过程中不可在线测量的关键参量实时测量难题,其训练和测试误差分别达到0.037 2和0.046 1,模型具有较高的预测精度和较强的预测能力.     

基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

基于非参数回归的发酵过程软测量建模

为了对发酵过程进行检测并分析发酵中产物的浓度,提出一种基于非参数回归的发酵过程软测量方法。该方法直接利用未经处理过的历史数据,采用多维窗宽选择方法确定窗宽,通过计算待估计点与历史数据库中其他时刻点数据的距离来确定该时刻点的权值,从而达到软测量建模的目的,并将其用于青霉素发酵过程产物浓度的测量。实验研究表明,所得软测量模型精度较高,能够有效地实现对青霉素发酵产物浓度的估计。     

基于PSO-FNN逆的青霉素发酵软测量方法

青霉素发酵过程是一个严重非线性、时变、复杂的动态过程,发酵过程中一些关键参数(如菌体质量浓度ρX、基质质量浓度ρS和产物质量浓度(ρP)难以通过常规仪表在线测量,这些参数的获取非常耗时和困难。提出一种基于粒子群模糊神经网络逆(PSO-FNN逆)的软测量方法。首先给出青霉素发酵过程数学模型,然后根据逆系统理论证明其可逆性,在此基础上构建基于PSO-FNN逆的青霉素发酵软测量模型,最后通过仿真验证该方法性能。仿真结果表明:PSO-FNN逆的青霉素发酵软测量方法能够结合基于发酵机制和纯数据驱动2种软测量方法的优点,对不直接可测的关键参数实现在线软测量,较PSO-BPNN逆和PSO-BPNN软测量方法具有更高的预测精度和更强的预测能力。     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

基于圆形采样和稀疏表示模型的鲁棒目标跟踪

为解决基于稀疏表示的跟踪算法在小样本空间中出现模板漂移而在大样本空间中实时性差的问题,提出了一种基于圆形采样的双重稀疏表示目标跟踪算法.该算法对跟踪矩形窗数据进行圆形采样,这不仅保证了目标的灰度和结构信息,而且减少了背景信息干扰.同时对稀疏表示得到的小模板系数引入距离权重判断函数,判断目标样本变化情况,提高模板更新效率.最后引入HOG（histogram of oriented gradient）特征,对稀疏表示得到的多个次优解进行二次稀疏表示,有效解决小样本数量少带来的估计误差.实验结果表明,该算法能够提高小样本空间中目标跟踪的鲁棒性和实时性.      

基于ICA过程监控方法的研究

针对目前实际工业生产中变量不能严格服从高斯分布,且变量之间存有严重相关性的特点,进行了基于独立成分分析的过程监控方法研究。该方法不仅去除了变量之间的相关性,而且充分利用过程信息的高阶统计特性,建立过程信息的独立元模型。利用独立元模型对仿真实时数据进行故障检测研究,最后对离散系统多变量过程模型进行了仿真验证,仿真结果表明:该方法能快速准确的检测到运行中发生的异常,验证了该方法的有效性以及与PCA方法相比所存在的优越性。     

基于LAZE先验的机器学习方法在癌症数据上的应用——以前列腺癌数据集为例

针对高维癌症数据的特征构建稀疏化模型,分析了已有的稀疏化方法能够取得稀疏化结果的原因,以此为基础改进了使用LAZE先验的贝叶斯方法,得到了2个适用于癌症数据的新稀疏化方法（使用半混合先验的贝叶斯方法和使用完整LAZE先验的贝叶斯方法）;并利用前列腺癌数据集对2个新稀疏化方法的可行性与有效性进行验证. 数值实验结果表明:与传统稀疏化方法相比较,新稀疏化方法不仅能够得到较好的稀疏效果,能够完全剔除与目标指标无关的临床指标,还能得到较低的误差.     

一种自适应PC-Kriging模型的结构可靠性分析方法

为提高小失效概率及耗时的复杂结构可靠性评估精度和效率,提出了一种基于PC-Kriging(polynomial-chaos-based Kriging)模型与自适应k-means聚类分析相结合的结构可靠性分析方法.PC-Kriging的回归基函数采用稀疏多项式最优截断集合来近似数值模型全局行为,并用Kriging来处理模型输出的局部变化.在基函数的建立上,PC-Kriging采用最小角回归(LAR)计算功能函数可能的多项式基函数集的数量,同时用Akaike信息准则(AIC)来确定最优多项式形式.自适应k-means聚类分析确保每次迭代添加若干个对失效概率贡献较大的样本点.通过两个数值算例分析,结果表明所提出方法在能够保证失效概率估计值的有效性和准确性的同时减小结构功能函数的评估次数.     

基于两级神经网络的发酵过程多变量前馈解耦控制

针对具有时变、非线性、不确定性的多变量耦合生物发酵过程,提出了一种基于两级神经网络的多变量前馈解耦方法.一级神经网络利用可获得的过程信息拟和耦合通道的过程特性,实现耦合作用对被控量影响的估计;二级神经网络用来拟和控制通道的逆特性.通过两级网络的串联,消除系统间的耦合.实验结果表明,提出的解耦控制方法能适应生物发酵过程模型的不确定性和参数时变性,克服了前馈解耦方法依赖于过程模型和对模型参数的变化表现敏感的缺点.     

基于仿真方法验证IDEF3过程模型的有效性

经营过程建模中对模型的有效性验证是过程分析优化的基础。现有的过程模型有效性验证方法单纯追求算法的高效率,只能针对特定模型验证某些过程结构的合理性,不适合经营过程的复杂性需求。该文提出了一种基于仿真方法的有效性验证算法,在确保验证算法效率的基础上,能够验证扩展的IDEF3过程模型的3种逻辑错误:结构死锁、同步丢失和对象不匹配,从而不仅能够验证过程逻辑结构上的不合理,还能够对参与过程的对象所造成的不合理进行验证。     

一种基于信息粒度的高属性维稀疏数据聚类算法

目前的高属性维稀疏数据算法大多面向二态数据，而且没有聚类结果的评价方法，给应用带来很大局限。针对这些问题，给出一种基于信息粒度的高属性维聚类算法。首先通过设计面向数据稀疏特征的半模糊聚类算法对数据进行离散化，并基于此给出稀疏相似度和初始等价关系的定义，然后设计可变精度的二次聚类模型对初始聚类结果进行修正，使算法具有较强抗噪声能力，最后结合应用领域定义一种新的聚类质量的评价模型。实验证明，算法具有更广应用性，可提供多粒度分析结果，准确度更高，得到的聚类结果能真实反映数据的特征。     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.