基于改进模糊C均值聚类算法的乙烯裂解原料识别

乙烯裂解过程中原料变化种类多,其原料分析仪因价格昂贵工业现场很少配备,为此实现油品属性的在线识别对实现裂解过程在线优化具有重要意义。由于传统模糊C均值算法隶属度的求取是基于欧氏距离,其算法只包含均值中心,带来聚类效果的单一性。为了充分利用裂解原料的有效信息,提出了基于混合概率模型的模糊隶属度设置方法,即通过建立混合高斯模型实现对聚类样本隶属关系的概率分布描述,并利用EM算法进行模型参数的极大似然估计。该算法可在考虑样本均值中心的前提下,进一步有效利用样本协方差与权重系数信息进行模式判别。最后,以经典IRIS数据聚类、乙烯裂解原料识别为仿真实例,验证了本文所述方法在Dunn指标和Xiebieni指标上明显优于模糊C均值聚类算法,表明了该方法的有效性。     

基于模糊核聚类的多类支持向量机

传统的支持向量机是基于两类问题提出的,如何将其有效地推广至多类问题仍是一个值得研究的问题。本文在比较常用的几种多类支持向量机分类算法基础上,提出了一种基于模糊核聚类的多类支持向量机分类方法。支持向量机的分类精度和分类速度取决于树结构,新方法利用模糊核聚类生成模糊类,并结合基于二叉树的多类支持向量机分类算法实现多类分类。实验结果表明,该方法是一种效率更高、分类更准确的多类支持向量机分类算法。     

基于双层智能结构的多模型软测量方法研究

根据多个模型的混合使用可提高模型的预测精度及鲁棒性的思想,提出一种双层智能结构的非线性多模型软测量建模新方法.该方法先用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用网络或支持向量机进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果.此算法通过对一个乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,证明该算法比其它的算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

环境因子对发酵过程影响潜力预测

提出一种预测环境因子pH、温度和溶氧对酵母发酵影响潜力的方法。在构造环境因子对发酵过程评价的隶属函数的基础上 ,建立由模糊评价向量、隶属度矩阵和因子权重向量构成的模糊关系方程模型。经实验确定模糊评价向量和隶属度矩阵 ,通过求解模糊关系方程得到因子权重向量 ,预测环境条件因子对发酵的影响潜力。结果令人满意。     

基于类词包技术的图像分类算法

提出基于类词包(CSBOW,Class-Specific Bag of Words)技术的有监督图像分类算法.在训练阶段,首先在每一类训练图像库中提取特征点,运用SIFT描述符形成特征区域描述符,然后根据欧氏距离对特征矢量进行K均值聚类,每一类形成若干聚类中心即所谓类词包.在测试阶段,首先提取测试图像的特征点,运用SIFT描述符形成若干特征矢量,然后依次计算每个特征矢量与各聚类中心的欧式距离,运用竞争投票机制决定图像的分类结果.将CSBOW技术应用到商品图像分类,实验结果证明本算法分类正确率高于传统的基于词包和SVM的图像分类算法.     

一种基于历史数据的加热炉温度模糊控制规则提取方法

针对加热炉模糊控制器模糊规则库难以建立的问题,提出了一种基于历史数据的加热炉温度模糊控制规则提取方法。此方法包含3个环节,首先选择输入输出变量和典型工况的历史数据并对数据进行预处理,再对历史数据使用模糊C-均值聚类算法以确定规则数目和输入变量的隶属度函数,最后对每条规则使用支持向量回归机算法确定规则的后件参数。应用此方法能够有效地提取加热炉模糊控制器的模糊规则,实验结果验证了该方法的有效性。     

芳烃异构化过程的多模型建模

针对芳烃异构化过程的非线性、复杂性,提出利用仿射传播聚类和最小二乘支持向量机对芳烃异构化过程进行多模型建模,以此来弥补单一模型建模的不足。首先仿射传播聚类对异构化数据聚类,利用最小二乘支持向量机对聚类之后的各个类分别建立子模型,通过计算欧氏距离来判断测试样本的所属类,将测试样本送入所属类的模型进行预测,以此来实现异构化过程的多模型预测。实验证明,与单模型以及基于k均值聚类的神经网络模型相比,本文提出的基于仿射传播聚类的最小二乘支持向量机模型更能准确地预测输出。     

一种基于支持向量机增量学习的软测量建模方法

针对软测量模型在现场的失效问题,提出一种基于支持向量增量学习的软测量建模方法,将增量样本中违背Karush-Kuhn-Tucker条件的样本引入到工作样本集中,同时将非支持向量中到特征空间超球球心距离较小的样本剔除出工作样本集。并将提出的方法用于对二甲苯吸附分离过程中产品纯度的预测中。     

基于LSSVM的溶剂油分离建模方法研究

针对传统支持向量机和单一模型建模的缺点,利用某炼油厂溶剂油分离过程中二侧线流量作为建模对象,对最小二乘支持向量机集成学习方法进行了研究。首先利用自适应系数加权模糊(AWFCM)聚类算法对训练样本进行聚类;然后对每一类数据使用最小二乘支持向量机建立子模型,并使用PLS合成函数得到最小二乘支持向量机集成模型;最后通过仿真实验来验证最小二乘支持向量机集成模型预测的精确性。结果表明,该算法在预测精度上有了较大的提高,对过程控制系统中分离效果的预测具有重要指导意义。     

