化工数据预处理及其在建模中的应用

对化工数据预处理问题进行了研究,阐述了化工数据智能建模中辅助变量选择、数据采集、数据校正、输入数据降维等各种数据预处理的思路与方法。仿真实验表明:对数据进行有效的预处理,可以改善模型的精确度。     

粗集理论在萃取精馏塔软测量中的应用

丁二烯萃取精馏过程中,副产品抽余液(BBR)的质量(丁二烯含量)和很多工艺参数有关,工艺参数之间又是相互关联、耦合的,并具有噪声。应用粗集方法将这些工艺数据进行压缩和抽提,解决了工艺参数间的相关问题,同时去掉了一些信息量不大,并带来噪声的成分。用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用径向基函数(RBF)网络进行训练来获得子模型,然后用模糊聚类产生的隶属度将各子模型的输出加权求和得到BBR中顺丁烯的含量,由顺丁烯的含量来估计丁二烯含量。结果表明,这种软测量算法具有较好的建模效果,由于采取了数据分组训练,大大节省了建模的训练时间,比单纯的基于神经网络的方法要快得多。     

基于多神经网络模型的软测量方法及应用

针对具有复杂非线性的生化过程,提出了一种基于多神经网络模型的软测量方法·利用主成分分析技术对原样本数据进行压缩,得到低维样本数据,并利用一种改进的分类指标对低维样本数据实现生化过程样本数据的分类,然后利用神经网络分别拟和各类数据的特性,建立软测量模型·最后,将这一方法应用于谷氨酸发酵过程,实验结果验证了该方法的有效性·     

PCA在非线性系统传感器故障检测和重构中的应用

由于主成分分析(PCA)方法是一种线性算法,基于PCA的故障检测方法若直接运用于非线性系统的传感器故障检测和重构,会导致明显的故障误报和数据重构错误。为了使基于PCA的传感器故障检测和重构方法适用于非线性较严重的热工过程,对该方法进行了有效的改进。应用不同负荷下的历史数据,分别建立机组不同负荷下的局部PCA模型,再根据机组当前实际运行负荷选择相应的PCA模型进行传感器故障检测和重构,并结合相邻负荷PCA模型的计算结果进行数据融合,从而进一步提高了故障检测的准确性和重构精度。理论分析和现场实际应用表明,该算法能够对非线性较为严重的电厂热工过程进行精确的传感器故障检测和重构。     

径向基函数神经网络在精馏塔软测量中的应用

精馏塔是化工过程中最常用的操作单元，具有银强的线性和时变性，故很难进行机理建模分析或常规在线实时控制，因而提出一种基于径向基函数神经网络的优化控制方案。通过利用径向基函数神经网络建立精馏塔产品质量的软测量模型，将软测量结果与现场数据比较，表明本模型具有比较准确的跟踪显示效果，并将软测量模型进一步应用到精馏塔的回流量和釜液排放量的优化控制中。     

一种基于小波PCA的高光谱图像特征提取新方法

针对高光谱图像数据量大、数据维数高、光谱信息丰富的特点,提出一种基于小波分解的主成分分析(PCA)降维的特征提取新方法.该方法充分利用小波变换的优势,在光谱域内针对每个像元进行降维,既减少了数据量,还能保留光谱信号的差别;PCA方法充分利用像元间的相关性,保留不同类在相邻像元间的局部空间信息,弥补了空间域内小波变换类间可分性较差的问题.实验结果表明,小波分解与PCA相结合的特征提取方法能够有效地提高高光谱数据分类效率及分类精度.     

主成分神经网络模型在疾病预测中的应用

针对在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释的问题,根据神经网络来预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素:月平均气压,月平均气温,月平均相对湿度,月平均风速,月平均降水量本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降,针对这一问题,文中提出了利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效的解决了预测精度下降的问题。最后以2001年8月至2006年9月张家川支气管肺炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

基于RBF神经网络模型的臭氧浓度软测量研究

目前的臭氧浓度在线分析测试仪器在臭氧发生器中的应用受到很大限制.通过监测影响臭氧产生浓度的6个参量,基于RBF神经网络模型实现了臭氧浓度软测量.该模型采用梯度下降法确定RBF基函数的中心及输出层权值,可离线和在线校正所建立的神经网络模型.实验证明,软测量模型输出结果与臭氧浓度分析仪测量结果的绝对误差小于5g/m3的达93%以上,绝对误差小于1g/m3的达33%以上,且响应时间小于1s.     

