基于支持向量机的曝气池SVI软测量研究

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法。活性污泥法工艺中反应出水水质的重要参数(曝气池SVI)难于在线测量,为此用某城市污水处理厂的实际水质参数数据,采用粗糙集理论(RS)和主元分析(PCA)进行数据的预处理,建立了基于SVM的曝气池SVI软测量模型,并进行了比较。综合考虑后,选择RS-PCA-SVM模型。结果表明,经粗糙集和主元分析预处理数据后,大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

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.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于支持向量机的软测量模型及应用

支持向量机(Support Vector machine, 简称SVM)是一种基于结构风险最小化原理,具有很高泛化性能的学习算法.针对软测量过程中,被测系数与相关参数之间存在有较大的非线性和模糊关系,提出了一种基于支持向量机的软测量模型及算法.为小样本、非线性、高维数一类软测量问题的建模提供了一种有效的途径.通过对"纸张水分在线测量系统"应用表明,基于SVM的软测量模型及算法在测量精度和推广性能上都具有一定的优越性.     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题，利用基于支持向量机技术的软测量建模方法，建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集，并根据预估精度决策在线优化和模型更新，提高工业软测量模型的在线估计精度。研究结果表明，基于滑动时间窗的LS—SVM软测量建模方法，是一种有效的软测量建模方法。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于相关向量机的赖氨酸反应过程参数软测量

针对支持向量机(SVM)计算复杂度高、参数不容易确定等局限性,提出一种基于相关向量机(RVM)的赖氨酸反应过程关键参量的软测量方法.根据过程经验,确定发酵液的溶解氧浓度、pH值、二氧化碳释放率、氧吸收率和葡萄糖流加速率为辅助变量,利用相关支持向量机的拟合与泛化能力,建立了赖氨酸反应过程基质浓度、菌体浓度、产物浓度等不可直接测量参量的软测量模型.基于L-赖氨酸反应过程开展的试验研究表明:所建立的相关向量机软测量模型拟合精度高、泛化能力强,较好地满足了赖氨酸反应过程的控制要求.     

基于PSO-LSSVM污水处理系统出水数据的软测量

以某公司污水处理系统为背景,利用各进水数据基于支持向量机建立软测量模型,实现对出水BOD5质量浓度、COD质量浓度的预测.针对支持向量机参数的选择问题,采用粒子群优化算法对其进行调整,最终实现污水处理系统BOD5质量浓度、COD质量浓度的软测量.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于Elman神经网络的城市污水处理水质参数软测量

在介绍序批式活性污泥法(SBR)的城市生活污水处理工艺的基础上,针对反应过程所具有的多变量、非线性和动态复杂反应的特点,利用水质参数与多个过程可测参数间的关联关系,提出了基于Elman递归人工神经网络的水质参数软测量模型.以ORP,DO浓度和pH值作为输入参数,可实现对COD,NH3,TP水质参数的软测量.基于污水处理实验数据建立软测量模型,结果表明,上述软测量模型对污水处理水质指标COD,NH3,TP具有理想的预测效果.     

直线振荡电机支持向量机非参数建模

为了寻找反映直线振荡电机参数与性能输入输出传递关系的快速计算模型,利用有限元分析法,建立了直线振荡电机非参数建模的基本数据计算模型,根据基本数据计算模型,引入支持向量机（Support Vector Machines,SVM）非参数回归建模方法,建立了用于直线振荡电机参数与性能之间输入输出传递关系的SVM计算模型,为电机参数优化过程提供了方便快捷的在线计算方法。通过SVM模型和有限元模型输出推力的比较,验证了直线振荡电机支持向量机非参数建模的可行性。     

基于K近邻的支持向量机多模型建模

单一的支持向量机在建模时存在一定的局限性,对于复杂的实际数据,不能很好地提取其中的信息,导致模型泛化性能较差,为此提出基于K近邻的组合支持向量机方法。该方法首先采用简单距离分类方法对经过主元分析的样本数据进行分类,并采用K近邻算法得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。将该方法应用于双酚A生产过程中质量指标的软测量建模,仿真结果表明基于K近邻方法的支持向量机多模型建模可以有效提高模型的泛化性能,并验证了该算法的可行性和有效性。     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

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。     

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。     

改进型支持向量机在水质分类中的应用研究

文章分别使用BP、RBF等神经网络和支持向量机等非线性方法对相同的水质数据建立分类模型。使用支持向量分类机建立水质分类模型过程中,选用RBF核函数,结合归一、降维等数据预处理手段,利用网格搜索算法对参数进行寻优,得出水质分类模型。实验结果证明在非线性方法中,采用支持向量机并结合相应的数据预处理手段这种方案得出的分类准确率更高,更加具有推广性。     

基于粗糙集下近似理论的支持向量机分类方法

传统的粗糙集理论不能处理连续属性,而且得到的分类规则大多比较复杂.支持向量机理论能够得到简洁的分类规则,也能处理连续属性,但仅适用与小样本,对大样本数据集有一定的局限性.文章首先提出了针对连续属性的粗糙集下近似理论,使粗糙集理论能够应用到连续属性.基于上述理论以及支持向量机分类方法仅与支持向量有关的特性.提出了一种先由粗糙集进行预处理的支持向量机分类方法.实验表明,该方法在缩短训练时间的基础上,保留了支持向量机方法所需分类信息,提高了分类精度,克服了SVM算法的应用瓶颈.     

基于连续属性离散化和SVM的分类预测方法

提出一种基于粗糙集中连续属性离散化和支持向量机（SVM）的分类预测算法。首先,提出一种新颖的Improved Chi2离散化技术,将其作为预处理器将连续属性数据离散化,然后应用粗糙集理论进行属性约简和规则提取,删去冗余的属性和样本,在横向和纵向均大大降低了数据的维度,降低了样本的存储要求,而且没有失去原始决策表所表达的信息。应用支持向量机进行分类建模预测,大大降低了SVM分类过程中的复杂度,不会降低分类能力。仿真实验表明了本文算法的有效性,不仅分类预测精度高,且训练速度快了。