基于粗糙集和支持向量机理论的Rough SVM分类方法

为了减少支持向量机算法处理的数据量,降低支持向量机算法需要处理的样本维数,本文讨论了基于粗糙集的支持向量机分类方法,在一定程度上提高了支持向量机处理大规模数据的能力。     

一种基于多示例学习的动态样本集半监督聚类算法

针对时域空间动态样本模式分类和标记信息的有效利用问题,提出了一种基于多示例学习的动态样本半监督聚类算法。根据时间信号的结构关系和模态特征,建立动态样本的多示例信息表示模型;通过定义一种可度量时变函数样本包间近似度的广义Hausdorff距离和基于近邻传播的聚类原则,构建多示例动态样本包的半监督聚类算法。算法利用样本包的类别先验知识构建样本集初始划分种子簇并探索样本的分布特征,采用基于广义Hausdorff距离的近邻传播策略调整样本包聚类,突出动态指标局部模态变化特征在样本分类中的差异性。以油田地质研究中测井曲线油层水淹状况判别为例,验证了模型和算法的有效性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限,忽略了高维空间中超球体的不规则性,导致基于该方法的过程监测精度不高。针对上述问题,提出了一种基于核相似度支持向量数据描述的间歇过程监测方法,将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重,利用该相似度对不同时刻的支持向量球心距加权求和,得到待监测间歇过程数据样本的动态控制限,通过判断待监测样本的球心距是否超过其动态控制限,实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性,以及间歇过程数据待监测样本的时变性,提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于核相似度支持向量数据描述的间歇过程监测

基于支持向量数据描述的间歇过程监测方法选择历史过程数据中最大的核距离作为控制限，忽略了高维空间中超球体的不规则性，导致基于该方法的过程监测精度不高。针对上述问题，提出了一种基于核相似度支持向量数据描述的间歇过程监测方法，将间歇过程数据待监测样本与支持向量之间的核函数值作为相似度权重，利用该相似度对不同时刻的支持向量球心距加权求和，得到待监测间歇过程数据样本的动态控制限，通过判断待监测样本的球心距是否超过其动态控制限，实现间歇过程监测。所提方法综合考虑了超球体的不规则性和过程数据在高维空间分布的局部特性，以及间歇过程数据待监测样本的时变性，提高了间歇过程监测的准确性。利用数值仿真实验和半导体金属刻蚀实验验证了该方法的有效性。     

基于局部建模的预测控制及其在芳烃异构化过程的应用

针对一类非线性系统提出了基于局部建模的预测控制算法,对于局部模型的训练数据选取,同时考虑了样本数据之间的欧氏距离与向量的夹角,使得训练数据的选取更合理,并对芳烃异构化过程进行了实验仿真。首先通过最小二乘支持向量机进行局部建模,并将局部模型作为算法的预测模型。然后利用粒子群优化算法进行滚动优化,寻找到最优控制量。最终仿真实验验证了该算法的有效性和鲁棒性。     

基于集成学习和代价敏感的类别不平衡数据分类算法

在数据分类分析中,一些特别的类别里往往存在更重要的信息。提出一种基于集成学习,欠采样和代价敏感的类别不平衡数据分类算法(USCensemble),来解决传统算法处理类别不平衡数据分类任务时难以正确识别少数类样本的问题。该算法首先运用EasyEnsemble的算法结构,在前一组数据训练完毕后,运用欠采样方法选取权重大的多数类样本,并将其与少数类样本结合为临时训练数据以此平衡数据集并进行下一轮训练。同时赋予少数类样本更大的错分代价,快速提高错误分类的少数类的样本权重,降低多数类的样本权重,使算法更倾向少数类的正确分类,达到对少数类样本正确识别的目的。在10个uci的数据集生成的分类任务上进行了对比实验,实验结果表明,该算法能更好地识别少数类样本。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题,提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理,以避免因类间距离过大造成投影后的数据存在重叠的问题,使故障数据样本获得较好的投影效果,优化分类性能;然后,利用DE算法对SOM神经网络的权值向量进行动态调整,有效避免了由于“死神经元”的出现陷入局部最优的问题;最后,通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明,与传统SOM网络相比,提出的KFDA-DE-SOM算法具有较高的分类诊断精度,可有效应用于化工过程的故障诊断。     

优化K均值随机初始中点的改进算法

针对传统K均值随机产生的初始聚类中心的方式提出最近邻K均值、极远邻K均值和自适应K均值3种优化算法。最近邻K均值是通过寻找多维空间下欧氏σ邻近点的方式确定K群;而极远邻K均值是极远σ邻判定确定法;自适应K均值是将数据集确定到矩阵中,对矩阵做归一化、二元化处理后,计算各向量间的相异度来修正确定初始中心点的加权欧氏距离。3种优化算法改善了原始K均值算法,提高了算法的稳定性和精确度,而且它们各自适用于不同的应用空间。     

基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。