一种改进的SIFT-PCA算法在图像检索中的应用

针对SIFT算法(尺度不变特征)提取出的图像特征点向量维数较多造成计算量较大、检索效率低等问题,提出一种SIFT和改进的主成分分析(Principal Component Analysis,PCA)相结合的SIFT-PCA算法。该算法首先采用SIFT算法提取图像特征点向量,然后利用改进的PCA算法把特征点向量变换到另一个空间,得到最具有代表性的特征参数,实现对特征点向量的降维。此算法在保证原SIFT算法鲁棒性的同时减少了计算量,增强了实时性。实验结果说明了该算法具有尺度、平移、旋转、光照不变性,在图像检索中应用切实可行且效果良好。     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

软测量技术及其在加氢裂化分馏塔中的应用

在总结现有各种软测量技术的基础上,指出统计分析方法中的部分最小二乘法和神经网络方法中的径向基函数网络,是经实际应用证明有效的方法。提出了一种将ＰＬＳ和ＲＢＦＮ结合的方法,并将ＰＬＳ,ＲＢＦＮ,ＰＬＳ－ＲＢＦＮ３种算法分别用于加氢裂化分馏塔航煤点软测量模型的建立,其泛化结果表明基于ＰＬ－ＳＲＢＦＮ算法建立的软测量模型具有更好的预测精度。     

上呼吸道感染月发病率的主成分神经网络预测模型

 在医学卫生领域,疾病受许多因素的影响,很难用结构式因果模型解释,根据神经网络预测是一种行之有效的方法。径向基函数（RBF）神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素,如月平均气压、月平均气温、月平均相对湿度、月平均风速、月平均降水量等本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降。针对这一问题,本文提出了利用主成分分析方法对原输入空间进行重构,并根据各主成分的贡献率确定网络结构,从而有效地解决了预测精度下降问题。最后,以2001年8月至2006年9月甘肃省武威市上呼吸道感染炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

基于主成分分析的交叉环境DEA模型的应用

定义一般环境交叉互评指数,并针对现有交叉数据包络分析（DEA）模型计算指数时未能体现整体数据信息的缺点,结合主成分分析（principal component analysis,PCA）提出一种改进型交叉互评指数方法,使得每一个决策单元的评价向量依据其对评价矩阵中变异量的贡献度而赋予不同的权重;并筛除一些影响较小的信息,从而达到降维的目的,改善了交叉环境模型的评估效率。最后基于真实的能源投入与产出数据,对比传统交叉评价方法及改进型方法在计算能源效率结果上的异同。     

On the Application of PCA Technique to Fault Diagnosis

In this paper, we briefly address the application of the standard principal component analysis (PCA) technique to fault detection and identification. Based on an analysis of the existing test statistic, we propose a new test statistic, which is similar to the Hawkin’s TH 2 statistic but without the numerical drawback. In comparison with the SPE index, the threshold setting associated with the new statistic is computationally simpler. Our further study is dedicated to the analysis of fault sensitivity. We consider the off-set and scaling faults, and evaluate the test statistic by viewing its sensitivity to the faults. Our final study focuses on identifying off-set and scaling faults. To this end, two algorithms are proposed. This paper also includes some critical remarks on the application of the PCA technique to fault diagnosis.     

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·     

基于测地线距离的核主元分析在齿轮泵故障识别中应用

针对传统的高斯径向基核函数中采用欧氏距离计算方法难以完全反映非线性振动数据样本点与点之间位置关系的问题,提出了改进的核主元分析方法.在高斯径向基核函数中使用测地线距离代替欧氏距离,建立基于样本类内散度和类间距的评价函数,运用遗传算法优化测地线距离中邻近点参数k以及高斯径向基核函数中参数σ.对采集的齿轮泵不同状态的振动数据进行经验模态分解,从分解的各阶本征模态分量和残余分量中提取10个无量纲参数构成原始特征参数集;运用优化后的核函数对原始特征参数集进行核主元分析.实验结果表明,改进的核主元分析方法取得了较好的识别效果.